转载

什么是机器学习？为什么它如此重要？

什么是机器学习？

机器学习是一种数据分析方法，它可以自动分析模型的建立。使用迭代学习数据的算法，机器学习可以使电脑在没有被明确编程看哪里时，发现隐藏的领域。

迭代在机器学习中是非常重要的，因为有了它的存在，模型在遇到新的数据时，便能够独立地适应数据。它们可以从先前产生的可靠计算，重复的决定和结果中进行学习。机器学习并不是一个全新的学科-而是获得新动力的学科。

由于新型计算技术的产生，如今的机器学习与以往大不相同。尽管很多机器学习算法已经存在了很长时间，但自动将复杂的数学计算应用到大数据的能力（一个又一个，越来越快）是最新的进展。下面这些广泛宣传的机器学习应用程序的例子，你可能非常熟悉：

· 大量的炒作，自动驾驶谷歌车？机器学习的本质。

· 像Amazon和Netflix的在线推荐服务？机器学习在日常生活中的应用

· 知道客户在Twutter上说了什么关于你的事吗？机器学习与语言规则创造结合。

· 欺诈检测？在我们现今生活中，一个更明显的，重要的用途。

为什么越来越多人对机器学习感兴趣？

人们在机器学习方面兴趣的复兴，也是由于相同的因素，即数据挖掘和贝叶斯分析比以往更受欢迎。在类似数量增长和可用数据这一类方面，计算处理更实惠，更强大，且负担得起数据存储。

所有的这些事都暗示着：机器学习可以更快且自动的产生模型，以分析更大，更复杂的数据，而且传输更加迅速，结果更加精准——甚至是在非常大的规模中。结果是？在现实中无人类干涉时，高价值（ High-value）的预测可以产生更好的决定，和更明智的行为。

自动模型的建立是在现实中生成明智行动的一大关键。分析思想领袖Thomas H. Davenport在华尔街日报上写道，日新月异，不断增长的数据，"…你需要快速移动的建模流（ fast-moving modeling streams）来保持。"而你可以通过机器学习做到这些。他还说道"人类通常一周可以创建一个或两个好的模型；而机器学习一周就可以创造出成千上万的模型."

机器学习如今的应用情况如何？

你曾经是否好奇过，一个在线零售商是如何瞬时的为您提供可能感兴趣产品的报价吗？或贷款人如何对你的贷款请求提供近实时的答复？我们的许多日常活动都是由机器学习算法驱动的，包括：

什么是机器学习？为什么它如此重要？

机器学习中最流行的学习方法有哪些？

被最广泛采纳的两大机器学习方法是监督学习（ supervised learning ）和无监督学习（unsupervised learning）。大多数的机器学习（大概70%）是监督学习。无监督学习大概占10%-20%。有时也会使用半监督和强化学习这两个技术。

·监督学习 算法利用标签实例进行训练，就像已知所需输出的输入。例如，一个设备可以有的数据点标记为“F”（失败）或“R”（运行）。学习算法收到了一系列有着对应正确输出的输入，且算法通过对比实际输出和正确输出进行学习，以找出错误。然后相应的进行模型修改。通过分类，回归，预测和梯度提高的方法，监督学习使用模式来预测额外的未标记数据的标签的值。监督学习被普遍应用于用历史数据预测未来可能发生的事件。例如，它可以预测，什么时候信用卡交易可能是欺诈性的，或哪个保险客户可能提出索赔。

·无监督学习 使用无历史标签的相反数据。系统不会被告知“正确答案”。算法必须搞明白被呈现的是什么。其目标是探索数据并找到一些内部结构。无监督学习对事务性数据的处理效果很好。例如，它可以识别有相同属性的顾客群（可以在市场营销中被一样对待）。或者它可以找到主要属性将客户群彼此区分开。流行的技术包括自组织映射（self-organizing maps），最近邻映射（ nearest-neighbor mapping），k-均值聚类（k-means clustering ）和奇异值分解（singular value decomposition）。这些算法也用于段文本主题，推荐项目，和确定数据异常值。

·半监督学习 的应用和监督学习相同。但它同时使用了标签和无标签数据进行训练-通常情况下是少量的标记的数据与大量的未标记的数据（因为未标记的数据并不昂贵，且只需要较少的努力就可获得）。这种类型的学习可以使用的方法，如分类，回归和预测。当一个完全标记的培训过程，其相关标签的成本太高时，就要用到半监督学习。其中早期的例子包括在网络摄像头上识别一个人的脸。

·强化学习 经常被用于机器人，游戏和导航。通过强化学习，该算法通过试验和错误发现行动产生的最大回报。这种类型的学习有三个主要组成部分：代理（学习者或决策者），环境（一切的代理交互）和行动（什么是代理可以做的）。其目标是代理选择的行动，可以在一个给定的时间内最大化预期奖励。通过一个好的策略，代理将更快地达到目标。因此，强化学习的目标是学习最好的策略。