内容概要：这是一篇介绍机器学习与深度学习的入门文章，帮助初学者了解相应的知识架构。
我在刚开始学机器学习时，常会有这样的困惑：为什么有的地方在讲机器学习 ( Machine Learning )，有的在讲深度学习 ( Deep Learning )？领域内都在谈深度学习应用，我是不是应该赶紧学深度学习，机器学习还有必要学吗？为此，我写下这篇文章介绍这些知识点之间的联系，希望能帮助到有同样困惑的同学。觉得不错的话，请点赞支持我一下，谢谢！
注：本文的部分内容为文末列出参考书籍的学习笔记。如果您对此感兴趣、想了解更加详细全面的介绍，建议阅读参考书籍的第一章。
图1 AI、机器学习与深度学习
如图1所示，机器学习是人工智能的一个子领域，而深度学习又是机器学习的子领域之一。可以说，机器学习是基础，我们在机器学习中学到的一些分析方法，同样适用于深度学习，比如训练集、验证集和测试集的划分和使用。
那么，机器学习什么？是怎么学习呢？
机器从数据中学。数据可以是表格、图片，或是文本、语音。这种学习，也是和我们人类一样，尝试从已有的情况（数据）中找到解决问题的方法（比如发现规律），这样在遇见新情况（新数据）时，也能应对自如。
机器学习的解决目标、应用模型多种多样，我们可以从不同的角度对机器学习分类来看：
一、按目标变量是否有标记来划分
按照目标变量是否有标记，可以把机器学习分为有监督学习 ( Supervised Learning )、无监督学习 ( Unsupervised Learning )、强化学习 ( Reinforcement Learning ) 等，如图2所示。
图2 机器学习知识体系
有监督学习和无监督学习的区别在哪呢？打个比方，这就像我们复习备考时，做模拟题有没有标准答案一样。有监督学习呢，是给出了模拟题的答案，就是说，训练集数据的目标变量有标记正确值，可以用于在训练中参考比对，从而改进模型；而无监督学习，只给了模拟题、没有标准答案，凭你自己的理解去判断，也就是说，此时训练集数据的目标变量也没有标记。还有极少数的半监督学习的情况，就是大部分训练集数据有标记，一小部分无标记。
强化学习则是在训练过程中，根据每一步行动得到的反馈，不断地调整策略，达到目标。它有点类似于有监督学习，但是，有监督学习直接围绕最终的目标来优化，相比之下，强化学习更像是把长期目标分割成了每一步的短期目标，对于每一步给出一个奖励或惩罚，进而调整策略，最后达到目标。赢了人类围棋冠军的 AlphaGo，就是采用的强化学习。
目前在实际中，有监督学习的应用广泛，毕竟有目标的学习更可控、结果更理想。有监督学习按待预测的目标变量是连续的还是离散的，可以分为回归 ( Regression ) 和分类 ( Classification ) 问题。回归问题的常见例子有：投资效益预测、房价预测，等等。分类问题的常见例子有：垃圾邮件智能过滤、疾病诊断（比如区分良性肿瘤和恶性肿瘤），等等。这里有人可能会说，垃圾邮件过滤我知道啊，不就是关键词过滤嘛，比如有“发票”、“贷款”等词就判定为垃圾邮件，这就是机器学习吗？并不是，这是传统的规则法。你是否注意过，其实骗子也在针对这些过滤规则不断调整词汇，比如出现“发x票”，“发+票“，“fa票”，等等变换格式。如果用传统的人工制定规则的方式，就需要不停添加规则，工作量大。而机器学习是通过统计规律等进行判定，可以根据新的数据来调整模型参数，从而灵活应对情况变化，不需要人工频繁修改代码和添加规则。
这里有一点要注意，同一个数据集，可能由于预测目标的不同，属于不同类型的问题。就拿股价预测问题来说，如果要预测这只股票明天的价格是多少？价格是个连续变量，这属于回归问题。可是如果只是预测这只股票明天是涨？是跌？涨或跌就是两类，这属于分类问题。因此，我们面对问题时，要做的第一件事就是明确问题目标，判断这个问题是有监督学习还是无监督学习，是分类还是回归问题。
如图2中所示，有监督学习的常用模型有：K最近邻 ( KNN )、线性回归（回归问题模型）/ 逻辑回归（不要被它的名字迷惑了，它是分类问题模型）、支持向量机 ( SVM )、决策树模型系列（包括随机森林、GBDT）、（大部分的）人工神经网络等。这里除了线性回归 / 逻辑回归是分别对应于回归和分类问题，其它模型两种问题都可以应用。
其中，人工神经网络 ( Artificial Neural Network, ANN ) 就与深度学习有关。人工神经网络由一个输入层、一个或多个隐藏层和一个输出层组成。如果一个神经网络中有两个以上的隐藏层，就可以称其为深度人工神经网络。随着添加层数的增加，神经网络模型的功能更强大，但是，在模型求解过程中会出现梯度消失等问题。为此，研究人员开发了相应的算法来训练深度神经网络，这就是深度学习的内容。深度学习现在是热门的研究方向，在图像识别、图像语义分割、语音识别、文本信息提取、自动摘要生成、还有推荐系统，等等中都取得了很好的效果。此外，在处理表格型数据时，也常常表现优异，与决策树模型（GBDT系列，如XGBoost）平分秋色。
无监督学习常用的有聚类，比如社交网络上的话题聚类，发现新热点。还可以应用于数据预处理，比如数据特征提取、数据压缩，这样可以减小运算量，加快模型训练速度。
在谈到机器学习时，第一种分类方式最为常见。我们平时看到的视频讲座、书籍都可以按这个角度分为几类，在搜索教材时可以留意相应的关键词：
1.关键词：”机器学习“/”统计学习“（机器学习要用到统计方法，从数据中获取信息）
这一类课程或书籍主要介绍有监督学习的模型、算法，无监督学习算法。
其中，深度学习/神经网络的知识会有介绍，毕竟是热门哈哈，但不是重点内容。
强化学习一般只作简要介绍。
2.关键词：“深度学习”/“神经网络”（因为深度学习主要就是研究深度神经网络的）
这一类课程或书籍详细介绍深度神经网络的理论和应用，尤其是在图像和自然语言处理 ( NLP ) 领域的应用。
3.关键词：“强化学习”
这一类课程或书籍详细讲解强化学习的理论和实践。
二、按训练时获取和使用训练集数据的量来划分
理想情况下，我们都是使用整个训练集来训练模型，然后应用于新数据，这就是线下学习方式（offline learning）。
但是，如果遇到以下情况，应该怎么办呢？
情况一、把模型配置应用到网上，不断有新数据进来。新的数据中可能会有新的变化规律，需要及时调整模型以更好拟合数据。此时，如果还是每次都使用全部的数据来重新训练模型，不仅训练速度慢，也影响更新频率，无法适应数据的快速变化。
情况二、数据量大，机器配置的内存空间不够，一次处理不了这么多数据。
这些情况下，就要用线上学习方式( online learning ) ，即把数据分成小份，每次用一小份来训练模型和更新模型参数。这样，不仅可以保证模型的更新速度，而且训练完的这一小份数据无需再使用，可以清除，腾出空间给新数据，这样也解决了数据存储空间的问题。
三、按机器的学习方式来划分：是凭记忆和经验还是找规律？
机器学习也有“笨”方法和巧方法。“笨”方法就是把训练集的数据全都”记“下，有新数据来时，参照训练集中与之相似（或相近的）数据来标记这个数据点。其实这种方法也不能说笨，这也是我们人类的一种本能反应。回想一下，我们在遇到一个新情况时，是不是也会先回想一下以前有没有类似的情况可以参考借鉴？这种方法叫做基于实例的学习 ( instance-based learning )。典型的例子就是 K 最近邻 ( KNN )，它根据与新数据点最邻近的 K 个训练集数据点，来求解判断新数据点的目标变量。巧方法呢，就是分析训练集数据的规律，建立一个合适的模型，把新数据代入模型中即可得到目标变量。这种方法叫做基于模型的学习 ( model-based learning )，常见的如线性 / 逻辑回归、SVM 、决策树模型、人工神经网络等等都属于这一类。
以上介绍了机器学习的知识架构，以及和深度学习的联系，欢迎交流和指正！
参考书籍：
1.Hands-On Machine Learning with Scikit-Learn, Keras , and TensorFlow，2nd Edition, by Aurélien Géron(O’Reilly)
2.Python Machine Learning，2nd Edition，by Sebastian Raschka, Vahid Mirjalili(PACKT)