AI学习笔记：如何理解机器学习

如果说概率论是机器学习的基础，那么算法和机器学习理论就是支撑所有AI系统的支柱。流行的深度学习神经网络等实际上是特殊的机器学习方法和分支。

我们知道，如果想要命令计算机做某件事，程序员需要了解解决问题的每一步，然后用判断、循环等指令告诉计算机如何一步步完成。例如，在自动售货机中，计算机会根据您输入的数字询问产品的价格和货架位置，并等待您成功付款后才吐出产品。对于这种重复性工作，此程序非常有效。但有些问题，比如自动驾驶，就无法通过这种方式解决。所以就有了现在最流行的机器学习。

机器像人类一样学习，通过不断输入数据（信息），然后自动学习如何解决问题。比如图像识别，小孩不可能一出生就知道什么是人、什么是猫、什么是狗。然而，家长和老师不断地在图片、视频或现实生活中“展示”这是一只猫。这是一只狗。小孩在看到更多（数据输入）后就会知道猫和狗的区别，并且当他下次看到同一种动物时他会学会识别猫和狗。它类似于机器学习。人类标记（分享）许多猫和狗的照片，并将它们“喂”给机器。通过机器学习算法，机器自动掌握算法来学习识别猫和狗，因此我们可以使用这些经过训练的机器来帮助识别猫和狗。

机器学习有很多分类。比如上面识别猫狗的例子，就是一个监督学习算法（Supervised Learning）进行分类。要了解机器学习，您需要了解机器学习算法是如何分类的。机器学习算法可以从以下几个角度进行分类：

1。学什么

这是一个机器学习算法，它是用来学习什么的？研究什么参数？例如，下雨的可能性。什么是学习结构？例如贝叶斯网络结构。或者学习隐藏概念（Hidden Concepts），比如广告商找到不同的喜欢广告的群体。

2。从何而来？

是监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）还是强化学习（Reinforcement Learning）。前两者的区别在于是否有人类迹象。什么是强化学习，是指学习者在与环境交互的同时不断学习，比如对话机器人。

3。为了什么？

是否用于预测，比如预测天气；用于诊断，例如诊断病症；或者用来总结，比如写一篇文章的摘要？ ; ETC。使用

4. 如何学习（How）

什么是被动（Passive）？例如，学习者是否是观察者并且不改变环境和数据，或者是主动的（Active）。在线还是离线取决于数据是在研究之前创建的还是在研究过程中持续创建的。

5。学习的输出（Output）

是分类（比如识别猫狗）还是回归（回归），比如预测房价。

6。学习细节（详细信息）

了解更通用（生成）模型更好，还是更具体（判别）模型更好。

作者：洪涛洪涛
链接：https://www.jianshu.com/p/005b40f73c0b
来源：简书
简书版权归作者所有。任何形式的转载请联系我们。作者获得许可并共享来源。