中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

關于機器學習你了解多少，文章分享了相關知識，希望對你有所啟發(fā)。

?什么是機器學習（Machine Learning）

• 定義：計算機程序可以在給定某種類別的任務 T 和性能度量 P 下學習經(jīng)驗 E ，如果其在任務 T 中的性能恰好可以用 P 度量，則隨著經(jīng)驗 E 而提高。
• 簡單來說：機器學習是能通過經(jīng)驗自動改進的計算機方法研究
• 通俗的理解：機器學習，是計算的反問題（逆運算） （@張江）

機器學習和人工智能以及深度學習的關系

用一張圖來表示：

• 深度學習是機器學習的子集
• 而機器學習是人工智能的核心

舉個簡單的例子來說明機器學習：

先說說什么是計算：

計算房屋售價，給定輸入，得到輸出，如：

• 已知房屋售價的平米數(shù)（如下圖）
• 已知計算公式：房屋價格 = 面積 * 每平米售價（5000）
• 求房屋的售價

再來說計算的反問題（逆運算）：

機器學習：有數(shù)據(jù)輸入和輸出，通過機器學習，得到模型

• 已知房屋的基礎數(shù)據(jù)
• 已知房屋的售價
• 求房屋售價計算的模型

當房屋售價計算模型有了之后，就可以用戶新數(shù)據(jù)的預測，例如：

當然這只是一個簡單的例子，要真正預測房價，會涉及到的大量的參數(shù)，比如：幾室?guī)讖d幾衛(wèi)，地理位置，周邊環(huán)境，……等等，且機器學習得到模型也會更加復雜。

再舉一個古老經(jīng)典的例子

你去菜市場買芒果，印象中顏色靚麗的芒果，比暗淡的要好吃，于是你挑選了100個芒果，付款，開開心心回家了。

結果回家吃了之后，你發(fā)現(xiàn)其中25個芒果不好吃，覺得根據(jù)顏色來分辨太片面了，但是吃的過程中，你又發(fā)現(xiàn)了大個的50個芒果都好吃，小個的芒果只有25個是好吃，你總結出大個的比小個的芒果要好吃。

下次出門時，你要買更大個以及顏色更靚麗的芒果，結果發(fā)現(xiàn)常買的店鋪關門了，只能去別家買，結果兩家的產(chǎn)地不一樣，買回來100個芒果，反而是小個的顏色暗淡的好吃。

為了吸取教訓，買到更多更好吃的芒果，你采用了「機器學習」的方法，隨機在市場買了1000個芒果：

• 列出芒果的屬性：顏色，大小，形狀，產(chǎn)地，經(jīng)銷商，等等，
• 以及對應的：甜度，成熟度，是否多汁，等等

通過1000個芒果的數(shù)據(jù)，得到了一個模型，在下次購買的時候，你只需要輸入相關的數(shù)據(jù)，就可以判斷出芒果是否好吃概率，通過大量的篩選，你購買了一批「好吃」概率在95%以上的芒果，結果是個個非常好吃，你也成了眾人敬仰的「芒果吃貨（專家）」。

通過這兩個例子，是否對于機器學習有了初步的認知呢？

如上圖：機器學習對于數(shù)據(jù)運用，相當于人的大腦對于經(jīng)驗的運用

實際項目中機器學習工作方式

• 選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)
• 模型數(shù)據(jù)：使用訓練數(shù)據(jù)來構建使用相關特征的模型
• 驗證模型：使用你的驗證數(shù)據(jù)接入你的模型
• 測試模型：使用你的測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)
• 使用模型：使用完全訓練好的模型在新數(shù)據(jù)上做預測
• 調(diào)優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)

機器學習都有哪些學習方式？

涉及到機器學習相關知識：

• 監(jiān)督學習：需要“標簽”當老師，明確要預測什么。
• 無監(jiān)督學習：不告訴機器正確答案，讓機器自己學習，給出結果。
• 半監(jiān)督學習：訓練的數(shù)據(jù)，只有一小部分是標記過的，大部分是沒有標記。
• 強化學習：通過反饋，邊實踐邊學習。
• 遷移學習：在某個垂直領域訓練完成后，移致去其他相關領域調(diào)優(yōu)發(fā)揮作用。

以及這一波人工智能浪潮興起的主要原因之一：

• 基于人工神經(jīng)網(wǎng)絡的深度學習。

接下來聊一下個人對于機器學習方式以及相關應用的理解。

監(jiān)督學習

什么是監(jiān)督學習

概念：監(jiān)督學習就是通過樣例給定輸入與輸出，讓程序?qū)W會一些通用的規(guī)則，這樣對于需要預測的數(shù)據(jù)，得到輸出。

詮釋：有一個明確預測的目標，比如：預估房價，給予機器大量的有標簽的數(shù)據(jù)，以及最終的銷售價，來訓練這個模型。

監(jiān)督學習主要解決的是兩類問題

回歸問題：

• 概念：預測結果是連續(xù)的，意味著我們嘗試將輸入變量映射到一些連續(xù)函數(shù)。
• 舉例：如預測房價的例子，通過大量輸入輸出數(shù)據(jù)，以及各種房屋類型，環(huán)境等標簽，訓練模型后，輸入新的數(shù)據(jù)，既可預測房價。

分類問題：

• 概念：預測結果是離散的，意味著我們嘗試將輸入變量映射到離散類別。
• 舉例：如芒果的例子，同樣通過大量輸入輸出數(shù)據(jù)，包括芒果，顏色，大小，形狀，以及甜度，成熟度等標簽，當輸入新的數(shù)據(jù)，機器計算出屬于這個芒果是在吃，還是在不好吃的分類里。

監(jiān)督學習主要涉及到的算法模型如下

• 線性回歸模型（Linear Regression）
• K-近鄰算法（k-Nearest Neighbors，KNN）
• 決策樹（Decision Trees）
• 樸素貝葉斯（Naive Bayesian）
• 邏輯回歸（Logistic Regression）

對于算法，初期知道解決的是什么問題即可，不要從學習的視角去深入，而是實際遇到問題，遇到問題時候再研究。

無監(jiān)督學習

什么是無監(jiān)督學習

• 詮釋：無監(jiān)督學習就是不給數(shù)據(jù)提供標簽，由程序自動對數(shù)據(jù)進行聚類、關聯(lián)、降維等工作。
• 詮釋：我們擁有大量的數(shù)據(jù)，但是不知道答案，需要用無監(jiān)督學習的方法，讓它們根據(jù)某些特征自動分成若干組，從而找到數(shù)據(jù)中存在的價值。

無監(jiān)督學習主要解決的三類問題

關聯(lián)

• 概念：為了發(fā)現(xiàn)各種現(xiàn)象同時出現(xiàn)的概率。
• 舉例：經(jīng)典例子，男人買啤酒和買尿布的關聯(lián)性非常高，超市把啤酒和尿布放在一起，從而提高業(yè)績。

聚類

• 概念：把樣本分堆，使同一堆中的樣本之間很相似，而不同堆之間的樣本就有些差別。
• 舉例：Google新聞，每天會搜集大量的新聞，然后把它們?nèi)烤垲?，就會自動分成幾十個不同的組（比如娛樂，科技，政治……），每個組內(nèi)新聞都具有相似的內(nèi)容結構。

降維

• 概念：降維意味著減少數(shù)據(jù)集中變量的個數(shù)，但是仍然保留重要的信息。主要作用是壓縮數(shù)據(jù)與提升機器學習其他算法的效率。
• 舉例：房價包含房子的長、寬、面積與房間數(shù)量四個特征，也就是維度為4維的數(shù)據(jù)。而面積=長 × 寬，通過降維算法我們就可以去除冗余信息，即從4維的數(shù)據(jù)壓縮到2維

無監(jiān)督學習主要涉及到的算法模型如下

• K 均值算法（K-means）
• 自編碼（Autoencoding）
• 主成分分析（Principal components analysis）
• 隨機森林（Random forests）

同理，解決實際問題中，再深入到算法里提升自己的認知。

半監(jiān)督學習

什么是半監(jiān)督學習

• 概念：使用大量的未標記數(shù)據(jù)，以及同時使用標記數(shù)據(jù)，來進行模式識別工作。
• 詮釋：大概意思就是，監(jiān)督學習與無監(jiān)督學習相結合的一種學習方法，介于兩者之間。

半監(jiān)督學習解決問題

• 相比監(jiān)督學習：節(jié)約人力成本，提高投入產(chǎn)出比。
• 相比無監(jiān)督學習：可以得到分配更高精度的模型。

具體適用場景的舉例

• 例如：視頻網(wǎng)站上有幾百萬的視頻，但其中只有幾十萬的視頻有標簽，如果把剩下幾百萬視頻都打上標簽，工作量和成本是巨大的，而用無監(jiān)督的方法，在很多情況下精度會很低，所以使用半監(jiān)督的方法，可以在節(jié)省人力的情況下，得到分類更高精度的模型。
• 例如：垃圾信息過濾，一般的方法是監(jiān)督，需要大量的語料標注，告知系統(tǒng)哪些可能是垃圾信息。但用戶產(chǎn)會生了大量的信息，且垃圾信息的發(fā)布者也在調(diào)整策略，無法進行實時標注，這里可以用半監(jiān)督的方法，根據(jù)垃圾信息發(fā)布者的特殊行為，發(fā)布內(nèi)容等找到相似性，進行過濾。

強化學習

什么是強化學習

• 概念：強化學習就是智能系統(tǒng)從環(huán)境到行為映射的學習，以使獎勵信號(強化信號)函數(shù)值最大。如果Agent的某個行為策略導致環(huán)境正的獎賞(強化信號)，那么Agent以后產(chǎn)生這個行為策略的趨勢便會加強。
• 詮釋：針對沒有標注數(shù)據(jù)集的情況而言，通過反饋來區(qū)分是否越來越接近目標。比如常見一個猜價格的游戲，你來猜這個東西值多少錢，別人告訴你猜的價格是高了還是低了。
• 例如：阿爾法狗，自己跟自己下圍棋，通過一盤盤的勝負，自我學習、自我修煉、自我改正，然后一個一個迭代，自己跟自己下了1000萬盤之后，完全就是一個新的狗狗。

強化學習和監(jiān)督學習的區(qū)別

監(jiān)督學習總的來說是一個開環(huán)的學習。

• 通常，監(jiān)督學習任務會從環(huán)境中收集一批數(shù)據(jù)；
• 接著我們用監(jiān)督學習算法從數(shù)據(jù)中產(chǎn)生模型；
• 最后就可以用這個模型來做預測了。

但是對于強化學習來說，它面對的是一個閉環(huán)的學習。

• 首先，也是從環(huán)境中產(chǎn)生數(shù)據(jù)；
• 用強化學習的算法從數(shù)據(jù)中產(chǎn)生模型；
• 還要把模型放回到環(huán)境中運行，接著又會產(chǎn)生新的數(shù)據(jù)出來，再重復以上步驟。

強化學習的應用

• 例如：訓練機器臂，把一個指的位置的物體，拿到另外一個指定的位置上，這里你不告訴它怎么做，讓他通過一遍遍的訓練，找到最佳的移動物體路徑。
• 例如：個性化推薦，當推薦你某個分類內(nèi)容時候，你會點擊或查看，它就會根據(jù)你的行為，推薦給你更多該分類的內(nèi)容。
• 例如：無人機操作，指定你的無人機進行某種動作飛行，通過強化學習來控制高度，速度，姿態(tài)等等，根據(jù)獎勵讓它自己學習策略，來達到目的

遷移學習

什么是遷移學習

• 概念：一般就是指要將從源領域?qū)W習到的東西應用到目標領域上去。
• 詮釋：比如你會騎自行車，你會控制車把，剎車，控訴，躲避，踩踏，平衡感等等，然后讓你騎摩托車時候，你也可以輕易上手，逐漸適應速度和動力上的特殊性。

遷移學習應用

• 模擬中學習：不管是無人車，還是機械臂，在現(xiàn)實中學習耗時且昂貴。通過模擬的方法，在虛擬中完成部分的訓練，遷移到現(xiàn)實中，當然這種方法存在很多問題，畢竟虛擬世界無法做到跟現(xiàn)實一模一樣，比如物理引擎，但是作為初始訓練是可行的。
• 適應新領域：在線推薦系統(tǒng)中利用遷移學習，例如影像資料領域做好一個推薦系統(tǒng)，然后應用在稀疏的、新的垂直領域書籍資料里。
• 跨語言傳播知識：從一種語言學習然后將所得知識應用于另一種語言，是遷移學習的另一個重要應用。比如英語訓練之后，遷移到印度本土語言上。

以上就是對于機器學習部分的一部分認知，而其中「深度學習」部分，會單獨完成一篇筆記來跟大家交流。

相關閱讀

從0開始搭建產(chǎn)品經(jīng)理的AI認知體系

產(chǎn)品經(jīng)理的AI知識框架：計算機視覺

產(chǎn)品經(jīng)理的AI知識框架：語音識別與合成

作者：蘭楓，微信公號：藍風GO @LanFengTalk，前騰訊游戲，新浪微博PM，Elex產(chǎn)品總監(jiān)，8年的游戲，社交，O2O等產(chǎn)品相關經(jīng)驗，連續(xù)創(chuàng)業(yè)者。

本文由 @蘭楓 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自PEXELS，基于CC0協(xié)議