Machine Learning 101 学习笔记

这片学习笔记来自于google一个课程《Machine Learning 101》，整个课程并没有很深入的讲机器学习的具体算法实现，而是从更宏观的视角介绍了什么是机器学习，它工作的基本原理是什么，它有哪些训练方式，它的输出类型又有哪些，还有这些常见应用在机器学习中的算法类型有什么？我对课程中的一些关键要点进行了记录，希望能够帮助好奇的读者能够从宏观视野来理解机器学习，也能够站在门口窥探一下机器学习的内部构造

什么是ML, ML有什么类型

• Artificial Intelligence现在主要领域是Narrow AI，在特定的领域做的比人类好（比如识别物体，声音，NLP，创意，预测，翻译，转换）
• Machine Learning是根据数据找出模式，通过教机器识别模式，而不是通过编程定义的特殊规则。

• Deep Learning是一个实现machine learning的技术，deep neural network（DNN）是一种DL技术

  
  
  image

如何选择数据来训练

• 第一步是确定被识别对象的属性，features/attributes，找出具有差异性的属性。注意太多维度数据会导致过度拟合，所以需要分别属性的分辨度
• 第二步是获取足够多的数据来进行训练，下面ML的7步
  • 获取数据，Gathering Data
  • 准备数据，Preparing that Data
  • 选择模型，choosing a model
  • 进行训练，Training
  • 评估结果，Evaluation
  • 参数调优，Parameter Tuning
  • 进行预测，Prediction

下面这个视频是介绍上面七步的完整视频，
https://www.youtube.com/playlist?list=PLIivdWyY5sqJxnwJhe3etaK7utrBiPBQ2
下面这个网站可以掩饰机器学习是如何进行的
http://playground.tensorflow.org/

机器学习有哪些训练方式

• Supervised Learning，你需要告诉机器如何对数据分类，需要人来给出数据的标签
• Unsupervised Learning，机器可以自己对数据进行分类，从一个非标签化的数据集中学习
• Reinforcement Learning，在训练中加入奖励和惩罚，每次训练都是一次尝试

这些训练方式是如何工作的

• 使用回归模型来拟合离散点
• 使用一条线来划分两个群体
• 使用k-nearest neighbour来区分
• 神经网络，模拟大脑建模。

  • 每个神经节点有加权的输入信息

    
    
    image

  • 很多神经节点构成了多层神经网络

    
    
    image

下面这个视频可以帮助更形象的理解Deep Neural Network
https://www.youtube.com/watch?v=aircAruvnKk

ML的输出类型

• 回归：预测数值

  
  
  image

• 分类：对象分类

  
  
  image

• 集群：相似的放在一起

• 序列预测：预测一句话的下一个词

• 概率估计

ML的算法类型

1.Regression

找出最贴近离散点的回归函数

image

2.Instance-Based

根据离散点的距离来分类

image

3.Decision Tree

image

4.Bayesian

image

5.Clustering

image

6.Association Rules

image

7.Artificial Neural Networks

image

8.Deep Learning

image

9.Dimensionality Reduction

image

10.Ensemble

image