浅谈机器学习（第一章认知篇）

欢迎从思维角度认识机器学习

机器学习建立在深度的数学理论上，如果想要深刻理解内涵脱离数学是几乎不可能的，但是作者会从实践和自己理解的基础上，和大家一起走入机器学习这个领域，欢迎大家指正错误，进行充分讨论；
（PS：研究生真的是太忙啦，答应大家的Rtklib之后也一定会补上，也想着开拓GMT这一板块，想与大家分享的实在是太多了，无奈时间真的紧张，如果喜欢，支持一下，会给每一个写作的人很大鼓励呀！）

希望你拥有什么

一点微积分、概率论、线性代数的基础，会帮助您更好的了解作者阐述的内容与思路。不会也没有关系，本专题会尽量减少公式写入，并在另一维度带你了解机器学习，科普同时希望可以帮助你围绕自身的研究方向，运用机器学习方法拓宽研究思路。

1. 微积分 ，高等数学基础；
2. 概率论 ，基础概念，概率分布等；
3. 线性代数 ，会基本的矩阵运算；

本系列文章会教给你什么

1. 熟练掌握线性分类器
2. 线性回归、线性降维
3. 非线性推广技术
4. 人工神经网络、深度学习、集成学习等典型模式识别和机器学习技术
5. 了解机器视觉、注意力机制、Transformer、深度强化学习等机器学习新技术
6. 特色：围绕导航专业方向、了解机器学习在视觉图像处理、GNSS数据处理、多源数据融合、智能导航等领域的应用。

参考资料

1. Ian Goodfellow，Yoshua Bengio，深度学习，人民邮电出版社（花书）
2. 周志华，机器学习，清华大学出版社（西瓜书）
3. B站、慕课、GitHub等开源资料

机器学习用来干什么

1. 模式识别
是指对所表征事物或现象各种形式的信息（数值、文字、逻辑关系等）进行处理和分析，从而对客体进行描述、辨认和解释的过程。我们使用大脑去猜测谜语的时候便是动用了这样的功能，请看下面这一谜语。

非洲产、黑白纹、似雁叫、食青草。（打一动物）

斑马是客观事物，我们用产地、外形、声音、饮食习惯这些信息进行处理分析，当相应描述出现，我们进行识别，很自然便猜出是斑马。

但是模式并没有那么简单，它是抽象的概念是对客体特性描述的集合。机器想要识别，必须对识别的对象进行科学的抽象，用以描述和代替识别对象，这种对象的描述即为模式。主要应用的领域有：语音识别、声音分类、图像分析与处理、计算机辅助诊断、数据挖掘等
识别：对之前见过的对象再认识，机器学习方面就是利用计算机对物理对象进行分类回归，在错误概率最小的条件下，使识别结果尽量与客观物体相符合。
（1）分类问题：车道识别
（2）回归问题：全球风速分布
（3）聚类问题：事件相机感知

2. 特征提取
在d维样本中提取满足兴趣点的k个维的新集合，用以表示原来d维样本，也称为降维。

3. 数据生成
对于由N个样本构成的集合，假设都是彼此独立且都源于某个未知的概率分布，在不知道这个概率分布的情况下构建模型，也能产生与这N个样本相似的个体，常常被用于图像修复，文物修复等，就是基于照片或者文物剩下的信息进行学习，反演缺失部分的信息，使得整个画面变得协调。

4. 强化训练
是机器学习的范式和方法论之一，用于描述和解决智能体在与环境交互过程中通过学习策略以达成回报最大化或实现特定目标的问题

5. 机器学习
从已知经验数据中，通过某种特定的方法（算法），自己去寻找提炼（训练学习）出一些规律（模型）；提炼出的规律就可以用来判断一些位置的事情（预测）。
对于某些任务，我们没有算法缺乏知识。作为补偿我们有数据。
模式识别和机器学习的区别：前者通过各种特征描述来训练机器，从而让机器对未知的事物进行判断；后者将某一事物的海量样本输入机器，让机器通过样本来发现自己的特征，最后去判断某些未知事物。两者最大的区别在于特征是否是人去寻找还是机器自己去学习。

Field of study that gives computers the ability to learn without being explicitly programmed
——Arthur Samuel（ 亚瑟·塞缪尔）