機(jī)器學(xué)習(xí)基礎(chǔ)圖表：概念、原理、歷史、趨勢(shì)和算法

Part 1

機(jī)器學(xué)習(xí)概覽

什么是機(jī)器學(xué)習(xí)？

機(jī)器通過分析大量數(shù)據(jù)來進(jìn)行學(xué)習(xí)。比如說，不需要通過編程來識(shí)別貓或人臉，它們可以通過使用圖片來進(jìn)行訓(xùn)練，從而歸納和識(shí)別特定的目標(biāo)。

機(jī)器學(xué)習(xí)和人工智能的關(guān)系

機(jī)器學(xué)習(xí)是一種重在尋找數(shù)據(jù)中的模式并使用這些模式來做出預(yù)測(cè)的研究和算法的門類。機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的一部分，并且和知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘有所交集。

機(jī)器學(xué)習(xí)的工作方式

• 選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)
• 模型數(shù)據(jù)： 使用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型
• 驗(yàn)證模型： 使用你的驗(yàn)證數(shù)據(jù)接入你的模型
• 測(cè)試模型： 使用你的測(cè)試數(shù)據(jù)檢查被驗(yàn)證的模型的表現(xiàn)
• 使用模型： 使用完全訓(xùn)練好的模型在新數(shù)據(jù)上做預(yù)測(cè)
• 調(diào)優(yōu)模型： 使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)

機(jī)器學(xué)習(xí)所處的位置

• 傳統(tǒng)編程：軟件工程師編寫程序來解決問題。首先存在一些數(shù)據(jù)→為了解決一個(gè)問題，軟件工程師編寫一個(gè)流程來告訴機(jī)器應(yīng)該怎樣做→計(jì)算機(jī)遵照這一流程執(zhí)行，然后得出結(jié)果

• 統(tǒng)計(jì)學(xué)：分析師比較變量之間的關(guān)系

• 機(jī)器學(xué)習(xí)：數(shù)據(jù)科學(xué)家使用訓(xùn)練數(shù)據(jù)集來教計(jì)算機(jī)應(yīng)該怎么做，然后系統(tǒng)執(zhí)行該任務(wù)。首先存在大數(shù)據(jù)→機(jī)器會(huì)學(xué)習(xí)使用訓(xùn)練數(shù)據(jù)集來進(jìn)行分類，調(diào)節(jié)特定的算法來實(shí)現(xiàn)目標(biāo)分類→該計(jì)算機(jī)可學(xué)習(xí)識(shí)別數(shù)據(jù)中的關(guān)系、趨勢(shì)和模式

• 智能應(yīng)用：智能應(yīng)用使用人工智能所得到的結(jié)果，如圖是一個(gè)精準(zhǔn)農(nóng)業(yè)的應(yīng)用案例示意，該應(yīng)用基于無人機(jī)所收集到的數(shù)據(jù)

機(jī)器學(xué)習(xí)的實(shí)際應(yīng)用

機(jī)器學(xué)習(xí)有很多應(yīng)用場景，這里給出了一些示例，你會(huì)怎么使用它？

• 快速三維地圖測(cè)繪和建模：要建造一架鐵路橋，PwC的數(shù)據(jù)科學(xué)家和領(lǐng)域?qū)＜覍C(jī)器學(xué)習(xí)應(yīng)用到了無人機(jī)收集到的數(shù)據(jù)上。這種組合實(shí)現(xiàn)了工作成功中的精準(zhǔn)監(jiān)控和快速反饋。

• 增強(qiáng)分析以降低風(fēng)險(xiǎn)：為了檢測(cè)內(nèi)部交易，PwC將機(jī)器學(xué)習(xí)和其它分析技術(shù)結(jié)合了起來，從而開發(fā)了更為全面的用戶概況，并且獲得了對(duì)復(fù)雜可疑行為的更深度了解。

• 預(yù)測(cè)表現(xiàn)最佳的目標(biāo)：PwC使用機(jī)器學(xué)習(xí)和其它分析方法來評(píng)估 Melbourne Cup 賽場上不同賽馬的潛力。

Part 2

機(jī)器學(xué)習(xí)的演化

幾十年來，人工智能研究者的各個(gè)「部落」一直以來都在彼此爭奪主導(dǎo)權(quán)?，F(xiàn)在是這些部落聯(lián)合起來的時(shí)候了嗎？他們也可能不得不這樣做，因?yàn)楹献骱退惴ㄈ诤鲜菍?shí)現(xiàn)真正通用人工智能（AGI）的唯一方式。這里給出了機(jī)器學(xué)習(xí)方法的演化之路以及未來的可能模樣。

五大流派

• 符號(hào)主義：使用符號(hào)、規(guī)則和邏輯來表征知識(shí)和進(jìn)行邏輯推理，最喜歡的算法是：規(guī)則和決策樹

• 貝葉斯派：獲取發(fā)生的可能性來進(jìn)行概率推理，最喜歡的算法是：樸素貝葉斯或馬爾可夫

• 聯(lián)結(jié)主義：使用概率矩陣和加權(quán)神經(jīng)元來動(dòng)態(tài)地識(shí)別和歸納模式，最喜歡的算法是：神經(jīng)網(wǎng)絡(luò)

• 進(jìn)化主義：生成變化，然后為特定目標(biāo)獲取其中最優(yōu)的，最喜歡的算法是：遺傳算法

• Analogizer：根據(jù)約束條件來優(yōu)化函數(shù)（盡可能走到更高，但同時(shí)不要離開道路），最喜歡的算法是：支持向量機(jī)

演化的階段

• 1980年代 —— 主導(dǎo)流派：符號(hào)主義，架構(gòu)：服務(wù)器或大型機(jī)，主導(dǎo)理論：知識(shí)工程，基本決策邏輯：決策支持系統(tǒng)，實(shí)用性有限

• 1990年代到2000年 —— 主導(dǎo)流派：貝葉斯，架構(gòu)：小型服務(wù)器集群，主導(dǎo)理論：概率論，分類：可擴(kuò)展的比較或?qū)Ρ?，?duì)許多任務(wù)都足夠好了

• 2010年代早期到中期 —— 主導(dǎo)流派：聯(lián)結(jié)主義，架構(gòu)：大型服務(wù)器農(nóng)場，主導(dǎo)理論：神經(jīng)科學(xué)和概率，識(shí)別：更加精準(zhǔn)的圖像和聲音識(shí)別、翻譯、情緒分析等

流派有望合作融合到一起

• 2010年代末期 —— 主導(dǎo)流派：聯(lián)結(jié)主義+符號(hào)主義，架構(gòu)：許多云，主導(dǎo)理論：記憶神經(jīng)網(wǎng)絡(luò)、大規(guī)模集成、基于知識(shí)的推理，簡單的問答：范圍狹窄的、領(lǐng)域特定的知識(shí)共享

• 2020年代+ —— 主導(dǎo)流派：聯(lián)結(jié)主義+符號(hào)主義+貝葉斯+……，架構(gòu)：云計(jì)算和霧計(jì)算，主導(dǎo)理論：感知的時(shí)候有網(wǎng)絡(luò)，推理和工作的時(shí)候有規(guī)則，簡單感知、推理和行動(dòng)：有限制的自動(dòng)化或人機(jī)交互

• 2040年代+ —— 主導(dǎo)流派：算法融合，架構(gòu)：無處不在的服務(wù)器，主導(dǎo)理論：最佳組合的元學(xué)習(xí)，感知和響應(yīng)：基于通過多種學(xué)習(xí)方式獲得的知識(shí)或經(jīng)驗(yàn)采取行動(dòng)或做出回答

Part 3

機(jī)器學(xué)習(xí)的算法

你應(yīng)該使用哪種機(jī)器學(xué)習(xí)算法？這在很大程度上依賴于可用數(shù)據(jù)的性質(zhì)和數(shù)量以及每一個(gè)特定用例中你的訓(xùn)練目標(biāo)。不要使用最復(fù)雜的算法，除非其結(jié)果值得付出昂貴的開銷和資源。這里給出了一些最常見的算法，按使用簡單程度排序。

決策樹

Decision Tree

在進(jìn)行逐步應(yīng)答過程中，典型的決策樹分析會(huì)使用分層變量或決策節(jié)點(diǎn)，例如，可將一個(gè)給定用戶分類成信用可靠或不可靠。 優(yōu)點(diǎn)： 擅長對(duì)人、地點(diǎn)、事物的一系列不同特征、品質(zhì)、特性進(jìn)行評(píng)估，場景舉例： 基于規(guī)則的信用評(píng)估、賽馬結(jié)果預(yù)測(cè)。

支持向量機(jī)

Support Vector Machine
基于超平面（hyperplane），支持向量機(jī)可以對(duì)數(shù)據(jù)群進(jìn)行分類。 優(yōu)點(diǎn)： 支持向量機(jī)擅長在變量 X 與其它變量之間進(jìn)行二元分類操作，無論其關(guān)系是否是線性的，場景舉例： 新聞分類、手寫識(shí)別。

回歸

Regression

回歸可以勾畫出因變量與一個(gè)或多個(gè)因變量之間的狀態(tài)關(guān)系。在這個(gè)例子中，將垃圾郵件和非垃圾郵件進(jìn)行了區(qū)分。 優(yōu)點(diǎn)： 回歸可用于識(shí)別變量之間的連續(xù)關(guān)系，即便這個(gè)關(guān)系不是非常明顯， 場景舉例： 路面交通流量分析、郵件過濾。

樸素貝葉斯分類

Naive Bayes Classification

樸素貝葉斯分類器用于計(jì)算可能條件的分支概率。每個(gè)獨(dú)立的特征都是「樸素」或條件獨(dú)立的，因此它們不會(huì)影響別的對(duì)象。例如，在一個(gè)裝有共 5 個(gè)黃色和紅色小球的罐子里，連續(xù)拿到兩個(gè)黃色小球的概率是多少？從圖中最上方分支可見，前后抓取兩個(gè)黃色小球的概率為 1/10。樸素貝葉斯分類器可以計(jì)算多個(gè)特征的聯(lián)合條件概率。
優(yōu)點(diǎn)：對(duì)于在小數(shù)據(jù)集上有顯著特征的相關(guān)對(duì)象，樸素貝葉斯方法可對(duì)其進(jìn)行快速分類，場景舉例：情感分析、消費(fèi)者分類。

隱馬爾可夫模型

Hidden Markov model

隱馬爾可夫過程是完全確定性的 —— 一個(gè)給定的狀態(tài)經(jīng)常會(huì)伴隨另一個(gè)狀態(tài)。交通信號(hào)燈就是一個(gè)例子。相反，隱馬爾可夫模型通過分析可見數(shù)據(jù)來計(jì)算隱藏狀態(tài)的發(fā)生。隨后，借助隱藏狀態(tài)分析，隱馬爾可夫模型可以估計(jì)可能的未來觀察模式。在本例中，高或低氣壓的概率（這是隱藏狀態(tài)）可用于預(yù)測(cè)晴天、雨天、多云天的概率。
優(yōu)點(diǎn)：容許數(shù)據(jù)的變化性，適用于識(shí)別（recognition）和預(yù)測(cè)操作，場景舉例：面部表情分析、氣象預(yù)測(cè)。

隨機(jī)森林

Random forest

隨機(jī)森林算法通過使用多個(gè)帶有隨機(jī)選取的數(shù)據(jù)子集的樹（tree）改善了決策樹的精確性。本例在基因表達(dá)層面上考察了大量與乳腺癌復(fù)發(fā)相關(guān)的基因，并計(jì)算出復(fù)發(fā)風(fēng)險(xiǎn)。 優(yōu)點(diǎn)： 隨機(jī)森林方法被證明對(duì)大規(guī)模數(shù)據(jù)集和存在大量且有時(shí)不相關(guān)特征的項(xiàng)（item）來說很有用，場景舉例： 用戶流失分析、風(fēng)險(xiǎn)評(píng)估。

循環(huán)神經(jīng)網(wǎng)絡(luò)

Recurrent neural network

在任意神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元都通過 1 個(gè)或多個(gè)隱藏層來將很多輸入轉(zhuǎn)換成單個(gè)輸出。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）會(huì)將值進(jìn)一步逐層傳遞，讓逐層學(xué)習(xí)成為可能。換句話說，RNN 存在某種形式的記憶，允許先前的輸出去影響后面的輸入。
優(yōu)點(diǎn)：循環(huán)神經(jīng)網(wǎng)絡(luò)在存在大量有序信息時(shí)具有預(yù)測(cè)能力，場景舉例：圖像分類與字幕添加、政治情感分析。

長短期記憶與門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

LSTM & GRU nerual network

早期的 RNN 形式是會(huì)存在損耗的。盡管這些早期循環(huán)神經(jīng)網(wǎng)絡(luò)只允許留存少量的早期信息，新近的長短期記憶（LSTM）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)都有長期與短期的記憶。換句話說，這些新近的 RNN 擁有更好的控制記憶的能力，允許保留早先的值或是當(dāng)有必要處理很多系列步驟時(shí)重置這些值，這避免了「梯度衰減」或逐層傳遞的值的最終 degradation。LSTM 與 GRU 網(wǎng)絡(luò)使得我們可以使用被稱為「門（gate）」的記憶模塊或結(jié)構(gòu)來控制記憶，這種門可以在合適的時(shí)候傳遞或重置值。
優(yōu)點(diǎn)：長短期記憶和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)具備與其它循環(huán)神經(jīng)網(wǎng)絡(luò)一樣的優(yōu)點(diǎn)，但因?yàn)樗鼈冇懈玫挠洃浤芰?，所以更常被使用，場景舉例：自然語言處理、翻譯。

卷積神經(jīng)網(wǎng)絡(luò)

convolutional neural network

卷積是指來自后續(xù)層的權(quán)重的融合，可用于標(biāo)記輸出層。 優(yōu)點(diǎn)： 當(dāng)存在非常大型的數(shù)據(jù)集、大量特征和復(fù)雜的分類任務(wù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)是非常有用的，場景舉例： 圖像識(shí)別、文本轉(zhuǎn)語音、藥物發(fā)現(xiàn)。

END