毫無疑問，近些年機(jī)器學(xué)習(xí)和人工智能領(lǐng)域受到了越來越多的關(guān)注。隨著大數(shù)據(jù)成為當(dāng)下工業(yè)界最火爆的技術(shù)趨勢，機(jī)器學(xué)習(xí)也借助大數(shù)據(jù)在預(yù)測和推薦方面取得了驚人的成績。比較有名的機(jī)器學(xué)習(xí)案例包括Netflix根據(jù)用戶歷史瀏覽行為給用戶推薦電影，亞馬遜基于用戶的歷史購買行為來推薦圖書。那么，如果你想要學(xué)習(xí)機(jī)器學(xué)習(xí)的算法，該如何入門呢？就我而言，我的入門課程是在哥本哈根留學(xué)時選修的人工智能課程。老師是丹麥科技大學(xué)應(yīng)用數(shù)學(xué)和計(jì)算機(jī)專業(yè)的全職教授，他的研究方向是邏輯學(xué)和人工智能，主要是用邏輯學(xué)的方法來建模。課程包括了理論/核心概念的探討和動手實(shí)踐兩個部分。我們使用的教材是人工智能的經(jīng)典書籍之一：Peter Norvig教授的《人工智能——一種現(xiàn)代方法》，課程涉及到了智能代理、基于搜索的求解、對抗搜索、概率論、多代理系統(tǒng)、社交化人工智能，以及人工智能的倫理和未來等話題。在課程的后期，我們?nèi)齻€人還組隊(duì)做了編程項(xiàng)目，實(shí)現(xiàn)了基于搜索的簡單算法來解決虛擬環(huán)境下的交通運(yùn)輸任務(wù)。我從課程中學(xué)到了非常多的知識，并且打算在這個專題里繼續(xù)深入學(xué)習(xí)。在過去幾周內(nèi)，我參與了舊金山地區(qū)的多場深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)架構(gòu)的演講 —— 還有一場眾多知名教授云集的機(jī)器學(xué)習(xí)會議。最重要的是，我在六月初注冊了Udacity的《機(jī)器學(xué)習(xí)導(dǎo)論》在線課程，并且在幾天前學(xué)完了課程內(nèi)容。在本文中，我想分享幾個我從課程中學(xué)到的常用機(jī)器學(xué)習(xí)算法。機(jī)器學(xué)習(xí)算法通?？梢员环譃槿箢?—— 監(jiān)督式學(xué)習(xí)，非監(jiān)督式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督式學(xué)習(xí)主要用于一部分?jǐn)?shù)據(jù)集（訓(xùn)練數(shù)據(jù)）有某些可以獲取的熟悉（標(biāo)簽），但剩余的樣本缺失并且需要預(yù)測的場景。非監(jiān)督式學(xué)習(xí)主要用于從未標(biāo)注數(shù)據(jù)集中挖掘相互之間的隱含關(guān)系。強(qiáng)化學(xué)習(xí)介于兩者之間 —— 每一步預(yù)測或者行為都或多或少有一些反饋信息，但是卻沒有準(zhǔn)確的標(biāo)簽或者錯誤提示。由于這是入門級的課程，并沒有提及強(qiáng)化學(xué)習(xí)，但我希望監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)的十個算法足夠吊起你的胃口了。監(jiān)督式學(xué)習(xí)1.決策樹：決策樹是一種決策支持工具，它使用樹狀圖或者樹狀模型來表示決策過程以及后續(xù)得到的結(jié)果，包括概率事件結(jié)果等。請觀察下圖來理解決策樹的結(jié)構(gòu)。

從商業(yè)決策的角度來看，決策樹就是通過盡可能少的是非判斷問題來預(yù)測決策正確的概率。這種方法可以幫你用一種結(jié)構(gòu)性的、系統(tǒng)性的方法來得出合理的結(jié)論。2.樸素貝葉斯分類器：樸素貝葉斯分類器是一類基于貝葉斯理論的簡單的概率分類器，它假設(shè)特征之前是相互獨(dú)立的。下圖所示的就是公式 —— P(A|B)表示后驗(yàn)概率，P(B|A)是似然值，P(A)是類別的先驗(yàn)概率，P(B)代表預(yù)測器的先驗(yàn)概率。

現(xiàn)實(shí)場景中的一些例子包括：

檢測垃圾電子郵件

將新聞分為科技、政治、體育等類別

判斷一段文字表達(dá)積極的情緒還是消極的情緒

用于人臉檢測軟件

3.最小 平方回歸：如果你學(xué)過統(tǒng)計(jì)課程，也許聽說過線性回歸的概念。最小 平方回歸是求線性回歸的一種方法。你可以把線性回歸想成是用一條直線擬合若干個點(diǎn)。擬合的方法有許多種，“最小 平方”的策略相當(dāng)于你畫一條直線，然后計(jì)算每個點(diǎn)到直線的垂直距離，最后把各個距離求和；最佳擬合的直線就是距離和最小的那一條。

線性指的是用于擬合數(shù)據(jù)的模型，而最小 平方指的是待優(yōu)化的損失函數(shù)。4.邏輯回歸：邏輯回歸模型是一種強(qiáng)大的統(tǒng)計(jì)建模方式，它用一個或多個解釋性變量對二值輸出結(jié)果建模。它用邏輯斯蒂函數(shù)估計(jì)概率值，以此衡量分類依賴變量和一個或多個獨(dú)立的變量之間的關(guān)系，這屬于累積的邏輯斯蒂分布。

通常來說，邏輯回歸模型在現(xiàn)實(shí)場景中的應(yīng)用包括：

信用評分

預(yù)測商業(yè)活動的成功概率

預(yù)測某款產(chǎn)品的收益

預(yù)測某一天發(fā)生地震的概率

5.支持向量機(jī)：支持向量機(jī)是一種二分類算法。在N維空間中給定兩類點(diǎn)，支持向量機(jī)生成一個（N-1）維的超平面將這些點(diǎn)分為兩類。舉個例子，比如在紙上有兩類線性可分的點(diǎn)。支持向量機(jī)會尋找一條直線將這兩類點(diǎn)區(qū)分開來，并且與這些點(diǎn)的距離都盡可能遠(yuǎn)。

利用支持向量機(jī)（結(jié)合具體應(yīng)用場景做了改進(jìn)）解決的大規(guī)模問題包括展示廣告、人體結(jié)合部位識別、基于圖像的性別檢查、大規(guī)模圖像分類等……6.集成方法：集成方法是先構(gòu)建一組分類器，然后用各個分類器帶權(quán)重的投票來預(yù)測新數(shù)據(jù)的算法。最初的集成方法是貝葉斯平均，但最新的算法包括誤差糾正輸出編碼和提升算法。

那么集成模型的原理是什么，以及它為什么比獨(dú)立模型的效果好呢？

它們消除了偏置的影響：比如把民主黨的問卷和共和黨的問卷混合，從中得到的將是一個不倫不類的偏中立的信息。

它們能減小預(yù)測的方差：多個模型聚合后的預(yù)測結(jié)果比單一模型的預(yù)測結(jié)果更穩(wěn)定。在金融界，這被稱為是多樣化 —— 多個股票的混合產(chǎn)品波動總是遠(yuǎn)小于單個股票的波動。這也解釋了為何增加訓(xùn)練數(shù)據(jù)，模型的效果會變得更好。

它們不容易產(chǎn)生過擬合：如果單個模型不會產(chǎn)生過擬合，那么將每個模型的預(yù)測結(jié)果簡單地組合（取均值、加權(quán)平均、邏輯回歸），沒有理由產(chǎn)生過擬合。

非監(jiān)督學(xué)習(xí)7.聚類算法：聚類算法的任務(wù)是將一群物體聚成多個組，分到同一個組（簇）的物體比其它組的物體更相似。

每種聚類算法都各不相同，這里列舉了幾種：

基于類心的聚類算法

基于連接的聚類算法

基于密度的聚類算法

概率型算法

降維算法

神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)

8.主成分分析：主成分分析屬于統(tǒng)計(jì)學(xué)的方法，過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。

主成分分析的一些實(shí)際應(yīng)用包括數(shù)據(jù)壓縮，簡化數(shù)據(jù)表示，數(shù)據(jù)可視化等。值得一提的是需要領(lǐng)域知識來判斷是否適合使用主成分分析算法。如果數(shù)據(jù)的噪聲太大（即各個成分的方差都很大），就不適合使用主成分分析算法。9.奇異值分解：奇異值分解是線性代數(shù)中一種重要的矩陣分解，是矩陣分析中正規(guī)矩陣酉對角化的推廣。對于給定的m*n矩陣M，可以將其分解為M = UΣV，其中U和V是m×m階酉矩陣，Σ是半正定m×n階對角矩陣。

主成分分析其實(shí)就是一種簡單的奇異值分解算法。在計(jì)算機(jī)視覺領(lǐng)域中，第一例人臉識別算法使用了主成分分析和奇異值分解將人臉表示為一組“特征臉（eigenfaces）”的線性組合，經(jīng)過降維，然后利用簡單的方法匹配候選人臉。盡管現(xiàn)代的方法更加精細(xì)，許多技術(shù)還是于此很相似。10.獨(dú)立成分分析：獨(dú)立成分分析是一種利用統(tǒng)計(jì)原理進(jìn)行計(jì)算來揭示隨機(jī)變量、測量值或者信號背后的隱藏因素的方法。獨(dú)立成分分析算法給所觀察到的多變量數(shù)據(jù)定義了一個生成模型，通常這些變量是大批量的樣本。在該模型中，數(shù)據(jù)變量被假定為一些未知的潛變量的線性混合，而且混合系統(tǒng)也未知。潛變量被假定是非高斯和相互獨(dú)立的，它們被稱為所觀察到的數(shù)據(jù)的獨(dú)立分量。

獨(dú)立成分分析與主成分分析有關(guān)聯(lián)，但它是一個更強(qiáng)大的技術(shù)。它能夠在這些經(jīng)典方法失效時仍舊找到數(shù)據(jù)源的潛在因素。它的應(yīng)用包括數(shù)字圖像、文檔數(shù)據(jù)庫、經(jīng)濟(jì)指標(biāo)和心理測量?，F(xiàn)在，請運(yùn)用你所理解的算法，去創(chuàng)造機(jī)器學(xué)習(xí)應(yīng)用，改善全世界人們的生活質(zhì)量吧。