| 一文看懂机器学习“3种学习方法+7个实操步骤+15种常见算法” | 您所在的位置：网站首页 › 实验的几大步骤 › 一文看懂机器学习“3种学习方法+7个实操步骤+15种常见算法” |
一文看懂机器学习“3种学习方法+7个实操步骤+15种常见算法”
|
HomeAI 知识库AI 算法
机器学习 – machine learning | ML
文章目录
1956 年提出 AI 概念，短短3年后（1959） Arthur Samuel 就提出了机器学习的概念： Field of study that gives computers the ability to learn without being explicitly programmed. 机器学习研究和构建的是一种特殊算法（而非某一个特定的算法），能够让计算机自己在数据中学习从而进行预测。 所以，机器学习不是某种具体的算法，而是很多算法的统称。 机器学习包含了很多种不同的算法，深度学习就是其中之一，其他方法包括决策树，聚类，贝叶斯等。 深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。 不管是机器学习还是深度学习，都属于人工智能（AI）的范畴。所以人工智能、机器学习、深度学习可以用下面的图来表示： 
人工智能、机器学习、深度学习的关系
详细了解人工智能：《“2019更新”什么是人工智能？（AI的本质+发展史+局限性）》 详细了解深度学习：《一文看懂深度学习（白话解释+8个优缺点+4个典型算法）》
什么是机器学习？ 在解释机器学习的原理之前，先把最精髓的基本思路介绍给大家，理解了机器学习最本质的东西，就能更好的利用机器学习，同时这个解决问题的思维还可以用到工作和生活中。 机器学习的基本思路 把现实生活中的问题抽象成数学模型，并且很清楚模型中不同参数的作用 利用数学方法对这个数学模型进行求解，从而解决现实生活中的问题 评估这个数学模型，是否真正的解决了现实生活中的问题，解决的如何？无论使用什么算法，使用什么样的数据，最根本的思路都逃不出上面的3步！ 
机器学习的基本思路
当我们理解了这个基本思路，我们就能发现： 不是所有问题都可以转换成数学问题的。那些没有办法转换的现实问题 AI 就没有办法解决。同时最难的部分也就是把现实问题转换为数学问题这一步。
机器学习的原理 下面以监督学习为例，给大家讲解一下机器学习的实现原理。 假如我们正在教小朋友识字（一、二、三）。我们首先会拿出3张卡片，然后便让小朋友看卡片，一边说“一条横线的是一、两条横线的是二、三条横线的是三”。
不断重复上面的过程，小朋友的大脑就在不停的学习。
当重复的次数足够多时，小朋友就学会了一个新技能——认识汉字：一、二、三。
我们用上面人类的学习过程来类比机器学习。机器学习跟上面提到的人类学习过程很相似。 上面提到的认字的卡片在机器学习中叫——训练集 上面提到的“一条横线，两条横线”这种区分不同汉字的属性叫——特征 小朋友不断学习的过程叫——建模 学会了识字后总结出来的规律叫——模型通过训练集，不断识别特征，不断建模，最后形成有效的模型，这个过程就叫“机器学习”！
监督学习、非监督学习、强化学习 机器学习根据训练方法大致可以分为3大类： 监督学习 非监督学习 强化学习除此之外，大家可能还听过“半监督学习”之类的说法，但是那些都是基于上面3类的变种，本质没有改变。
监督学习 监督学习是指我们给算法一个数据集，并且给定正确答案。机器通过数据来学习正确答案的计算方法。 举个栗子： 我们准备了一大堆猫和狗的照片，我们想让机器学会如何识别猫和狗。当我们使用监督学习的时候，我们需要给这些照片打上标签。 
将打好标签的照片用来训练
我们给照片打的标签就是“正确答案”，机器通过大量学习，就可以学会在新照片中认出猫和狗。 
当机器遇到新的小狗照片时就能认出他
这种通过大量人工打标签来帮助机器学习的方式就是监督学习。这种学习方式效果非常好，但是成本也非常高。 了解更多关于 监督学习
非监督学习 非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。 举个栗子： 我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。 
将不打标签的照片给机器
通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别： 非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了 A、B 两类。 
机器可以将猫和狗分开，但是并不知道哪个是猫，哪个是狗
了解更多关于 非监督学习
强化学习 强化学习更接近生物学习的本质，因此有望获得更高的智能。它关注的是智能体如何在环境中采取一系列行为，从而获得最大的累积回报。通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。 最典型的场景就是打游戏。 2019年1月25日，AlphaStar（Google 研发的人工智能程序，采用了强化学习的训练方式） 完虐星际争霸的职业选手职业选手“TLO”和“MANA”。新闻链接 了解更多关于 强化学习机器学习实操的7个步骤 通过上面的内容，我们对机器学习已经有一些模糊的概念了，这个时候肯定会特别好奇：到底怎么使用机器学习？ 机器学习在实际操作层面一共分为7步： 收集数据 数据准备 选择一个模型 训练 评估 参数调整 预测（开始使用）
机器学习的7个步骤
假设我们的任务是通过酒精度和颜色来区分红酒和啤酒，下面详细介绍一下机器学习中每一个步骤是如何工作的。 
案例目标：区分红酒和啤酒
步骤1：收集数据 我们在超市买来一堆不同种类的啤酒和红酒，然后再买来测量颜色的光谱仪和用于测量酒精度的设备。 这个时候，我们把买来的所有酒都标记出他的颜色和酒精度，会形成下面这张表格。 颜色 酒精度 种类 610 5 啤酒 599 13 红酒 693 14 红酒 … … …这一步非常重要，因为数据的数量和质量直接决定了预测模型的好坏。
步骤2：数据准备 在这个例子中，我们的数据是很工整的，但是在实际情况中，我们收集到的数据会有很多问题，所以会涉及到数据清洗等工作。 当数据本身没有什么问题后，我们将数据分成3个部分：训练集（60%）、验证集（20%）、测试集（20%），用于后面的验证和评估工作。 
数据要分为3个部分：训练集、验证集、测试集
关于数据准备部分，还有非常多的技巧，感兴趣的可以看看《AI 数据集最常见的6大问题（附解决方案）》
步骤3：选择一个模型 研究人员和数据科学家多年来创造了许多模型。有些非常适合图像数据，有些非常适合于序列（如文本或音乐），有些用于数字数据，有些用于基于文本的数据。 在我们的例子中，由于我们只有2个特征，颜色和酒精度，我们可以使用一个小的线性模型，这是一个相当简单的模型。
步骤4：训练 大部分人都认为这个是最重要的部分，其实并非如此~ 数据数量和质量、还有模型的选择比训练本身重要更多（训练知识台上的3分钟，更重要的是台下的10年功）。 这个过程就不需要人来参与的，机器独立就可以完成，整个过程就好像是在做算术题。因为机器学习的本质就是将问题转化为数学问题，然后解答数学题的过程。
步骤5：评估 一旦训练完成，就可以评估模型是否有用。这是我们之前预留的验证集和测试集发挥作用的地方。评估的指标主要有 准确率、召回率、F值。 这个过程可以让我们看到模型如何对尚未看到的数是如何做预测的。这意味着代表模型在现实世界中的表现。
步骤6：参数调整 完成评估后，您可能希望了解是否可以以任何方式进一步改进训练。我们可以通过调整参数来做到这一点。当我们进行训练时，我们隐含地假设了一些参数，我们可以通过认为的调整这些参数让模型表现的更出色。
步骤7：预测 我们上面的6个步骤都是为了这一步来服务的。这也是机器学习的价值。这个时候，当我们买来一瓶新的酒，只要告诉机器他的颜色和酒精度，他就会告诉你，这时啤酒还是红酒了。
YouTube 上有一个视频介绍了这7个步骤 The 7 Steps of Machine Learning（需要科学上网） 15种经典机器学习算法 ner“> 算法 训练方式 线性回归 监督学习 逻辑回归 监督学习 线性判别分析 监督学习 决策树 监督学习 朴素贝叶斯 监督学习 K邻近 监督学习 学习向量量化 监督学习 支持向量机 监督学习 随机森林 监督学习 AdaBoost 监督学习 高斯混合模型 非监督学习 限制波尔兹曼机 非监督学习 K-means 聚类 非监督学习 最大期望算法 非监督学习
百度百科+维基百科 百度百科版本 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 查看详情 维基百科版本 机器学习是利用计算机算法和统计模型是计算机系统使用，逐步提高完成特定任务的能力。 机器学习建立样本数据的数学模型，称为“ 训练数据 ”，以便在不明确编程以执行任务的情况下进行预测或决策。机器学习算法用于电子邮件过滤，网络入侵者检测和计算机视觉的应用，开发用于执行任务的特定指令的算法是不可行的。机器学习与计算统计密切相关，计算统计侧重于使用计算机进行预测。数学优化的研究为机器学习领域提供了方法，理论和应用领域。数据挖掘是机器学习中的一个研究领域，侧重于通过无监督学习进行探索性数据分析。在跨业务问题的应用中，机器学习也被称为预测分析。 查看详情 补充资料2：优质扩展阅读 拓展视野类文章（11） 统计学和机器学习到底有什么区别？（2019-4） 可解释的机器学习（2019-4） 机器学习不是统计学！这篇文章终于把真正区别讲清楚了（2019-4） 小样本学习（Few-shot Learning）综述（2019-4） Quora上的大牛们最喜欢哪种机器学习算法?（2019-3） 独家解读！阿里重磅发布机器学习平台PAI 3.0（2019-3） 计算性能提升100倍！Uber推出机器学习可视化调试工具Manifold 机器学习领域，史上引用次数最多的论文 Top 10 行业前沿：AutoML会成为机器学习世界的主流吗？ 入坑机器学习，你首先得知道这十个知识点… 实践类文章（4）写给机器学习从业者的12条宝贵建议（2019-4） 整理一些机器学习入门方法和资料（2019-3-22） 干货|模型评估方法基础总结 深度解析机器学习系统的八大坑 相关资源（15）吐血整理！这可能是最全的机器学习工具手册（2019-5） 谷歌开源大规模神经网络模型高效训练库 GPipe（2019-3） “公开课视频”一次性掌握机器学习基础知识脉络 “书籍”《python机器学习》 “书籍”《Scikit-Learn与TensorFlow机器学习实用指南》 “教程”机器学习 100 天（入门推荐） “教程”吴恩达的在线视频课程——机器学习 “谷歌研究总监推荐”100页看完机器学习 “教程”李宏毅主页（大量视频教程+资料） “教程”Google的机器学习速成课（需要科学上网） “教程”亚马逊的机器学习课程 “教程”微软的机器学习课程 “付费课程”机器学习40讲——极客时间 “资源”2018年10大机器学习开源项目 总结机器学习优质学习文章Top50！ 2018年12月28日 by 打不死的小强 Updated: 2022年8月15日 AI 算法, 机器学习 机器学习, 深度学习Thanks for your rating! You have already rated this article An error occured, please try again later Was This Article Helpful? |
【本文地址】