在一头扎进机器学习前应该知道的那些事儿

2018 年 4 月 24 日 全球人工智能

高薪招聘兼职AI讲师和AI助教!


摘要: 本文简单总结了机器学习的几大任务及其对应的方法,方便初学者根据自己的任务选择合适的方法。当掌握机器学习基本知识以及清楚自己所要处理的任务后,应用机器学习就不会那么难了。


机器学习一直是一个火热的研究领域,深度学习方法的提出又为这个领域添了一把火,使得很多人对该领域感兴趣并想投身于该领域的研究之中。那么,对于想从事机器学习领域的人来说,有哪些是应该首先了解的内容呢?本文将简单的介绍下机器学习的基本相关知识。
机器学习是指使计算机系统使用统计技术学习数据的过程,而不需要具体的编程程序。该方法是一个主动学习的算法,使得它能够从数据中学习并进行预测。机器学习与计算统计、数学优化以及数据学习密切相关,通常被用来进行预测、分析等任务。机器学习一般用于处理两类任务:

  • 有监督学习:输入给计算机的示例带有标签(期望输出),基于标签调整建立的模型,以学习输入到输出的映射规则。

  • 无监督学习:输入给计算机的示例没有标签,建立的模型必须通过自身学习产生输出。无监督学习涉及到从数据中发现隐藏的模式,包含特征学习。
    机器学习这个术语对于大多非该领域的人来说听起来很高级,但其实不然。只要你清楚机器学习的基本概念以及相关方法后,机器学习其实很简单,即根据相关任务,选择合适的机器学习方法,让机器学习并处理特征以完成相应的任务。因此,在学习和应用机器学习之前,我们首先应该明确自己的任务是什么,以及适合使用哪种机器学习方法来完成。

如果我们想了解算法背后的基本理论以及其工作原理,那么精通概率与统计、线性代数和微积分对我们而言显得至关重要。此外,了解诸如Python等编程语言将使你能够容易得实现相关算法,理论基础与编程能力二者在手,机器学习我有。此外,理解相关的数学知识和应用也是很有必要的,无论是通过线下自学或者是网络在线培训等学习方法,都必须实践,实践可以增加自己对基本知识的理解,同时也能锻炼其编程能力。
在学习机器学习之前,掌握以下知识是很有必要的:

  • 线性代数

  • 微积分

  • 概率论

  • 程序设计

  • 最优化理论
    下面是一些最常见的机器学习任务以及相关方法,对其理解后方便在后续工程中应用。

回归

回归主要涉及连续变量或数值变量的估计,比如估计房价、股票价格、产品价格等使用回归估计。即根据相关的数据建立回归曲线,对新的数据进行预测估计。以下机器学习方法用于解决回归问题:

  • 核回归(Kernel regression)

  • 支持向量回归(Support vector regression)

  • 高斯过程回归(Gaussian process regression)

  • 线性回归(Linear regression)

  • LASSO回归(Least absolute shrinkage and selection operator)

  • 回归树(Regression tree)

分类

分类与离散变量或数据类别的预测有关。比如区分垃圾邮件、病人患有哪种疾病、交易是否属于欺诈行为等任务,都是使用分类方法处理的。以下方法可以用于解决分类问题:

  • 核判别分析(Kernel discriminant analysis)

  • 人工神经网络(Artificial neural networks)

  • K邻近算法(K-nearests neighbors)

  • Boosted trees

  • 随机森林(Random forests)

  • 逻辑回归(Logistic regression)

  • 支持向量机(Support vector machine)

  • 深度学习(Deep learning)

  • 朴素贝叶斯(Naive Bayes)

  • 决策树(Decision trees)

聚类

聚类一般应用于数据自然分组。比如产品特征识别、客户细分等任务都是聚类的一些应用场景。以下机器学习方法用于聚类问题:

  • 均值漂移(Mean-shift)

  • K-均值(K-means)

  • 主题模型(Topic models)

  • 层次聚类(Hierarchical clustering)

多元查询

多元查询是用来寻找相似目标。下面的方法可用于解决与多元查询有关的问题:

  • 近邻取样(Nearest neighbors)

  • 最远邻居(Farthest neighbors)

  • 范围搜索(Range search)

降维

降维是指降低多个随机变量的维度,将其分为特征提取和特征选择。常用的降维方法如下:

  • 流线学习方法/核主成分分析(Manifold learning/KPCA)

  • 独立分量分析(Independent component analysis)

  • 主成分分析(Principal component analysis)

  • 非负矩阵分解(Non-negative matrix factorization)

  • 压缩感知(Compressed sensing)

  • 高斯图模型(Gaussian graphical models)

-今晚直播预告-

点击“阅读原文”进入学习

登录查看更多
3

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【2020新书】从Excel中学习数据挖掘,223页pdf
专知会员服务
85+阅读 · 2020年6月28日
【实用书】Python机器学习Scikit-Learn应用指南,247页pdf
专知会员服务
255+阅读 · 2020年6月10日
【2020新书】数据科学:十大Python项目,247页pdf
专知会员服务
211+阅读 · 2020年2月21日
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
346+阅读 · 2020年2月15日
人工智能学习笔记,247页pdf
专知会员服务
173+阅读 · 2019年12月14日
机器学习必备的数学基础有哪些?
人工智能头条
12+阅读 · 2019年10月18日
成为顶尖机器学习算法专家需要知道哪些算法?
云栖社区
5+阅读 · 2018年10月13日
机器学习:从入门到绝不放弃!
图灵教育
5+阅读 · 2018年3月19日
Python 如何快速入门?
全球人工智能
6+阅读 · 2018年3月15日
关于机器学习,你需要知道的三件事!
云栖社区
3+阅读 · 2018年3月3日
最适合机器学习新手的10种算法
论智
9+阅读 · 2018年1月23日
从0到1 | 0基础/转行如何用3个月搞定机器学习
算法与数学之美
4+阅读 · 2017年11月20日
快速掌握机器学习,这 3 种算法你必须知道
开源中国
8+阅读 · 2017年11月9日
难?不难?机器学习套路就这三个!
聊聊架构
3+阅读 · 2017年10月25日
Meta-Learning with Implicit Gradients
Arxiv
13+阅读 · 2019年9月10日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
q-Space Novelty Detection with Variational Autoencoders
VIP会员
相关VIP内容
【2020新书】从Excel中学习数据挖掘,223页pdf
专知会员服务
85+阅读 · 2020年6月28日
【实用书】Python机器学习Scikit-Learn应用指南,247页pdf
专知会员服务
255+阅读 · 2020年6月10日
【2020新书】数据科学:十大Python项目,247页pdf
专知会员服务
211+阅读 · 2020年2月21日
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
346+阅读 · 2020年2月15日
人工智能学习笔记,247页pdf
专知会员服务
173+阅读 · 2019年12月14日
相关资讯
机器学习必备的数学基础有哪些?
人工智能头条
12+阅读 · 2019年10月18日
成为顶尖机器学习算法专家需要知道哪些算法?
云栖社区
5+阅读 · 2018年10月13日
机器学习:从入门到绝不放弃!
图灵教育
5+阅读 · 2018年3月19日
Python 如何快速入门?
全球人工智能
6+阅读 · 2018年3月15日
关于机器学习,你需要知道的三件事!
云栖社区
3+阅读 · 2018年3月3日
最适合机器学习新手的10种算法
论智
9+阅读 · 2018年1月23日
从0到1 | 0基础/转行如何用3个月搞定机器学习
算法与数学之美
4+阅读 · 2017年11月20日
快速掌握机器学习,这 3 种算法你必须知道
开源中国
8+阅读 · 2017年11月9日
难?不难?机器学习套路就这三个!
聊聊架构
3+阅读 · 2017年10月25日
Top
微信扫码咨询专知VIP会员