机器学习（01）——机器学习简介

最近在研究机器学习，随手将学习的过程记录下来，方面自己的学习与回顾

1. 机器学习是什么？

机器学习(Machine Learning，ML)是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的一门科学技术。

它使用计算机技术，应用微积分、概率论、统计学、逼近论、凸分析、算法等多种不同的理论与学科，针对分析目标建立有针对性的数据模型，通过对过往历史数据的学习（分类、回归、聚类等），完成基本算法模型，并能通过后续持续的学习（数据输入），在将杂乱的数据转换（输出）成有用信息的同时，还能不断优化改造自身。

2. 机器学习能解决什么问题？

对于学习，人的学习过程，是通过观察（输入），根据过往经验对观察到的内容进行思考（处理），最后得出结论（输出）的过程。

而机器学习是计算机利用已有的数据（一般是海量数据），得出了某种模型（算法模型），并利用此模型预测未来的一种方法。

机器学习主要解决的问题可以归纳为：优化，预测，相关性。可以说，只要是涉及到优化，预测，个性化相关的问题，机器学习和深度学习都可以处理。

比如说，我们去买百香果吃，我们没有买百香果的经验，不知道那些是甜的那些是酸的，然后我们买了一大堆回来，有大的、小的、轻的、重的、红的、紫的、白的、黄的、果皮光滑的、干皱的...然后每一个都尝一便，最后发现，百香果原来有两大类，紫红和黄白两类，紫红类的，果皮越深（越紫越黑）的越甜，黄白类的越黄越甜，跟大小无关，跟果皮的光滑度无关，而同样大小，越重的果汁越多。黄白类的比紫红类的果子甜度更高一些。那么下次去买的时候，自然就懂得如何挑选了。

而机器学习跟买水果的过程类似，通过建模（对水果甜度的判断）、设计策略（针对百香果不同的形状特性）和算法（品尝百香果，得出酸甜结论），然后输入大量数据（一大堆不同种类与特征的百香果）进行训练，最后学会判断的过程（知道什么类型的百香果比较甜）。模型建好后，就可以针对更多的数据进行测试并输出结果（下次去买水果直接挑选学习后的水果类型，可以直接根据特征判断酸甜度），而这些结果也将不断的修正模型（买回来后继续品尝，观察酸甜度，继续总结经验，调整判断方法），提升模型的准确率，更好的帮我们预测数据。

当前，机器学习广泛应用于搜索引擎、垃圾邮件处理、广告推荐、数据挖掘、图像识别、自然语言处理、生物特征识别、医学诊断、证券投资分析、DNA序列测序、语音和手写识别、机器人运用等诸多领域，且应用的领域越来越广泛。

3. 学习机器学习，需要具备什么能力？

入门学习机器学习，只需要掌握下面这些能力：

• 了解一些数学基础常识
• 掌握一门编程语言（最好是python）

对于入门来说，不一定要具备了所有的数学理论基础才能开始，不具备这些知识并不代表不能灵活操作各个机器学习库，只是有些算法的理解会更困难。这些基础理论在后续需要慢慢补上，它们关系到你在AI领域天花板的高度。而直接从实践入手，会更容易理解算法，对后续算法的深入学习也有很大的帮助。

而想进阶成为专家，除了需要加强数学基础理论（高数、线性代数、统计学、概率论、信息论等数学基础）的学习外，还需要学习大数据相关的知识与技能（如：Hadoop、HBase、Spark、kafka、Flume、Sqoop、Storm等）。然后根据发展方向，有针对性的学习NLP、神经网络等内容，往更多更专业的领域深入学习。

4. 怎么学？

学习机器学习，需要分阶段循序渐进学习，尽量不要一下子就深入算法的推导中（除非你的数学理论非常扎实），不要试图掌握所有的相关数学知识再开始学习，否则很容易从入门到崩溃，从崩溃到放弃。

对于初学者，建议从这几方面来学习：

1. 首先了解什么是机器学习，以及机器学习的相关理论常识，对机器学习有个总体的了解与认识。
2. 知道有哪些学习资源，了解这些资源哪些适合初学者。
3. 大体了解机器学习的技术栈，了解涉及哪些知识体系，然后与自己的技术体系进行比较，了解学习方向，并做好长期学习的计划与心态。
4. 然后花些时间，了解机器学习的常用专业术语，大概了解这些专业名词的意思，方便后续学习时更容易理解学习内容（不需要全部了解，只需要大体知道是什么就行了，在学习机器学习的过程中会不断的加深学习与理解）。
5. 接着直接进入学习，可以学习《机器学习实战》这本书，也可以学习ApacheCN分享出来的文本或视频教程，学习各种机器学习算法，先实践再到理论。
6. 入门后再根据所要用到的基础理论或机器学习相关算法和知识点，再针对性的学习，逐步提高。

参考资料：

https://www.geek-share.com/detail/2630989460.html

https://github.com/apachecn/AiLearning/blob/master/docs/ml/1.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.md