机器学习基础概念

什么是机器学习？

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式， 并将现有内容进行知识结构划分来有效提高学习效率。机器学习通过算法学习数据的模式，据此对新的数据进行预测。

机器学习为何如此受关注？

其实机器学习的基础理论和算法本身并不是新出现的。无论是过去还是现在，计算机都特别擅长处理重复的任务。所以计算机能够比人类更高效地读取大量的数据、学习数据的特征并从中找出数据的模式。这样的任务也被称为机器学习或者模式识别，以前人们就有用计算机处理这种任务的想法，并为此进行了大量的研究，也开发了很多代码。现在机器学习能做的事情更多了。虽然不可否认这受益于计算机理论的发展，不过我认为主要还是归功于以下两点。

• 具备了能够收集大量数据的环境
• 具备了能够处理大量数据的环境

由于互联网的发展，个人行为和生活的一部分已经被数字化，规模大到无法想象的数据也随之而生。不仅是数据量变多了，数据的种类也增加了。其中包括 Web 网站的访问记录、博客上发布的博文和照片、邮件的发送记录、电商网站的购买记录等，数不胜数。多亏有了互联网，我们才可以轻松获取大量这样的数据。

而且现在计算机的性能也越来越高，处理同样多的数据所需的时间变得越来越短，硬盘和 SSD 这样的存储设备也越来越便宜。正因为机器学习具备了能够收集和处理大量数据的环境，所以人们对机器学习的兴趣越来越高。机器学习不仅可以应用在那些方便我们日常生活的应用程序上，还可以帮助商务人士做决策，或者应用在医疗、金融、安全等其他各种领域。

机器学习擅长什么？

回归（regression）
分类（classification）
聚类（clustering）

• 回归算法

回归就是在处理连续数据如时间序列数据时使用的技术。

时间序列数据就是那些连续观测到的因时而异的数据。比如股价、身高体重的数据。

从这样的数据中学习它的趋势，求出“明天的股价会变为多少”“今后的趋势会怎样”的方法就是回归，它就是一种机器学习算法。

• 分类算法

分类算法最简单的理解就是给数据贴标签，比如生活中邮件APP自动鉴别垃圾邮件就可以归类为分类问题。分类算法根据邮件的内容，以及这封邮件是否属于垃圾邮件这些数据来进行学习。

像这种只有两个类别的问题称为二分类，有三个及以上的问题称为多分类，比如数字的识别就属于多分类问题。

• 聚类算法

聚类与分类相似，却又有些不同。聚类考虑的问题是：假设在有 100 名学生的学校进行摸底考试，然后根据考试成绩把 100 名学生分为几组，根据分组结果，我们能得出某组偏重理科、某组偏重文科这样有意义的结论。这里用来学习的数据就是每个学生的考试分数，比如下面这张表