一、機器學習概覽

1. 什么是機器學習？

機器通過分析大量數(shù)據(jù)來進行學習。比如說，不需要通過編程來識別貓或人臉，它們可以通過使用圖片來進行訓練，從而歸納和識別特定的目標。

2. 機器學習和人工智能的關系

機器學習是一種重在尋找數(shù)據(jù)中的模式并使用這些模式來做出預測的研究和算法的門類。機器學習是人工智能領域的一部分，并且和知識發(fā)現(xiàn)與數(shù)據(jù)挖掘有所交集。

3. 機器學習的工作方式

①選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)

②模型數(shù)據(jù)：使用訓練數(shù)據(jù)來構建使用相關特征的模型

③驗證模型：使用你的驗證數(shù)據(jù)接入你的模型

④測試模型：使用你的測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)

⑤使用模型：使用完全訓練好的模型在新數(shù)據(jù)上做預測

⑥調(diào)優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)

4. 機器學習所處的位置

①傳統(tǒng)編程：軟件工程師編寫程序來解決問題。首先存在一些數(shù)據(jù)→為了解決一個問題，軟件工程師編寫一個流程來告訴機器應該怎樣做→計算機遵照這一流程執(zhí)行，然后得出結果

②統(tǒng)計學：分析師比較變量之間的關系

③機器學習：數(shù)據(jù)科學家使用訓練數(shù)據(jù)集來教計算機應該怎么做，然后系統(tǒng)執(zhí)行該任務。首先存在大數(shù)據(jù)→機器會學習使用訓練數(shù)據(jù)集來進行分類，調(diào)節(jié)特定的算法來實現(xiàn)目標分類→該計算機可學習識別數(shù)據(jù)中的關系、趨勢和模式

④智能應用：智能應用使用人工智能所得到的結果，如圖是一個精準農(nóng)業(yè)的應用案例示意，該應用基于無人機所收集到的數(shù)據(jù)

5. 機器學習的實際應用

機器學習有很多應用場景，這里給出了一些示例，你會怎么使用它？

•  快速三維地圖測繪和建模：要建造一架鐵路橋，PwC 的數(shù)據(jù)科學家和領域專家將機器學習應用到了無人機收集到的數(shù)據(jù)上。這種組合實現(xiàn)了工作成功中的精準監(jiān)控和快速反饋。
•  增強分析以降低風險：為了檢測內(nèi)部交易，PwC 將機器學習和其它分析技術結合了起來，從而開發(fā)了更為全面的用戶概況，并且獲得了對復雜可疑行為的更深度了解。
•  預測表現(xiàn)最佳的目標：PwC 使用機器學習和其它分析方法來評估 Melbourne Cup 賽場上不同賽馬的潛力。

二、機器學習的演化

幾十年來，人工智能研究者的各個「部落」一直以來都在彼此爭奪主導權。現(xiàn)在是這些部落聯(lián)合起來的時候了嗎？他們也可能不得不這樣做，因為合作和算法融合是實現(xiàn)真正通用人工智能（AGI）的唯一方式。這里給出了機器學習方法的演化之路以及未來的可能模樣。

1. 五大流派

①符號主義：使用符號、規(guī)則和邏輯來表征知識和進行邏輯推理，最喜歡的算法是：規(guī)則和決策樹

②貝葉斯派：獲取發(fā)生的可能性來進行概率推理，最喜歡的算法是：樸素貝葉斯或馬爾可夫

③聯(lián)結主義：使用概率矩陣和加權神經(jīng)元來動態(tài)地識別和歸納模式，最喜歡的算法是：神經(jīng)網(wǎng)絡

④進化主義：生成變化，然后為特定目標獲取其中最優(yōu)的，最喜歡的算法是：遺傳算法

⑤Analogizer：根據(jù)約束條件來優(yōu)化函數(shù)（盡可能走到更高，但同時不要離開道路），最喜歡的算法是：支持向量機

2. 演化的階段

1980 年代

•  主導流派：符號主義
•  架構：服務器或大型機
•  主導理論：知識工程
•  基本決策邏輯：決策支持系統(tǒng)，實用性有限

1990 年代到 2000 年

•  主導流派：貝葉斯
•  架構：小型服務器集群
•  主導理論：概率論
•  分類：可擴展的比較或對比，對許多任務都足夠好了

2010 年代早期到中期

•  主導流派：聯(lián)結主義
•  架構：大型服務器農(nóng)場
•  主導理論：神經(jīng)科學和概率
•  識別：更加精準的圖像和聲音識別、翻譯、情緒分析等

3. 這些流派有望合作，并將各自的方法融合到一起

2010 年代末期

•  主導流派：聯(lián)結主義+符號主義
•  架構：許多云
•  主導理論：記憶神經(jīng)網(wǎng)絡、大規(guī)模集成、基于知識的推理
•  簡單的問答：范圍狹窄的、領域特定的知識共享

2020 年代+

•  主導流派：聯(lián)結主義+符號主義+貝葉斯+……
•  架構：云計算和霧計算
•  主導理論：感知的時候有網(wǎng)絡，推理和工作的時候有規(guī)則
•  簡單感知、推理和行動：有限制的自動化或人機交互

2040 年代+

•  主導流派：算法融合
•  架構：無處不在的服務器
•  主導理論：最佳組合的元學習
•  感知和響應：基于通過多種學習方式獲得的知識或經(jīng)驗采取行動或做出回答

三、機器學習的算法 

你應該使用哪種機器學習算法？這在很大程度上依賴于可用數(shù)據(jù)的性質(zhì)和數(shù)量以及每一個特定用例中你的訓練目標。不要使用最復雜的算法，除非其結果值得付出昂貴的開銷和資源。這里給出了一些最常見的算法，按使用簡單程度排序。

1. 決策樹（Decision Tree）：在進行逐步應答過程中，典型的決策樹分析會使用分層變量或決策節(jié)點，例如，可將一個給定用戶分類成信用可靠或不可靠。

•  優(yōu)點：擅長對人、地點、事物的一系列不同特征、品質(zhì)、特性進行評估
•  場景舉例：基于規(guī)則的信用評估、賽馬結果預測

2. 支持向量機（Support Vector Machine）：基于超平面（hyperplane），支持向量機可以對數(shù)據(jù)群進行分類。

•  優(yōu)點：支持向量機擅長在變量 X 與其它變量之間進行二元分類操作，無論其關系是否是線性的
•  場景舉例：新聞分類、手寫識別。

3. 回歸（Regression）：回歸可以勾畫出因變量與一個或多個因變量之間的狀態(tài)關系。在這個例子中，將垃圾郵件和非垃圾郵件進行了區(qū)分。

    優(yōu)點：回歸可用于識別變量之間的連續(xù)關系，即便這個關系不是非常明顯

    場景舉例：路面交通流量分析、郵件過濾

4. 樸素貝葉斯分類（Naive Bayes Classification）：樸素貝葉斯分類器用于計算可能條件的分支概率。每個獨立的特征都是「樸素」或條件獨立的，因此它們不會影響別的對象。例如，在一個裝有共 5 個黃色和紅色小球的罐子里，連續(xù)拿到兩個黃色小球的概率是多少？從圖中最上方分支可見，前后抓取兩個黃色小球的概率為 1/10。樸素貝葉斯分類器可以計算多個特征的聯(lián)合條件概率。

•  優(yōu)點：對于在小數(shù)據(jù)集上有顯著特征的相關對象，樸素貝葉斯方法可對其進行快速分類
•  場景舉例：情感分析、消費者分類

5. 隱馬爾可夫模型（Hidden Markov model）：顯馬爾可夫過程是完全確定性的——一個給定的狀態(tài)經(jīng)常會伴隨另一個狀態(tài)。交通信號燈就是一個例子。相反，隱馬爾可夫模型通過分析可見數(shù)據(jù)來計算隱藏狀態(tài)的發(fā)生。隨后，借助隱藏狀態(tài)分析，隱馬爾可夫模型可以估計可能的未來觀察模式。在本例中，高或低氣壓的概率（這是隱藏狀態(tài)）可用于預測晴天、雨天、多云天的概率。

•  優(yōu)點：容許數(shù)據(jù)的變化性，適用于識別（recognition）和預測操作
•  場景舉例：面部表情分析、氣象預測

6. 隨機森林（Random forest）：隨機森林算法通過使用多個帶有隨機選取的數(shù)據(jù)子集的樹（tree）改善了決策樹的精確性。本例在基因表達層面上考察了大量與乳腺癌復發(fā)相關的基因，并計算出復發(fā)風險。

•  優(yōu)點：隨機森林方法被證明對大規(guī)模數(shù)據(jù)集和存在大量且有時不相關特征的項（item）來說很有用
•  場景舉例：用戶流失分析、風險評估

7. 循環(huán)神經(jīng)網(wǎng)絡（Recurrent neural network）：在任意神經(jīng)網(wǎng)絡中，每個神經(jīng)元都通過 1 個或多個隱藏層來將很多輸入轉換成單個輸出。循環(huán)神經(jīng)網(wǎng)絡（RNN）會將值進一步逐層傳遞，讓逐層學習成為可能。換句話說，RNN 存在某種形式的記憶，允許先前的輸出去影響后面的輸入。

•  優(yōu)點：循環(huán)神經(jīng)網(wǎng)絡在存在大量有序信息時具有預測能力
•  場景舉例：圖像分類與字幕添加、政治情感分析

8. 長短期記憶（Long short-term memory，LSTM）與門控循環(huán)單元神經(jīng)網(wǎng)絡（gated recurrent unit nerual network）：早期的 RNN 形式是會存在損耗的。盡管這些早期循環(huán)神經(jīng)網(wǎng)絡只允許留存少量的早期信息，新近的長短期記憶（LSTM）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡都有長期與短期的記憶。換句話說，這些新近的 RNN 擁有更好的控制記憶的能力，允許保留早先的值或是當有必要處理很多系列步驟時重置這些值，這避免了「梯度衰減」或逐層傳遞的值的最終 degradation。LSTM 與 GRU 網(wǎng)絡使得我們可以使用被稱為「門（gate）」的記憶模塊或結構來控制記憶，這種門可以在合適的時候傳遞或重置值。

•  優(yōu)點：長短期記憶和門控循環(huán)單元神經(jīng)網(wǎng)絡具備與其它循環(huán)神經(jīng)網(wǎng)絡一樣的優(yōu)點，但因為它們有更好的記憶能力，所以更常被使用
•  場景舉例：自然語言處理、翻譯

9. 卷積神經(jīng)網(wǎng)絡（convolutional neural network）：卷積是指來自后續(xù)層的權重的融合，可用于標記輸出層。

•  優(yōu)點：當存在非常大型的數(shù)據(jù)集、大量特征和復雜的分類任務時，卷積神經(jīng)網(wǎng)絡是非常有用的
•  場景舉例：圖像識別、文本轉語音、藥物發(fā)現(xiàn)