机器学习系列01-机器学习概念及介绍
一、什么是机器学习
计算机程序利用经验 E，学习任务 T，性能是 P，如果针对任务 T 的性能 P 随着经验 E 不断增长，则称为机器学习。—— 汤姆·米切尔，1997
机器学习是一类算法的总称，这些算法从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力，称为泛化(Generalization)能力。
二、机器学习三步骤
通常机器学习分为以下三步骤：
1. Model
选择一个合适的模型，通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型。模型就是一组函数的集合。
2. Goodness of function(model)
判断一个模型的好坏，需要确定一个衡量标准，也就是我们通常说的损失函数(Loss Function)。损失函数的确定也需要依据具体问题而定，如回归问题一般采用欧式距离，分类问题一般采用交叉熵代价函数。
3. Pick the “Best” Function
找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧(tricks)。
在学习得到 the“Best” Function 后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。
model(function set) 选择模型
在解任务的过程中，第一步是要选一个function的set，选不同的function set，会得到不同的结果；而选不同的function set就是选不同的model，model又分为很多种：
Linear Model(线性模型)：最简单的模型
Non-linear Model(非线性模型)：最常用的模型，包括：
deep learning：如alpha-go下围棋，输入是当前的棋盘格局，输出是下一步要落子的位置；由于棋盘是1919的，因此可以把它看成是一个有1919个选项的选择题。
- SVM
- decision tree
- K-NN
…
三、机器学习类型
1. Supervised Learning(监督学习)
监督学习需要大量的training data，这些training data告诉我们说，一个我们要找的function，它的input和output之间有什么样的关系。而这种function的output，通常被叫做label(标签)，也就是说，我们要使用supervised learning这样一种技术，我们需要告诉机器，function的input和output分别是什么，而这种output通常是通过人工的方式标注出来的，因此称为人工标注的label，它的缺点是需要大量的人工劳力。
Regression(回归)
回归是machine learning的一个task，特点是通过regression找到的function，它的输出是一个scalar数值。回归问题通常是用来预测一个值，它的预测结果是连续的，如预测房价、未来的天气情况等，例如一个产品的实际价格为500元，通过回归分析预测值为499元，我们认为这是一个比较好的回归分析。
Classification(分类)
regression和classification的区别是，我们要机器输出的东西的类型是不一样的，在regression里机器输出的是scalar，而classification又分为两类：
-
Binary Classification(二元分类)
在binary classification里，我们要机器输出的是yes or no，是或否。比如G-mail的spam filtering(垃圾邮件过滤器)，输入是邮件，输出是该邮件是否是垃圾邮件。 -
Multi-class classification(多元分类)
在multi-class classification里，机器要做的是选择题，等于给他数个选项，每一个选项就是一个类别，它要从数个类别里面选择正确的类别。比如document classification(新闻文章分类)，输入是一则新闻，输出是这个新闻属于哪一个类别(选项)。
常见算法：k-近邻算法、决策树与随机森林、逻辑回归、神经网络、朴素贝叶斯、Logistic回归、支持向量机、AdaBoost算法、线性回归、局部加权线性回归、收缩和树回归等。
2. Semi-supervised Learning(半监督学习)
举例：如果想要做一个区分猫和狗的function。
手头上有少量的labeled data，它们标注了图片上哪只是猫哪只是狗；同时又有大量的unlabeled data，它们仅仅只有猫和狗的图片，但没有标注去告诉机器哪只是猫哪只是狗。
在Semi-supervised Learning的技术里面，这些没有labeled的data，能提高机器学习模型的性能。（在标签数据上训练模型，然后使用经过训练的模型来预测无标签数据的标签，从而创建伪标签。此外，将标签数据和新生成的伪标签数据结合起来作为新的训练数据。）
3、Transfer Learning(迁移学习)
假设一样我们要做猫和狗的分类问题。
我们也一样只有少量的有labeled的data；但是我们现在有大量的不相干的data(不是猫和狗的图片，而是一些其他不相干的图片)，在这些大量的data里面，它可能有label也可能没有label。
Transfer Learning要解决的问题是，这一堆不相干的data可以对结果带来什么样的帮助。迁移学习简单来说就是能否举一反三。
4、Unsupervised Learning(无监督学习)
区别于supervised learning，监督学习就像有老师指导一样，老师会告诉我们该怎么做。而unsupervised learning希望机器学到无师自通，在完全没有任何label的情况下，机器到底能学到什么样的知识。
举例来说，如果我们给机器看大量的文章，机器看过大量的文章之后，它到底能够学到什么事情？它能不能学会每个词汇的意思？
学会每个词汇的意思可以理解为：我们要找一个function，然后把一个词汇丢进去，机器要输出告诉你说这个词汇是什么意思，也许他用一个向量来表示这个词汇的不同的特性，不同的attribute。
又比如，我们带机器去逛动物园，给他看大量的动物的图片，对于unsupervised learning来说，我们的data中只有给function的输入的大量图片，没有任何的输出标注；在这种情况下，机器该怎么学会根据testing data的输入来自己生成新的图片？
常见算法：k-means、Apriori、FP-Growth等
5、Structured Learning(结构化学习)
在之前的学习中，输入和输出都是向量。然而在现实生活中，我们需要解决的问题并不都是此类问题。在structured Learning里，我们要机器输出的是，一个有结构性的东西。
在分类的问题中，机器输出的只是一个选项；在structured类的problem里面，机器要输出的是一个复杂的物件。
举例来说，在语音识别的情境下，机器的输入是一个声音信号，输出是一个句子；句子是由许多词汇拼凑而成，它是一个有结构性的object。或者说机器翻译、人脸识别(标出不同的人的名称)。比如GAN也是structured Learning的一种方法。
因此我们需要一个更加强大的函数。
其输入输出都是对象，而对象可能是序列、列表、树或者是边界盒等等。
6、Reinforcement Learning(强化学习)
Supervised Learning：我们会告诉机器正确的答案是什么 ，其特点是Learning from teacher.
- 比如训练一个聊天机器人，告诉他如果使用者说了“Hello”，你就说“Hi”；如果使用者说了“Bye bye”，你就说“Good bye”；就好像有一个家教在它的旁边手把手地教他每一件事情。
Reinforcement Learning：我们没有告诉机器正确的答案是什么，机器最终得到的只有一个分数，就是它做的好还是不好，但他不知道自己到底哪里做的不好，他也没有正确的答案；很像真实社会中的学习，你没有一个正确的答案，你只知道自己是做得好还是不好。其特点是Learning from critics.
- 比如训练一个聊天机器人，让它跟客人直接对话；如果客人勃然大怒把电话挂掉了，那机器就学到一件事情，刚才做错了，它不知道自己哪里做错了，必须自己回去反省检讨到底要如何改进，比如一开始不应该打招呼吗？还是中间不能骂脏话之类的。
再拿下棋这件事举例，supervised Learning是说看到眼前这个棋盘，告诉机器下一步要走什么位置；而reinforcement Learning是说让机器和对手互弈，下了好几手之后赢了，机器就知道这一局棋下的不错，但是到底哪一步是赢的关键，机器是不知道的，他只知道自己是赢了还是输了。
其实Alpha Go是用supervised Learning+reinforcement Learning的方式去学习的，机器先是从棋谱学习，有棋谱就可以做supervised的学习；之后再做reinforcement Learning，机器的对手是另外一台机器，Alpha Go就是和自己下棋，然后不断的进步。
下一篇：机器学习系列02-回归案例研究