機器學習究竟在學習什么？

許多人將機器學習視為通向人工智能的途徑，但是對于統計學家或商人而言，機器學習也可以是一種強大的工具，可以實現前所未有的預測結果。

為什么機器學習如此重要?

在開始學習之前，我們想花一些時間強調WHY機器學習非常重要。

總之，每個人都知道人工智能或人工智能。通常，當我們聽到AI時，我們會想象機器人到處走動，執行與人類相同的任務。但是，我們必須了解，雖然有些任務很容易，但有些任務卻很困難，并且距離擁有像人類一樣的機器人還有很長的路要走。

但是，機器學習是非常真實的并且已經存在。它可以被視為AI的一部分，因為當我們想到AI時，我們想象的大部分內容都是基于機器學習的。

在過去，我們相信未來的這些機器人將需要向我們學習一切。但是人腦是復雜的，并且并非可以輕松描述其協調的所有動作和活動。1959年，亞瑟·塞繆爾(Arthur Samuel)提出了一個絕妙的主意，即我們不需要教計算機，但我們應該讓他們自己學習。塞繆爾(Samuel)也創造了“機器學習”一詞，從那時起，當我們談論機器學習過程時，我們指的是計算機自主學習的能力。

機器學習有哪些應用?

在準備這篇文章的內容時，我寫下了沒有進一步說明的示例，假定所有人都熟悉它們。然后我想：人們知道這些是機器學習的例子嗎?

讓我們考慮一些。

自然語言處理，例如翻譯。如果您認為百度翻譯是一本非常好的字典，請再考慮一下。百度翻譯本質上是一組機器學習算法。百度不需要更新百度 Translate;它會根據不同單詞的使用情況自動更新。

哦，哇 還有什么?

雖然仍然是主題，但Siri，Alexa，Cortana都是語音識別和合成的實例。有些技術可以使這些助手識別或發音以前從未聽過的單詞。他們現在能做的事令人難以置信，但在不久的將來，它們將給人留下深刻的印象!

SPAM過濾。令人印象深刻，但值得注意的是，SPAM不再遵循一組規則。它自己了解了什么是垃圾郵件，什么不是垃圾郵件。

推薦系統。Netflix，淘寶，Facebook。推薦給您的所有內容都取決于您的搜索活動，喜歡，以前的行為等等。一個人不可能像這些網站一樣提出適合您的推薦。最重要的是，他們跨平臺，跨設備和跨應用程序執行此操作。盡管有些人認為它是侵入性的，但通常情況下，數據不是由人處理的。通常，它是如此復雜，以至于人類無法掌握它。但是，機器將賣方與買方配對，將電影與潛在觀眾配對，將照片與希望觀看的人配對。這極大地改善了我們的生活。

說到這，淘寶擁有如此出色的機器學習算法，它們可以高度確定地預測您將購買什么以及何時購買。那么，他們如何處理這些信息?他們將產品運送到最近的倉庫，因此您可以在當天訂購并收到產品。難以置信!

金融機器學習

我們名單上的下一個是金融交易。交易涉及隨機行為，不斷變化的數據以及從政治到司法的各種因素，這些因素與傳統金融相距甚遠。盡管金融家無法預測很多這種行為，但是機器學習算法會照顧到這種情況，并且對市場的變化做出響應的速度比人們想象的要快。

這些都是業務實現，但還有更多。您可以預測員工是否會留在公司或離開公司，或者可以確定客戶是否值得您光顧-他們可能會從競爭對手那里購買還是根本不購買。您可以優化流程，預測銷售，發現隱藏的機會。機器學習為機會開辟了一個全新的世界，對于在公司戰略部門工作的人們來說，這是一個夢想成真。

無論如何，這些已在這里使用。然后，我們將進入自動駕駛汽車的新境界。

機器學習算法

直到最近幾年，無人駕駛汽車還是科幻小說。好吧，不再了。自動駕駛汽車已經驅動了數百萬英里(即使不是數十億英里)。那是怎么發生的?沒有一套規則。而是一組機器學習算法，使汽車學習了如何極其安全有效地駕駛。

我們可以繼續學習幾個小時，但我相信您的主旨是：“為什么要使用機器學習”。

因此，對您來說，這不是為什么的問題，而是如何的問題。

這就是我們的Python機器學習課程所要解決的問題。蓬勃發展的數據科學事業中最重要的技能之一-如何創建機器學習算法!

如何創建機器學習算法?

假設我們已經提供了輸入數據，創建機器學習算法最終意味著建立一個輸出正確信息的模型。

現在，將此模型視為黑匣子。我們提供輸入，并提供輸出。例如，考慮到過去幾天的氣象信息，我們可能想創建一個預測明天天氣的模型。我們將輸入模型的輸入可以是度量，例如溫度，濕度和降水。我們將獲得的輸出將是明天的天氣預報。

現在，在對模型的輸出感到滿意和自信之前，我們必須訓練模型。訓練是機器學習中的核心概念，因為這是模型學習如何理解輸入數據的過程。訓練完模型后，我們可以簡單地將其輸入數據并獲得輸出。

如何訓練機器學習算法?

訓練算法背后的基本邏輯涉及四個要素：

a.數據

b.模型

c.目標函數

d.優化算法

讓我們探索每個。

首先，我們必須準備一定數量的數據進行訓練。

通常，這是歷史數據，很容易獲得。

其次，我們需要一個模型。

我們可以訓練的最簡單模型是線性模型。在天氣預報示例中，這將意味著找到一些系數，將每個變量與它們相乘，然后將所有結果求和以得到輸出。但是，正如我們稍后將看到的那樣，線性模型只是冰山一角。依靠線性模型，深度機器學習使我們可以創建復雜的非線性模型。它們通常比簡單的線性關系更好地擬合數據。

第三個要素是目標函數。

到目前為止，我們獲取了數據，并將其輸入到模型中，并獲得了輸出。當然，我們希望此輸出盡可能接近實際情況。大數據分析機器學習AI入門指南https://www.aaa-cg.com.cn/data/2273.html這就是目標函數出現的地方。它估計平均而言，模型輸出的正確性。整個機器學習框架歸結為優化此功能。例如，如果我們的函數正在測量模型的預測誤差，則我們希望將該誤差最小化，或者換句話說，將目標函數最小化。

我們最后的要素是優化算法。它由機制組成，通過這些機制我們可以更改模型的參數以優化目標函數。例如，如果我們的天氣預報模型為：

明天的天氣等于：W1乘以溫度，W2乘以濕度，優化算法可能會經過以下值：

W1和W2是將更改的參數。對于每組參數，我們將計算目標函數。然后，我們將選擇具有最高預測能力的模型。我們怎么知道哪一個最好?好吧，那將是具有最佳目標函數的那個，不是嗎?好的。大!

您是否注意到我們說了四個成分，而不是說了四個步驟?這是有意的，因為機器學習過程是迭代的。我們將數據輸入模型，并通過目標函數比較準確性。然后，我們更改模型的參數并重復操作。當我們達到無法再優化或不需要優化的程度時，我們將停止，因為我們已經找到了解決問題的足夠好的解決方案。

https://www.toutiao.com/i6821026294461891086/