毫無(wú)疑問(wèn)，過(guò)去兩年中，機(jī)器學(xué)習(xí)和人工智能的普及度得到了大幅提升。

　　如果你想學(xué)習(xí)機(jī)器算法，要從何下手呢？以我為例，我是在哥本哈根留學(xué)期間，學(xué)習(xí)AI課程入門(mén)的。我們用的教科書(shū)是一本AI經(jīng)典：《Peter Norvig’s Artificial Intelligence？—？A Modern Approach》。最近我在繼續(xù)學(xué)習(xí)這些，包括在舊金山聽(tīng)了幾個(gè)關(guān)于深度學(xué)習(xí)的技術(shù)演講，參加機(jī)器學(xué)習(xí)大會(huì)上。六月份，我注冊(cè)了Udacity的Intro to Machine Learning的在線課程，近期已經(jīng)完成了。這篇文章，我想分享一些我所學(xué)到的、最常見(jiàn)的機(jī)器學(xué)習(xí)算法。

　　我從這個(gè)課程中學(xué)到了很多，并決定繼續(xù)學(xué)習(xí)這一專業(yè)內(nèi)容。不久前，我在舊金山聽(tīng)了幾個(gè)關(guān)于深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)架構(gòu)方面的技術(shù)演講，包括在一個(gè)機(jī)器學(xué)習(xí)大會(huì)上和很多領(lǐng)域知名專家一起。最重要的是，我六月份注冊(cè)了Udacity 的機(jī)器學(xué)習(xí)入門(mén)的在線課程，近期已經(jīng)完成了。這篇文章，我想分享一些我所學(xué)到的、最常見(jiàn)的機(jī)器學(xué)習(xí)算法。

　　機(jī)器學(xué)習(xí)算法可以分為三個(gè)大類——有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

　　有監(jiān)督學(xué)習(xí)，對(duì)訓(xùn)練有標(biāo)簽的數(shù)據(jù)有用，但是對(duì)于其他沒(méi)有標(biāo)簽的數(shù)據(jù)，則需要預(yù)估。

　　無(wú)監(jiān)督學(xué)習(xí)，用于對(duì)無(wú)標(biāo)簽的數(shù)據(jù)集（數(shù)據(jù)沒(méi)有預(yù)處理）的處理，需要發(fā)掘其內(nèi)在關(guān)系的時(shí)候。

　　強(qiáng)化學(xué)習(xí)，介于兩者之間，雖然沒(méi)有精準(zhǔn)的標(biāo)簽或者錯(cuò)誤信息，但是對(duì)于每個(gè)可預(yù)測(cè)的步驟或者行為，會(huì)有某種形式的反饋。

　　由于我上的是入門(mén)課程，我并沒(méi)有學(xué)習(xí)強(qiáng)化學(xué)習(xí)，但是下面10個(gè)有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)算法已經(jīng)足以讓你對(duì)機(jī)器學(xué)習(xí)產(chǎn)生興趣。

　　監(jiān)督學(xué)習(xí)

　　1.決策樹(shù) （Decision Trees）

　　決策樹(shù)是一個(gè)決策支持工具，它用樹(shù)形的圖或者模型表示決策及其可能的后果，包括隨機(jī)事件的影響、資源消耗、以及用途。請(qǐng)看下圖，隨意感受一下決策樹(shù)長(zhǎng)這樣的：

　　從商業(yè)角度看，決策樹(shù)就是用最少的Yes/No問(wèn)題，盡可能地做出一個(gè)正確的決策。它讓我們通過(guò)一種結(jié)構(gòu)化、系統(tǒng)化的方式解決問(wèn)題，得到一個(gè)有邏輯的結(jié)論。

　　2.樸素貝葉斯分類（Naive Bayes Classification）

　　樸素貝葉斯分類器是一類簡(jiǎn)單概率分類器，它基于把貝葉斯定理運(yùn)用在特征之間關(guān)系的強(qiáng)獨(dú)立性假設(shè)上。下圖是貝葉斯公式——P（A|B）表示后驗(yàn)概率，P（B|A）表示似然度，P（A）表示類別的先驗(yàn)概率（class prior probability），P（B）表示做出預(yù)測(cè)的先驗(yàn)概率（predictor prior probability）。

　　現(xiàn)實(shí)生活中的應(yīng)用例子：

　　一封電子郵件是否是垃圾郵件

　　一篇文章應(yīng)該分到科技、政治，還是體育類

　　一段文字表達(dá)的是積極的情緒還是消極的情緒？

　　人臉識(shí)別

　　3.普通最小二乘回歸（Ordinary Least Squares Regression）

　　如果你學(xué)過(guò)統(tǒng)計(jì)學(xué)，你可能聽(tīng)過(guò)線性回歸。至少最小二乘是一種進(jìn)行線性回歸的方法。你可以認(rèn)為線性回歸就是讓一條直線用最適合的姿勢(shì)穿過(guò)一組點(diǎn)。有很多方法可以這樣做，普通最小二乘法就像這樣——你可以畫(huà)一條線，測(cè)量每個(gè)點(diǎn)到這條線的距離，然后加起來(lái)。最好的線應(yīng)該是所有距離加起來(lái)最小的那根。

　　線性法表示你去建模線性模型，而最小二乘法可以最小化該線性模型的誤差。

　　4.邏輯回歸（Logistic Regression）

　　邏輯回歸是一種非常強(qiáng)大的統(tǒng)計(jì)方法，可以把有一個(gè)或者多個(gè)解釋變量的數(shù)據(jù)，建立為二項(xiàng)式類型的模型，通過(guò)用累積邏輯分布的邏輯函數(shù)估計(jì)概率，測(cè)量分類因變量和一個(gè)或多個(gè)獨(dú)立變量之間的關(guān)系。

　　通常，回歸在現(xiàn)實(shí)生活中的用途如下：

　　信用評(píng)估

　　測(cè)量市場(chǎng)營(yíng)銷的成功度

　　預(yù)測(cè)某個(gè)產(chǎn)品的收益

　　特定的某天是否會(huì)發(fā)生地震

　　5.支持向量機(jī)（Support Vector Machines）

　　SVM是一種二分算法。假設(shè)在N維空間，有一組點(diǎn)，包含兩種類型，SVM生成a（N-1） 維的超平面，把這些點(diǎn)分成兩組。比如你有一些點(diǎn)在紙上面，這些點(diǎn)是線性分離的。SVM會(huì)找到一個(gè)直線，把這些點(diǎn)分成兩類，并且會(huì)盡可能遠(yuǎn)離這些點(diǎn)。

　　從規(guī)模看來(lái)，SVM（包括適當(dāng)調(diào)整過(guò)的）解決的一些特大的問(wèn)題有：廣告、人類基因剪接位點(diǎn)識(shí)別、基于圖片的性別檢測(cè)、大規(guī)模圖片分類…

　　6.集成方法（Ensemble Methods）

　　集成方法吸納了很多算法，構(gòu)建一個(gè)分類器集合，然后給它們的預(yù)測(cè)帶權(quán)重的進(jìn)行投票，從而進(jìn)行分類。最初的集成方法是貝葉斯平均法（Bayesian averaging），但是最近的算法集還包括了糾錯(cuò)輸出編碼（error-correcting output coding） ，bagging和boosting

　　那么集成方法如何工作的？為什么它們比單獨(dú)的模型更好？

　　它們均衡了偏差：就像如果你均衡了大量的傾向民主黨的投票和大量?jī)A向共和黨的投票，你總會(huì)得到一個(gè)不那么偏頗的結(jié)果。

　　它們降低了方差：集合大量模型的參考結(jié)果，噪音會(huì)小于單個(gè)模型的單個(gè)結(jié)果。在金融上，這叫投資分散原則（diversification）——一個(gè)混搭很多種股票的投資組合，比單獨(dú)的股票更少變故。

　　它們不太可能過(guò)度擬合：如果你有單獨(dú)的模型不是完全擬合，你結(jié)合每個(gè)簡(jiǎn)單方法建模，就不會(huì)發(fā)生過(guò)度擬合（over-fitting）

　　無(wú)監(jiān)督學(xué)習(xí)

　　7. 聚類算法（Clustering Algorithms）

　　聚類就是把一組對(duì)象分組化的任務(wù)，使得在同一組的對(duì)象比起其它組的對(duì)象，它們彼此更加相似。

　　每種聚類算法都不同，下面是其中一些：

　　基于圖心（Centroid）的算法

　　基于連接的算法

　　基于密集度的算法

　　概率論

　　降維

　　神經(jīng)網(wǎng)絡(luò) / 深度學(xué)習(xí)

　　8.主成分分析（Principal Component Analysis）

　　PCA是一種統(tǒng)計(jì)過(guò)程，它通過(guò)正交變換把一組可能相關(guān)聯(lián)的變量觀察，轉(zhuǎn)換成一組線性非相關(guān)的變量的值，這些非相關(guān)的變量就是主成分。

　　PCA的應(yīng)用包括壓縮、簡(jiǎn)化數(shù)據(jù)使之易于學(xué)習(xí)，可視化。需要注意的是，當(dāng)決定是否用PCA的時(shí)候，領(lǐng)域知識(shí)特別重要。它不適用于噪音多的數(shù)據(jù)（所有成分的方差要很高才行）

　　9.奇異值分解（Singular Value Decomposition）

　　線性代數(shù)中，SVD是對(duì)一個(gè)特別復(fù)雜的矩陣做因式分解。比如一個(gè)m*n的矩陣M，存在一個(gè)分解如M = UΣV，其中U和V是酉矩陣，Σ是一個(gè)對(duì)角矩陣。

　　PCA其實(shí)是種簡(jiǎn)單的SVD。在計(jì)算機(jī)圖形領(lǐng)域，第一個(gè)臉部識(shí)別算法就用了PCA和SVD，用特征臉（eigenfaces）的線性結(jié)合表達(dá)臉部圖像，然后降維，用簡(jiǎn)單的方法把臉部和人匹配起來(lái)。盡管如今的方法更加復(fù)雜，依然有很多是依靠類似這樣的技術(shù)。

　　10.獨(dú)立成分分析（Independent Component Analysis）

　　ICA 是一種統(tǒng)計(jì)技術(shù)。它發(fā)掘隨機(jī)變量、測(cè)量數(shù)據(jù)或者信號(hào)的集合中隱含的因素。ICA定義了一種通用模型，用于觀測(cè)到的多變量數(shù)據(jù)，通常是一個(gè)巨大的樣本數(shù)據(jù)庫(kù)。在這一模型中，假設(shè)數(shù)據(jù)變量是一些未知的、潛在的變量的線性組合，而組合方式也是未知的。同時(shí)假設(shè)，潛在的變量是非高斯分布且相互獨(dú)立的，我們稱之為觀測(cè)數(shù)據(jù)的獨(dú)立成分（Independent components）。

　　ICA與PCA有一定關(guān)聯(lián)，但是一種更加有用的技術(shù)，在經(jīng)典方法完全失效的時(shí)候，可以發(fā)現(xiàn)數(shù)據(jù)源中的潛在因素。它的應(yīng)用包括數(shù)字圖片，文件數(shù)據(jù)庫(kù)，經(jīng)濟(jì)指數(shù)和心理測(cè)量。

　　現(xiàn)在可以開(kāi)始用你對(duì)這些算法的理解，去創(chuàng)建機(jī)器學(xué)習(xí)應(yīng)用，給大家?guī)?lái)更好的體驗(yàn)。