戳我加群 ▼

機械雞邀你與數(shù)萬名人工智能人才

共贏未來！

毫無疑問,，機器學習在過去幾年越來越受歡迎。由于大數(shù)據(jù)是目前技術(shù)行業(yè)最熱門的趨勢,，機器學習是非常強大的,，可以根據(jù)大量數(shù)據(jù)進行預測或計算推理。

如果你想學習機器算法，要從何下手呢,？

以我為例,，我是在哥本哈根留學期間，學習AI課程入門的,。我們用的教科書是一本AI經(jīng)典書籍：《Peter Norvig’s Artificial Intelligence?—?A Modern Approach》,。

最近我在繼續(xù)學習這些，包括在舊金山聽了幾個關(guān)于深度學習的技術(shù)演講,，參加機器學習大會,。這篇文章，我想分享一些我所學到的,、最常見的機器學習算法,。

機器學習算法可以分為三個大類——有監(jiān)督學習、無監(jiān)督學習和強化學習,。

• 在特定數(shù)據(jù)集（訓練集）有標注的情況下,，有監(jiān)督的學習是有用的，需要對其它實例進行預測

• 如果是在給定的未標記的數(shù)據(jù)集（數(shù)據(jù)沒有預處理）,，則無監(jiān)督學習是有用的

• 強化學習介于這兩者之間 - 每種預測步驟或動作都有一些形式的反饋,，但沒有精確的標簽或錯誤信息

▍監(jiān)督學習

1. 決策樹：決策樹是一種決策支持工具，使用的決策及其可能產(chǎn)生的后果,，包括隨機事件的結(jié)果,，資源消耗和效用的樹狀圖或模型。

從業(yè)務決策的角度來看,，決策樹是人們必須要選擇是/否的問題,，以評估大多數(shù)時候作出正確決策的概率。它允許您以結(jié)構(gòu)化和系統(tǒng)的方式來解決問題,，以得出邏輯結(jié)論,。

2. 樸素貝葉斯分類：樸素貝葉斯分類器是一種簡單的概率分類器，基于貝葉斯定理,，其特征之間具有強大（樸素）的獨立性假設,。

特征圖像是方程 - P（A | B）是后驗概率，P（B | A）是似然度,，P（A）是類先驗概率,，P（B）是預測先驗概率。

一些現(xiàn)實世界的例子是：

• 判斷郵件是否為垃圾郵件

• 分類技術(shù),，將新聞文章氛圍政治或體育類

• 檢查一段表達積極情緒或消極情緒的文字

• 用于面部識別軟件

3. 普通最小二乘回歸：如果你了解統(tǒng)計學,，你可能已經(jīng)聽說過線性回歸。最小二乘法是一種執(zhí)行線性回歸的方法,。

您可以將線性回歸視為擬合直線穿過點狀分布的任務,。有多種可能的策略可以做到這一點,，“普通最小二乘法”策略就像這樣 - 你可以畫一條線，然后把每個數(shù)據(jù)點,，測量點和線之間的垂直距離,，添加上去; 擬合線將是距離總和的盡可能小的線。

線性是指您正在使用的模型來迎合數(shù)據(jù),，而最小二乘可以最小化線性模型誤差,。

4. 邏輯回歸： Logistic回歸是一個強大的統(tǒng)計學方法，用一個或多個解釋變量建模二項式結(jié)果,。它通過使用邏輯函數(shù)估計概率,，來衡量分類因變量與一個或多個獨立變量之間的關(guān)系，后者是累積邏輯分布,。

邏輯回歸用于生活中：

• 信用評級

• 衡量營銷活動的成功率

• 預測某一產(chǎn)品的收入

• 某一天會有地震嗎

5. 支持向量機： SVM是二元分類算法,。給定N維空間中兩種種類型的點，SVM生成（N-1）維的超平面將這些點分成2組,。

假設你有一些可以線性分離的紙張中的兩種類型的點,。SVM將找到一條直線，將這些點分成兩種類型,，并盡可能遠離所有這些點,。

在規(guī)模上，使用SVM解決的一些特大的問題（包括適當修改的實現(xiàn)）是：廣告,、人類基因剪接位點識別,、基于圖像的性別檢測，大規(guī)模圖像分類...

6. 集成方法：集成方法是構(gòu)建一組分類器的學習算法,，然后通過對其預測進行加權(quán)投票來對新的數(shù)據(jù)點進行分類,。原始的集成方法是貝葉斯平均法，但更新的算法包括糾錯輸出編碼,、bagging和boosting,。

那么集成方法如何工作，為什么它們優(yōu)于單個模型,？

• 均衡偏差：如果你均衡了大量的傾向民主黨的投票和大量傾向共和黨的投票,，你總會得到一個不那么偏頗的結(jié)果。

• 降低方差：集合大量模型的參考結(jié)果,，噪音會小于單個模型的單個結(jié)果,。在金融領域，這被稱為投資分散原則(diversification)——一個混搭很多種股票的投資組合,，比單獨的股票更少變故,。

• 不太可能過度擬合：如果您有單個模型不完全擬合，您以簡單的方式（平均,，加權(quán)平均,，邏輯回歸）結(jié)合每個模型建模,，那么一般不會發(fā)生過擬合。

▍無監(jiān)督學習

7. 聚類算法：聚類是對一組對象進行分組的任務,，使得同一組（集群）中的對象彼此之間比其他組中的對象更相似。

每個聚類算法是不同的,，比如：

• 基于Centroid的算法

• 基于連接的算法

• 基于密度的算法

• 概率

• 降維

• 神經(jīng)網(wǎng)絡/深度學習

8. 主成分分析： PCA是使用正交變換將可能相關(guān)變量的觀察值轉(zhuǎn)換為主成分的線性不相關(guān)變量值的一組統(tǒng)計過程,。

PCA的一些應用包括壓縮、簡化數(shù)據(jù),、便于學習,、可視化。請注意,，領域知識在選擇是否繼續(xù)使用PCA時非常重要,。數(shù)據(jù)嘈雜的情況（PCA的所有組件都有很大差異）的情況不適用。

9. 奇異值分解：在線性代數(shù)中,，SVD是真正復雜矩陣的因式分解,。對于給定的m * n矩陣M，存在分解,，使得M =UΣV,，其中U和V是酉矩陣，Σ是對角矩陣,。

PCA實際上是SVD的簡單應用,。在計算機視覺技術(shù)中，第一個人臉識別算法使用PCA和SVD,，以將面部表示為“特征臉”的線性組合,，進行降維，然后通過簡單的方法將面部匹配到身份; 雖然這種方法更復雜,，但仍然依賴于類似的技術(shù),。

10. 獨立成分分析： ICA是一種統(tǒng)計技術(shù)，用于揭示隨機變量,、測量或信號集合的隱藏因素,。ICA定義了觀察到的多變量數(shù)據(jù)的生成模型，通常將其作為大型樣本數(shù)據(jù)庫,。

在模型中,，假設數(shù)據(jù)變量是一些未知潛在變量的線性混合，混合系統(tǒng)也是未知的,。潛變量被假定為非高斯和相互獨立的,，它們被稱為觀測數(shù)據(jù)的獨立成分。

ICA與PCA相關(guān),，但它是一種更強大的技術(shù),，能夠在這些經(jīng)典方法完全失敗時找到潛在的源因素,。其應用包括數(shù)字圖像、文檔數(shù)據(jù)庫,、經(jīng)濟指標和心理測量,。

★推薦閱讀★

吳恩達注冊了1.5億美元基金公司，專注于AI投資

Google科學家研究的新算法,，可以自動烘焙美味的餅干

不用再數(shù)羊了,！MIT的新算法讓你不再失眠

埃森哲報告：到2035年，人工智能將影響16個行業(yè)

2017斯坦福大學CS224N深度學習NLP通關(guān)課程

李飛飛主講 ‖ 斯坦福大學基于卷積神經(jīng)網(wǎng)絡的視覺識別

重磅 ‖ 科學家利用機器學習技術(shù)解碼大腦（paper）

有人@你,，領取27本免費的數(shù)據(jù)挖掘書籍

專訪陸奇：我與李彥宏分工明確,，百度要征服世界！

從收銀員到斯坦?？茖W家,，李飛飛如何鳳凰涅槃？