什么是机器学习？ _机器学习

文章插图
机器学习
人工智能，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎，而机器学习是人工智能的核心。
“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能
01 机器学习分类

传统机器学习
机器学习可以理解成是生产算法的算法。需要人来先做特征提取，然后在把特征向量化后交给机器去训练。
传统机器学习分为监督学习和无监督学习。
深度学习
深度学习是基于深度神经网络的学习（DNN）。深度学习可以自动提取特征。深度学习可以采用 End-to-End 的学习方式，只需要进行很少的归一化和白化，就可以将数据交给模型去训练。

02 机器学习中的一些概念首先我们需要了解几个机器学习中的起码要知道是怎么回事的概念，了解了后面看代码才不会一脸懵逼。

训练样本
就是用于训练的数据。包括了现实中的一些信息数据，以及对应的结果，也就是标签。
训练
对训练样本的特征进行统计和归纳的过程。
分类模型
总结出的特征，判断标准。
验证
用测试数据集验证模型是否正确的过程。这个过程是在模型训练完后进行的，就是再用另外一些样本数据，代入到模型中去，看它的准确率如何。

2.1 聚类
聚类是一种典型的无监督学习，是把数据进行分类的过程。进行聚类的基本思想是，利用向量之间的距离 —— 空间中的欧式距离或曼哈顿距离，根据距离的大小判断对象是否应该归为同一类别。

文章插图

上图是对3个一维向量分类的例子。明显的能看到，离得近的两个们可以近似的认为它们属于同一类别。
2.2 回归
回归简单的说就是一个由果索因的过程。这是机器学习中很常用的一个手段。
回归分为：
1. 线性回归
【什么是机器学习？】2. 非线性回归
实际使用那种回归模型，需要根据情况而定。
2.2.1 线性回归
线性回归模型：

文章插图

其中 w 是一个特征张量，储存着与每个变量x中元素对应的特征元素，x 就是输入的训练数据张量，b 是一个偏置量。
这其实就是高中概率与统计章节中常见的一个公式。就像解那时候的应用题一样，我们需要根据一堆（x，y）求解一个合适的 w 和 b 。

文章插图

看看上面这个应用题，是否想起了高中时代的数学课？
2.2.2 损失Loss函数
损失函数是用来评估模型预测结果和真实情况差距的，差距越小，说明我们的模型越好，越准确。这就是损失函数的公式！

文章插图

当我们假设一个w和b后，循环计算每一个 x 所得的值和真实 x 所对应的值相减，然后将每一个差相加求和，得到一个差值之和，就是当前的损失。
损失越小，说明所寻找到的 w 和 b 就越合适，当 Loss 为 0 时，说明此时模型的准确率为 100%。
事实上，这和高中概率与统计应用题，给你一堆 x，y ，然后求一个系数w 和常量b 出来是一样的一样的。只不过在计算机中，由于算力比手算强大太多了，所以我们可以一遍一遍的调整 w 和 b 这两个参数，使 Loss 一直向趋于 0 的方向移动，从而使模型的准确率趋于 100%。
通常，为了使 Loss 始终保持为正，也会有如下损失函数：