機(jī)器學(xué)習(xí)是什么

　　機(jī)器學(xué)習(xí)好比高中時代的性——人人都在談?wù)?，但除了老師們知根知底外，只有很少的人能說清楚怎么回事。如果閱讀網(wǎng)上關(guān)于機(jī)器學(xué)習(xí)的文章，你很可能會遇到兩種情況：充斥各種定理的厚重學(xué)術(shù)三部曲(我搞定半個定理都夠嗆)，或是關(guān)于人工智能、數(shù)據(jù)科學(xué)魔法以及未來工作的天花亂墜的故事。
 

　　我決定寫一篇醞釀已久的文章，對那些想了解機(jī)器學(xué)習(xí)的人做一個簡單的介紹。不涉及高級原理，只用簡單的語言來談現(xiàn)實(shí)世界的問題和實(shí)際的解決方案。不管你是一名程序員還是管理者，都能看懂。
 

　　為什么我們想要機(jī)器去學(xué)習(xí)?
 

　　假如你想買輛車，你就要算出每月要存多少錢才付得起。瀏覽了網(wǎng)上的幾十個廣告之后，他了解到新車價格在2萬美元左右，用過1年的二手車價格是1.9萬美元，2年車就是1.8萬美元，依此類推。

　　作為聰明的分析師，你會發(fā)現(xiàn)一種規(guī)律：車的價格取決于車齡，每增加1年價格下降1000美元，但不會低于10000美元。
 

　　用機(jī)器學(xué)習(xí)的術(shù)語來說，你發(fā)明了“回歸”(regression)——基于已知的歷史數(shù)據(jù)預(yù)測了一個數(shù)值(價格)。當(dāng)人們試圖估算eBay上一部二手iPhone的合理價格或是計(jì)算一場燒烤聚會需要準(zhǔn)備多少肋排時，他們一直在用類似Billy的方法——每人200g? 500?
 

　　是的，如果能有一個簡單的公式來解決世界上所有的問題就好了——尤其是對于燒烤派對來說——不幸的是，這是不可能的。
 

　　讓我們回到買車的情形，現(xiàn)在的問題是，除了車齡外，它們還有不同的生產(chǎn)日期、數(shù)十種配件、技術(shù)條件、季節(jié)性需求波動……等等多種因素……普通人沒法在計(jì)算價格的時候把這些數(shù)據(jù)都考慮進(jìn)去，換任何人也同樣搞不定。
 

　　人們又懶又笨——我們需要機(jī)器人來幫他們做數(shù)學(xué)。因此，這里我們采用計(jì)算機(jī)的方法——給機(jī)器提供一些數(shù)據(jù)，讓它找出所有和價格有關(guān)的潛在規(guī)律。
 

　　這樣非常有效果。最令人興奮的是，相比于真人在頭腦中仔細(xì)分析所有的依賴因素，機(jī)器處理起來要好得多。
 

　　就這樣，機(jī)器學(xué)習(xí)誕生了。
 

　　機(jī)器學(xué)習(xí)的3個組成部分
 

　　拋開所有和人工智能(AI)有關(guān)的扯淡成分，機(jī)器學(xué)習(xí)唯一的目標(biāo)是基于輸入的數(shù)據(jù)來預(yù)測結(jié)果，就這樣。所有的機(jī)器學(xué)習(xí)任務(wù)都可以用這種方式來表示，否則從一開始它就不是個機(jī)器學(xué)習(xí)問題。
 

　　樣本越是多樣化，越容易找到相關(guān)聯(lián)的模式以及預(yù)測出結(jié)果。因此，我們需要3個部分來訓(xùn)練機(jī)器：
 

　　數(shù)據(jù)
 

　　想檢測垃圾郵件?獲取垃圾信息的樣本。想預(yù)測股票?找到歷史價格信息。想找出用戶偏好?分析他們在Facebook上的活動記錄(不，Mark，停止收集數(shù)據(jù)~已經(jīng)夠了)。數(shù)據(jù)越多樣化，結(jié)果越好。對于拼命運(yùn)轉(zhuǎn)的機(jī)器而言，至少也得幾十萬行數(shù)據(jù)才夠吧。
 

　　獲取數(shù)據(jù)有兩種主要途徑——手動或者自動。手動采集的數(shù)據(jù)混雜的錯誤少，但要耗費(fèi)更多的時間——通?；ㄙM(fèi)也更多。自動化的方法相對便宜，你可以搜集一切能找到的數(shù)據(jù)(但愿數(shù)據(jù)質(zhì)量夠好)。
 

　　一些像Google這樣聰明的家伙利用自己的用戶來為他們免費(fèi)標(biāo)注數(shù)據(jù)，還記得ReCaptcha(人機(jī)驗(yàn)證)強(qiáng)制你去“選擇所有的路標(biāo)”么?他們就是這樣獲取數(shù)據(jù)的，還是免費(fèi)勞動!干得漂亮。如果我是他們，我會更頻繁地展示這些驗(yàn)證圖片，不過，等等……

　　好的數(shù)據(jù)集真的很難獲取，它們是如此重要，以至于有的公司甚至可能開放自己的算法，但很少公布數(shù)據(jù)集。
 

　　特征
 

　　也可以稱為“參數(shù)”或者“變量”，比如汽車行駛公里數(shù)、用戶性別、股票價格、文檔中的詞頻等。換句話說，這些都是機(jī)器需要考慮的因素。
 

　　如果數(shù)據(jù)是以表格的形式存儲，特征就對應(yīng)著列名，這種情形比較簡單。但如果是100GB的貓的圖片呢?我們不能把每個像素都當(dāng)做特征。這就是為什么選擇適當(dāng)?shù)奶卣魍ǔ１葯C(jī)器學(xué)習(xí)的其他步驟花更多時間的原因，特征選擇也是誤差的主要來源。人性中的主觀傾向，會讓人去選擇自己喜歡或者感覺“更重要”的特征——這是需要避免的。
 

　　算法
 

　　最顯而易見的部分。任何問題都可以用不同的方式解決。你選擇的方法會影響到最終模型的準(zhǔn)確性、性能以及大小。需要注意一點(diǎn)：如果數(shù)據(jù)質(zhì)量差，即使采用最好的算法也無濟(jì)于事。這被稱為“垃圾進(jìn)，垃圾出”(garbae in - garbage out,GIGO)。所以，在把大量心思花到正確率之前，應(yīng)該獲取更多的數(shù)據(jù)。

　　學(xué)習(xí) V.S. 智能
 

　　我曾經(jīng)在一些流行媒體網(wǎng)站上看到一篇題為“神經(jīng)網(wǎng)絡(luò)是否會取代機(jī)器學(xué)習(xí)?”的文章。這些媒體人總是莫名其妙地把線性回歸這樣的技術(shù)夸大為“人工智能”，就差稱之為“天網(wǎng)”了。下圖展示了幾個容易混淆的概念之間的關(guān)系。
 

　　1)“人工智能”是整個學(xué)科的名稱，類似于“生物學(xué)”或“化學(xué)”。

　　2)“機(jī)器學(xué)習(xí)”是“人工智能”的重要組成部分，但不是唯一的部分。

　　3)“神經(jīng)網(wǎng)絡(luò)”是機(jī)器學(xué)習(xí)的一種分支方法，這種方法很受歡迎，不過機(jī)器學(xué)習(xí)大家庭下還有其他分支。

　　4)“深度學(xué)習(xí)”是關(guān)于構(gòu)建、訓(xùn)練和使用神經(jīng)網(wǎng)絡(luò)的一種現(xiàn)代方法。本質(zhì)上來講，它是一種新的架構(gòu)。在當(dāng)前實(shí)踐中，沒人會將深度學(xué)習(xí)和“普通網(wǎng)絡(luò)”區(qū)分開來，使用它們時需要調(diào)用的庫也相同。為了不讓自己看起來像個傻瓜，你最好直接說具體網(wǎng)絡(luò)類型，避免使用流行語。
 

　　一般原則是在同一水平上比較事物。這就是為什么“神經(jīng)網(wǎng)絡(luò)將取代機(jī)器學(xué)習(xí)”聽起來就像“車輪將取代汽車”。親愛的媒體們，這會折損一大截你們的聲譽(yù)哦。

　　機(jī)器學(xué)習(xí)世界的版圖
 

　　如果你懶得閱讀大段文字，下面這張圖有助于獲得一些認(rèn)識。

　　在機(jī)器學(xué)習(xí)的世界里，解決問題的方法從來不是唯一的——記住這點(diǎn)很重要——因?yàn)槟憧倳l(fā)現(xiàn)好幾個算法都可以用來解決某個問題，你需要從中選擇最適合的那個。當(dāng)然，所有的問題都可以用“神經(jīng)網(wǎng)絡(luò)”來處理，但是背后承載算力的硬件成本誰來負(fù)擔(dān)呢?
 

　　我們先從一些基礎(chǔ)的概述開始。目前機(jī)器學(xué)習(xí)主要有4個方向。
 

　　Part 1　　經(jīng)典機(jī)器學(xué)習(xí)算法
 

　　經(jīng)典機(jī)器學(xué)習(xí)算法源自1950年代的純統(tǒng)計(jì)學(xué)。統(tǒng)計(jì)學(xué)家們解決的是諸如尋找數(shù)字中的模式、估計(jì)數(shù)據(jù)點(diǎn)間的距離以及計(jì)算向量方向這樣的形式數(shù)學(xué)(formal math)問題。
 

　　今天，一半的互聯(lián)網(wǎng)都在研究這些算法。當(dāng)你看到一列“繼續(xù)閱讀”的文章，或者在某個偏僻的加油站發(fā)現(xiàn)自己的銀行卡被鎖定而無法使用時，很可能是其中的一個小家伙干的。
 

　　大型科技公司是神經(jīng)網(wǎng)絡(luò)的忠實(shí)擁躉。原因顯而易見，對于這些大型企業(yè)而言，2%的準(zhǔn)確率提升意味著增加20億的收入。但是公司業(yè)務(wù)體量小時，就沒那么重要了。我聽說有團(tuán)隊(duì)花了1年時間來為他們的電商網(wǎng)站開發(fā)新的推薦算法，事后才發(fā)現(xiàn)網(wǎng)站上99%的流量都來自搜索引擎——他們搞出來的算法毫無用處，畢竟大部分用戶甚至都不會打開主頁。
 

　　盡管經(jīng)典算法被廣泛使用，其實(shí)原理很簡單，你可以很容易地解釋給一個蹣跚學(xué)步的孩子聽。它們就像是基本的算術(shù)——我們每天都在用，甚至連想都不想。

　　1.1 有監(jiān)督學(xué)習(xí)
 

　　經(jīng)典機(jī)器學(xué)習(xí)通常分為兩類：有監(jiān)督學(xué)習(xí)(Supervised Learning)和無監(jiān)督學(xué)習(xí)(Unsupervised Learning)。
 

　　在“有監(jiān)督學(xué)習(xí)”中，有一個“監(jiān)督者”或者“老師”提供給機(jī)器所有的答案來輔助學(xué)習(xí)，比如圖片中是貓還是狗。“老師”已經(jīng)完成數(shù)據(jù)集的劃分——標(biāo)注“貓”或“狗”，機(jī)器就使用這些示例數(shù)據(jù)來學(xué)習(xí)，逐個學(xué)習(xí)區(qū)分貓或狗。
 

　　無監(jiān)督學(xué)習(xí)就意味著機(jī)器在一堆動物圖片中獨(dú)自完成區(qū)分誰是誰的任務(wù)。數(shù)據(jù)沒有事先標(biāo)注，也沒有“老師”，機(jī)器要自行找出所有可能的模式。后文再討論這些。
 

　　很明顯，有“老師”在場時，機(jī)器學(xué)的更快，因此現(xiàn)實(shí)生活中有監(jiān)督學(xué)習(xí)更常用到。有監(jiān)督學(xué)習(xí)分為兩類：
 

　　1)分類(classification)，預(yù)測一個對象所屬的類別;

　　2)回歸(regression)，預(yù)測數(shù)軸上的一個特定點(diǎn);
 

　　分類(Classification)
 

　　“基于事先知道的一種屬性來對物體劃分類別，比如根據(jù)顏色來對襪子歸類，根據(jù)語言對文檔分類，根據(jù)風(fēng)格來劃分音樂。”

　　分類算法常用于：
 

　　1)過濾垃圾郵件;

　　2)語言檢測;

　　3)查找相似文檔;

　　4)情感分析

　　5)識別手寫字母或數(shù)字

　　6)欺詐偵測
 

　　常用的算法：
 

　　1)樸素貝葉斯(Naive Bayes)

　　2)決策樹(Decision Tree)

　　3)Logistic回歸(Logistic Regression)

　　4)K近鄰(K-Nearest Neighbours)

　　5)支持向量機(jī)(Support Vector Machine)
 

　　機(jī)器學(xué)習(xí)主要解決“分類”問題。這臺機(jī)器好比在學(xué)習(xí)對玩具分類的嬰兒一樣：這是“機(jī)器人”，這是“汽車”，這是“機(jī)器-車”……額，等下，錯誤!錯誤!
 

　　在分類任務(wù)中，你需要一名“老師”。數(shù)據(jù)需要事先標(biāo)注好，這樣機(jī)器才能基于這些標(biāo)簽來學(xué)會歸類。一切皆可分類——基于興趣對用戶分類，基于語言和主題對文章分類(這對搜索引擎很重要)，基于類型對音樂分類(Spotify播放列表)，你的郵件也不例外。
 

　　樸素貝葉斯算法廣泛應(yīng)用于垃圾郵件過濾。機(jī)器分別統(tǒng)計(jì)垃圾郵件和正常郵件中出現(xiàn)的“偉哥”等字樣出現(xiàn)的頻次，然后套用貝葉斯方程乘以各自的概率，再對結(jié)果求和——哈，機(jī)器就完成學(xué)習(xí)了。
 

　　后來，垃圾郵件制造者學(xué)會了如何應(yīng)對貝葉斯過濾器——在郵件內(nèi)容后面添加很多“好”詞——這種方法被諷稱為“貝葉斯中毒”(Bayesian poisoning)。樸素貝葉斯作為最優(yōu)雅且是第一個實(shí)用的算法而載入歷史，不過現(xiàn)在有其他算法來處理垃圾郵件過濾問題。
 

　　再舉一個分類算法的例子。
 

　　假如現(xiàn)在你需要借一筆錢，那銀行怎么知道你將來是否會還錢呢?沒法確定。但是銀行有很多歷史借款人的檔案，他們擁有諸如“年齡”、“受教育程度”、“職業(yè)”、“薪水”以及——最重要的——“是否還錢”這些數(shù)據(jù)。
 

　　利用這些數(shù)據(jù)，我們可以訓(xùn)練機(jī)器找到其中的模式并得出答案。找出答案并不成問題，問題在于銀行不能盲目相信機(jī)器給出的答案。如果系統(tǒng)出現(xiàn)故障、遭遇黑客攻擊或者喝高了的畢業(yè)生剛給系統(tǒng)打了個應(yīng)急補(bǔ)丁，該怎么辦?
 

　　要處理這個問題，我們需要用到?jīng)Q策樹(Decision Trees)，所有數(shù)據(jù)自動劃分為“是/否”式提問——比如“借款人收入是否超過128.12美元?”——聽起來有點(diǎn)反人類。不過，機(jī)器生成這樣的問題是為了在每個步驟中對數(shù)據(jù)進(jìn)行最優(yōu)劃分。

　　“樹”就是這樣產(chǎn)生的。分支越高(接近根節(jié)點(diǎn))，問題的范圍就越廣。所有分析師都能接受這種做法并在事后給出解釋，即使他并不清楚算法是怎么回事，照樣可以很容易地解釋結(jié)果(典型的分析師啊)!
 

　　決策樹廣泛應(yīng)用于高責(zé)任場景：診斷、醫(yī)藥以及金融領(lǐng)域。
 

　　最廣為人知的兩種決策樹算法是 CART 和 C4.5.
 

　　如今，很少用到純粹的決策樹算法。不過，它們是大型系統(tǒng)的基石，決策樹集成之后的效果甚至比神經(jīng)網(wǎng)絡(luò)還要好。這個我們后面再說。
 

　　當(dāng)你在Google上搜索時，正是一堆笨拙的“樹”在幫你尋找答案。搜索引擎喜歡這類算法，因?yàn)樗鼈冞\(yùn)行速度夠快。
 

　　按理說，支持向量機(jī)(SVM) 應(yīng)該是最流行的分類方法。只要是存在的事物都可以用它來分類：對圖片中的植物按形狀歸類，對文檔按類別歸類等。
 

　　SVM背后的思想很簡單——它試圖在數(shù)據(jù)點(diǎn)之間繪制兩條線，并盡可能最大化兩條線之間的距離。如下圖示：

　　分類算法有一個非常有用的場景——異常檢測(anomaly detection)，如果某個特征無法分配到所有類別上，我們就把它標(biāo)出來。現(xiàn)在這種方法已經(jīng)用于醫(yī)學(xué)領(lǐng)域——MRI(磁共振成像)中，計(jì)算機(jī)會標(biāo)記檢測范圍內(nèi)所有的可疑區(qū)域或者偏差。股票市場使用它來檢測交易人的異常行為以此來找到內(nèi)鬼。在訓(xùn)練計(jì)算機(jī)分辨哪些事物是正確時，我們也自動教會其識別哪些事物是錯誤的。
 

　　經(jīng)驗(yàn)法則(rule of thumb)表明，數(shù)據(jù)越復(fù)雜，算法就越復(fù)雜。對于文本、數(shù)字、表格這樣的數(shù)據(jù)，我會選擇經(jīng)典方法來操作。這些模型較小，學(xué)習(xí)速度更快，工作流程也更清晰。對于圖片、視頻以及其他復(fù)雜的大數(shù)據(jù)，我肯定會研究神經(jīng)網(wǎng)絡(luò)。
 

　　就在5年前，你還可以找到基于SVM的人臉分類器。現(xiàn)在，從數(shù)百個預(yù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中挑選一個模型反而更容易。不過，垃圾郵件過濾器沒什么變化，它們還是用SVM編寫的，沒什么理由去改變它。甚至我的網(wǎng)站也是用基于SVM來過濾評論中的垃圾信息的。
 

　　回歸(Regression)
 

　　畫一條線穿過這些點(diǎn)，嗯~這就是機(jī)器學(xué)習(xí)

　　回歸算法目前用于：
 

　　1)股票價格預(yù)測

　　2)供應(yīng)和銷售量分析

　　3)醫(yī)學(xué)診斷

　　4)計(jì)算時間序列相關(guān)性
 

　　常見的回歸算法有：
 

　　1)線性回歸(Linear Regression)

　　2)多項(xiàng)式回歸(Polynomial Regression)
 

　　“回歸”算法本質(zhì)上也是“分類”算法，只不過預(yù)測的是不是類別而是一個數(shù)值。比如根據(jù)行駛里程來預(yù)測車的價格，估算一天中不同時間的交通量，以及預(yù)測隨著公司發(fā)展供應(yīng)量的變化幅度等。處理和時間相關(guān)的任務(wù)時，回歸算法可謂不二之選。
 

　　回歸算法備受金融或者分析行業(yè)從業(yè)人員青睞。它甚至成了Excel的內(nèi)置功能，整個過程十分順暢——機(jī)器只是簡單地嘗試畫出一條代表平均相關(guān)的線。不過，不同于一個拿著筆和白板的人，機(jī)器是通過計(jì)算每個點(diǎn)與線的平均間隔這樣的數(shù)學(xué)精確度來完成的這件事。

 

　　如果畫出來的是直線，那就是“線性回歸”，如果線是彎曲的，則是“多項(xiàng)式回歸”。它們是回歸的兩種主要類型。其他類型就比較少見了。不要被Logistics回歸這個“害群之馬”忽悠了，它是分類算法，不是回歸。
 

　　不過，把“回歸”和“分類”搞混也沒關(guān)系。一些分類器調(diào)整參數(shù)后就變成回歸了。除了定義對象的類別外，還要記住對象有多么的接近該類別，這就引出了回歸問題。

　　
　　1.2 無監(jiān)督學(xué)習(xí)
 

　　無監(jiān)督學(xué)習(xí)比有監(jiān)督學(xué)習(xí)出現(xiàn)得稍晚——在上世紀(jì)90年代，這類算法用的相對較少，有時候僅僅是因?yàn)闆]得選才找上它們。
 

　　有標(biāo)注的數(shù)據(jù)是很奢侈的。假設(shè)現(xiàn)在我要創(chuàng)建一個——比如說“公共汽車分類器”，那我是不是要親自去街上拍上幾百萬張?jiān)撍赖墓财嚨恼掌?，然后還得把這些圖片一一標(biāo)注出來?沒門，這會花費(fèi)我畢生時間，我在Steam上還有很多游戲沒玩呢。
 

　　這種情況下還是要對資本主義抱一點(diǎn)希望，得益于社會眾包機(jī)制，我們可以得到數(shù)百萬便宜的勞動力和服務(wù)。比如Mechanical Turk[2]，背后是一群隨時準(zhǔn)備為了獲得0.05美元報(bào)酬來幫你完成任務(wù)的人。事情通常就是這么搞定的。
 

　　或者，你可以嘗試使用無監(jiān)督學(xué)習(xí)。但是印象中，我不記得有什么關(guān)于它的最佳實(shí)踐。無監(jiān)督學(xué)習(xí)通常用于探索性數(shù)據(jù)分析(exploratory data analysis)，而不是作為主要的算法。那些擁有牛津大學(xué)學(xué)位且經(jīng)過特殊訓(xùn)練的人給機(jī)器投喂了一大堆垃圾然后開始觀察：有沒有聚類呢?沒有?？梢钥吹揭恍┞?lián)系嗎?沒有。好吧，接下來，你還是想從事數(shù)據(jù)科學(xué)工作的，對吧?
 

　　聚類(Clustering)
 

　　機(jī)器會選擇最好的方式，基于一些未知的特征將事物區(qū)分開來。

　　聚類算法目前用于：
 

　　1)市場細(xì)分(顧客類型，忠誠度)

　　2)合并地圖上鄰近的點(diǎn)

　　3)圖像壓縮

　　4)分析和標(biāo)注新的數(shù)據(jù)

　　5)檢測異常行為
 

　　常見算法：
 

　　1)K均值聚類

　　2)Mean-Shift

　　3)DBSCAN
 

　　聚類是在沒有事先標(biāo)注類別的前提下來進(jìn)行類別劃分。好比你記不住所有襪子的顏色時照樣可以對襪子進(jìn)行分類。聚類算法試圖找出相似的事物(基于某些特征)，然后將它們聚集成簇。那些具有很多相似特征的對象聚在一起并劃分到同一個類別。有的算法甚至支持設(shè)定每個簇中數(shù)據(jù)點(diǎn)的確切數(shù)量。
 

　　這里有個示范聚類的好例子——在線地圖上的標(biāo)記。當(dāng)你尋找周圍的素食餐廳時，聚類引擎將它們分組后用帶數(shù)字的氣泡展示出來。不這么做的話，瀏覽器會卡住——因?yàn)樗噲D將這個時尚都市里所有的300家素食餐廳繪制到地圖上。
 

　　Apple Photos和Google Photos用的是更復(fù)雜的聚類方式。通過搜索照片中的人臉來創(chuàng)建你朋友們的相冊。應(yīng)用程序并不知道你有多少朋友以及他們的長相，但是仍可以從中找到共有的面部特征。這是很典型的聚類。
 

　　另一個常見的應(yīng)用場景是圖片壓縮。當(dāng)圖片保存為PNG格式時，可以將色彩設(shè)置為32色。這就意味著聚類算法要找出所有的“紅色”像素，然后計(jì)算出“平均紅色”，再將這個均值賦給所有的紅色像素點(diǎn)上。顏色更少，文件更小——劃算!
 

　　但是，遇到諸如 藍(lán)綠 這樣的顏色時就麻煩了。這是綠色還是藍(lán)色?此時就需要K-Means算法出場啦。
 

　　先隨機(jī)從色彩中選出32個色點(diǎn)作為“簇心”，剩余的點(diǎn)按照最近的簇心進(jìn)行標(biāo)記。這樣我們就得到了圍繞著32個色點(diǎn)的“星團(tuán)”。接著我們把簇心移動到“星團(tuán)”的中心，然后重復(fù)上述步驟知道簇心不再移動為止。
 

　　完工。剛好聚成32個穩(wěn)定的簇形。
 

　　給大家看一個現(xiàn)實(shí)生活中的例子：
 

　　尋找簇心這種方法很方便，不過，現(xiàn)實(shí)中的簇并不總是圓形的。假如你是一名地質(zhì)學(xué)家，現(xiàn)在需要在地圖上找出一些類似的礦石。這種情形下，簇的形狀會很奇怪，甚至是嵌套的。甚至你都不知道會有多少個簇，10個?100個?
 

　　K-means算法在這里就派不上用場了，但是DBSCAN算法用得上。我們把數(shù)據(jù)點(diǎn)比作廣場上的人，找到任何相互靠近的3個人請他們手拉手。接下來告訴他們抓住能夠到的鄰居的手(整個過程人的站立位置不能動)，重復(fù)這個步驟，直到新的鄰居加入進(jìn)來。這樣我們就得到了第一個簇，重復(fù)上述過程直到每個人都被分配到簇，搞定。
 

　　一個意外收獲：一個沒有人牽手的人——異常數(shù)據(jù)點(diǎn)。
 

　　整個過程看起來很酷。

　　有興趣繼續(xù)了解下聚類算法?
 

　　就像分類算法一樣，聚類可以用來檢測異常。用戶登陸之后的有不正常的操作?讓機(jī)器暫時禁用他的賬戶，然后創(chuàng)建一個工單讓技術(shù)支持人員檢查下是什么情況。說不定對方是個“機(jī)器人”。我們甚至不必知道“正常的行為”是什么樣，只需把用戶的行為數(shù)據(jù)傳給模型，讓機(jī)器來決定對方是否是個“典型的”用戶。
 

　　這種方法雖然效果不如分類算法那樣好，但仍值得一試。
 

　　降維(Dimensionality Reduction)
 

　　“將特定的特征組裝成更高級的特征 ”
 

　　“降維”算法目前用于：
 

　　1)推薦系統(tǒng)

　　2)漂亮的可視化

　　3)主題建模和查找相似文檔

　　4)假圖識別

　　5)風(fēng)險管理
 

　　常用的“降維”算法：
 

　　1)主成分分析(Principal Component Analysis ,PCA)

　　2)奇異值分解(Singular Value Decomposition ,SVD)

　　3)潛在狄里克雷特分配( Latent Dirichlet allocation, LDA)

　　4)潛在語義分析( Latent Semantic Analysis ,LSA, pLSA, GLSA),

　　5)t-SNE (用于可視化)
 

　　早年間，“硬核”的數(shù)據(jù)科學(xué)家會使用這些方法，他們決心在一大堆數(shù)字中發(fā)現(xiàn)“有趣的東西”。Excel圖表不起作用時，他們迫使機(jī)器來做模式查找的工作。于是他們發(fā)明了降維或者特征學(xué)習(xí)的方法。

　　將2D數(shù)據(jù)投影到直線上(PCA)
 

　　對人們來說，相對于一大堆碎片化的特征，抽象化的概念更加方便。舉個例子，我們把擁有三角形的耳朵、長長的鼻子以及大尾巴的狗組合出“牧羊犬”這個抽象的概念。相比于特定的牧羊犬，我們的確丟失了一些信息，但是新的抽象概念對于需要命名和解釋的場景時更加有用。作為獎勵，這類“抽象的”模型學(xué)習(xí)速度更快，訓(xùn)練時用到的特征數(shù)量也更少，同時還減少了過擬合。
 

　　這些算法在“主題建模”的任務(wù)中能大顯身手。我們可以從特定的詞組中抽象出他們的含義。潛在語義分析(LSA)就是搞這個事情的，LSA基于在某個主題上你能看到的特定單詞的頻次。比如說，科技文章中出現(xiàn)的科技相關(guān)的詞匯肯定更多些，或者政治家的名字大多是在政治相關(guān)的新聞上出現(xiàn)，諸如此類。
 

　　我們可以直接從所有文章的全部單詞中來創(chuàng)建聚類，但是這么做就會丟失所有重要的連接(比如，在不同的文章中battery 和 accumulator的含義是一樣的)，LSA可以很好地處理這個問題，所以才會被叫做“潛在語義”(latent semantic)。
 

　　因此，需要把單詞和文檔連接組合成一個特征，從而保持其中的潛在聯(lián)系——人們發(fā)現(xiàn)奇異值分解(SVD)能解決這個問題。那些有用的主題簇很容易從聚在一起的詞組中看出來。

　　推薦系統(tǒng)和協(xié)同過濾是另一個高頻使用降維算法的領(lǐng)域。如果你用它從用戶的評分中提煉信息，你就會得到一個很棒的系統(tǒng)來推薦電影、音樂、游戲或者你想要的任何東西。
 

　　要完全理解這種機(jī)器上的抽象幾乎不可能，但可以留心觀察一些相關(guān)性：有些抽象概念和用戶年齡相關(guān)——小孩子玩“我的世界”或者觀看卡通節(jié)目更多，其他則可能和電影風(fēng)格或者用戶愛好有關(guān)。
 

　　僅僅基于用戶評分這樣的信息，機(jī)器就能找出這些高等級的概念，甚至不用去理解它們。
 

　　關(guān)聯(lián)規(guī)則學(xué)習(xí)(Association rule learning)
 

　　“在訂單流水中查找模式”

　　“關(guān)聯(lián)規(guī)則”目前用于：
 

　　1)預(yù)測銷售和折扣

　　2)分析“一起購買”的商品

　　3)規(guī)劃商品陳列

　　4)分析網(wǎng)頁瀏覽模式
 

　　常用的算法：
 

　　1)Apriori

　　2)Euclat

　　3)FP-growth
 

　　用來分析購物車、自動化營銷策略以及其他事件相關(guān)任務(wù)的算法都在這兒了。如果你想從某個物品序列中發(fā)現(xiàn)一些模式，試試它們吧。
 

　　比如說，一位顧客拿著一提六瓶裝的啤酒去收銀臺。我們應(yīng)該在結(jié)賬的路上擺放花生嗎?人們同時購買啤酒和花生的頻次如何?是的，關(guān)聯(lián)規(guī)則很可能適用于啤酒和花生的情形，但是我們還可以用它來預(yù)測其他哪些序列? 能否做到在商品布局上的作出微小改變就能帶來利潤的大幅增長?
 

　　這個思路同樣適用電子商務(wù)，那里的任務(wù)更加有趣——顧客下次要買什么?
 

　　不知道為啥規(guī)則學(xué)習(xí)在機(jī)器學(xué)習(xí)的范疇內(nèi)似乎很少提及。經(jīng)典方法是在對所有購買的商品進(jìn)行正面檢查的基礎(chǔ)上套用樹或者集合方法。算法只能搜索模式，但沒法在新的例子上泛化或再現(xiàn)這些模式。
 

　　現(xiàn)實(shí)世界中，每個大型零售商都會建立了自己專屬的解決方案，所以這里不會為你帶來革命。機(jī)器學(xué)習(xí)是什么提及的最高水平的技術(shù)就是推薦系統(tǒng)。

　　第2部分。強(qiáng)化學(xué)習(xí)
 

　　“將機(jī)器人扔進(jìn)迷宮，讓它找到出口”
 

　　如今用于：

　　1)自動駕駛汽車

　　2)機(jī)器人吸塵器

　　3)游戲類

　　4)自動交易

　　5)企業(yè)資源管理
 

　　流行算法：Q-Learning，SARSA，DQN，A3C
 

　　遺傳算法最后，我們得到了看起來像真正的人工智能的東西。在很多文章中，強(qiáng)化學(xué)習(xí)被置于有監(jiān)督和無監(jiān)督學(xué)習(xí)之間。他們沒有共同點(diǎn)!是因?yàn)槊謫崛绻膯栴}根本與數(shù)據(jù)無關(guān)，但您有居住的環(huán)境，則可以使用強(qiáng)化學(xué)習(xí)。例如，視頻游戲世界或無人駕駛汽車城市。世界上所有道路規(guī)則的知識都不會教自動駕駛儀如何在道路上行駛。
 

　　無論我們收集了多少數(shù)據(jù)，我們?nèi)匀粺o法預(yù)見所有可能的情況。這就是為什么其目標(biāo)是最大程度地減少錯誤，而不是預(yù)測所有動作。在環(huán)境中生存是強(qiáng)化學(xué)習(xí)的核心思想。將可憐的小機(jī)器人扔進(jìn)現(xiàn)實(shí)生活中，對它的錯誤進(jìn)行懲罰，并為正確的行為予以獎勵。我們教孩子的方式也一樣吧?這是更有效的方法-建立虛擬城市，讓自動駕駛汽車首先從那里學(xué)習(xí)所有技巧。這就是我們現(xiàn)在訓(xùn)練自動駕駛儀的方式。
 

　　根據(jù)真實(shí)地圖創(chuàng)建虛擬城市，并擠滿行人，讓汽車學(xué)會殺死盡可能少的人。當(dāng)機(jī)器人對這種人工GTA充滿信心時，就可以在真實(shí)街道上進(jìn)行測試了。好玩!可能有兩種不同的方法-基于模型的方法和無模型的方法?；谀Ｐ偷囊馑际瞧囆枰涀〉貓D或其零件。這是一種非常過時的方法，因?yàn)榭蓱z的自動駕駛汽車不可能記住整個星球。
 

　　在無模型學(xué)習(xí)中，汽車不會記住所有動作，而是試圖概括情況并理性地行動，同時獲得最大的回報(bào)。
 

　　還記得有關(guān)AI在圍棋比賽中擊敗頂級玩家的新聞嗎?盡管不久之前，事實(shí)證明該游戲中組合的數(shù)量大于宇宙中原子的數(shù)量。這意味著機(jī)器無法記住所有組合，因此贏得了圍棋(就像國際象棋一樣)。在每個轉(zhuǎn)彎處，它只是簡單地為每種情況選擇了最佳舉動，并且其表現(xiàn)足以勝過人類的肉袋。這種方法是Q學(xué)習(xí)及其衍生產(chǎn)品(SARSA和DQN)背后的核心概念。名稱中的“ Q”代表“質(zhì)量”，因?yàn)闄C(jī)器人學(xué)會了在每種情況下執(zhí)行最“定性”的動作，并且所有情況都被記憶為簡單的馬爾可夫過程。

　　這樣的機(jī)器可以在虛擬環(huán)境中測試數(shù)十億種情況，并記住哪些解決方案可以帶來更大的回報(bào)。但是，如何將以前看到的情況與全新的情況區(qū)分開呢?如果無人駕駛汽車位于道路交叉口且交通信號燈變?yōu)榫G色，這是否意味著它現(xiàn)在可以行駛了?如果有一輛救護(hù)車沖過附近的街道怎么辦?今天的答案是“沒人知道”。沒有簡單的答案。研究人員一直在尋找它，但同時只能找到解決方法。有些人會手動對所有情況進(jìn)行硬編碼，以使它們解決特殊情況，例如手推車問題。其他人會更深入，讓神經(jīng)網(wǎng)絡(luò)來解決這個問題。這引導(dǎo)我們發(fā)展了稱為深度Q網(wǎng)絡(luò)(DQN)的Q學(xué)習(xí)。但是它們也不是靈丹妙藥。強(qiáng)化學(xué)習(xí)對于一個普通人來說就像一個真正的人工智能。因?yàn)樗鼓械酵郏栽摍C(jī)器可以在現(xiàn)實(shí)生活中做出決策!這個話題現(xiàn)在被大肆宣傳，它以驚人的速度前進(jìn)，并且與神經(jīng)網(wǎng)絡(luò)相交以更精確地清潔地板。驚人的技術(shù)世界!
 

　　題外話。當(dāng)我還是一個學(xué)生時，遺傳算法(鏈接具有很酷的可視化效果)真的很流行。這是關(guān)于將一??堆機(jī)器人扔到一個環(huán)境中，并使其嘗試達(dá)到目標(biāo)直至死亡。然后，我們選擇最佳基因，進(jìn)行雜交，突變一些基因，然后重新運(yùn)行模擬。經(jīng)過數(shù)十億年，我們將得到一個智能生物。大概。最好的進(jìn)化。遺傳算法被認(rèn)為是強(qiáng)化學(xué)習(xí)的一部分，并且其最重要的特征已通過十年的實(shí)踐證明：沒有人對此表示懷疑。人類仍然無法提出比其他方法更有效的任務(wù)。但是它們非常適合學(xué)生實(shí)驗(yàn)，讓人們無需過多的工作就可以使他們的大學(xué)主管對“人工智能”感到興奮。youtube也會喜歡它。
 

　　第3部分。集合方法
 

　　“一群愚蠢的樹，學(xué)習(xí)彼此糾正錯誤”如今用于：

　　1)符合經(jīng)典算法方法的所有內(nèi)容(但效果更好)

　　2)搜索系統(tǒng)(★)

　　3)計(jì)算機(jī)視覺

　　4)物體檢測
 

　　流行算法：隨機(jī)森林，梯度提升第4部分。神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)“我們有一個千層網(wǎng)絡(luò)，數(shù)十個視頻卡，但仍然不知道在哪里使用它。讓我們生成貓的照片!”今天用于：


　　1)替換以上所有算法

　　2)照片和視頻上的物體識別

　　3)語音識別與合成

　　4)圖像處理，樣式轉(zhuǎn)換

　　5)機(jī)器翻譯
 

　　流行的體系結(jié)構(gòu)：Perceptron，卷積網(wǎng)絡(luò)(CNN)，遞歸網(wǎng)絡(luò)(RNN)
 

　　自動編碼器結(jié)局：什么時候與機(jī)器打仗?這里的主要問題是“何時機(jī)器會比我們更智能并奴役所有人?”這一問題。最初是錯誤的。其中有太多隱藏的條件。我們說“變得比我們聰明”，就好像我們有一定的統(tǒng)一智力規(guī)模。它的頂部是人類，狗的位置略低，愚蠢的鴿子在底部徘徊。錯了如果是這種情況，每個人都必須在所有事物中擊敗動物，但事實(shí)并非如此。普通的松鼠可以記住一千個帶螺母的隱藏地方-我什至不記得我的鑰匙在哪里。
 

　　那么，智力是一組不同的技能，而不是一個可衡量的價值嗎?還是記得在智能中不包括那些藏匿堅(jiān)果的地點(diǎn)?對我來說，一個更有趣的問題-我們?yōu)槭裁凑J(rèn)為人腦的可能性有限?互聯(lián)網(wǎng)上有許多流行的圖形，其中的技術(shù)進(jìn)步是指數(shù)式的，人類的可能性是不變的。但是嗎?好的，您現(xiàn)在就可以將1680乘以950。我知道你什至不會嘗試，懶蛋。但是給您一個計(jì)算器-您將在兩秒鐘內(nèi)完成。這是否意味著計(jì)算器只是擴(kuò)展了您的大腦功能?如果是，我可以繼續(xù)使用其他計(jì)算機(jī)進(jìn)行擴(kuò)展嗎?例如，在手機(jī)中使用筆記以不記得大量的數(shù)據(jù)嗎?哦，好像我現(xiàn)在正在做。