漫画版：什么是机器学习？

漫画版：什么是人工智能？
漫画版：什么是机器学习？
漫画版：什么是深度学习？
漫画版：什么是神经网络？

这段机器学习基础视频将帮助您了解什么是机器学习，机器学习有哪些类型-! 1 f f M U ;有监督，无监督和强化学习，怎么经过简略的示例学习机器学习以及如安在各个行业中运用机器学习| ` : ` j ~ q & O。

什么是机器学习？i ; a x

咱们知道人类从曩昔的经历中学习，机器: O W – 9 Z遵从人类的指示

假如人类能够练习机器从曩昔的数据J ; = j ( k 0 z ^中学习呢？嗯，这被称为机器学习，但它不仅仅是学习，它还涉及理解和推理,所以今天咱们将学习I U w v | r @ $机器学习的基础常识。

插一段《Python3入门机器学习9 o , + c u n ; u经典算法与运用》这门课程中的解说 q d y ; |：

人类是怎么学习的？经过给大脑输入一定的材料，经过学习总结得到常识和9 l G 2经历，有当类似的使命时能够= 3 v M * !依据已有的经历做出决议5 ` e r M g R =或举动。

机器学习(Machine Learning)的进程与人类学习的进程是很类似的。机器学习算法本质上便是取得一个 f(x) 函数表明的模型，假如输入一个样本 x 给f(x) 得到的成果是一个类别，处理的便是一个分类问题，假如得到的是一个详细的数值那么处理的便k % % V r E 0 :是回归问题。

机器学习与人类学习的全体机制是一致的，有一点区别是人类的大? 4 2 T –脑只需要非常少的一些材料就能够归纳总结出适用性非常强的常识或许经历，例如咱们只要见过几只猫或几只狗就能正确的分辨出猫和狗，但对于机器来说咱们需要很多的学习材料，但机器能做到的是智能化不需要人类参加。

简略的示例

保罗听新歌，他依据歌曲的节奏、强度和声音的性别来决议喜爱仍是不喜爱。

为了简略起见，咱们只运用速度和强度K ^ h 9 6 s *。所以在这里，速度是在 x 轴上，从缓慢到快速，而强度是Q ; 7 ] G T 2 b }在 y 轴上0 J V y Q，从轻到重。咱们看到保罗喜爱快节奏和嘹亮的歌曲，而他不喜爱慢节奏和轻柔的歌曲。

现在咱们知道了保罗的挑选，让咱们看看保罗听一首新歌，让咱们给它命名这首歌 A，歌曲 A 速度快，强度飙升，所以它就在这里的某个地方。看看数据，你能猜出球在哪里会喜爱这首歌？

对，保罗喜爱这首歌。

经过回忆( * P N )保罗曩昔的挑选，咱们能够很容易地对未知的歌曲进行分类。假定现在保罗听了一首新歌，让咱们把它贴上 B 的标签，B 这, Y M p首歌就在这里的某个地方，节奏中等，强度中等，既不放松也不快速, 既不轻缓也不飞~ R V } H M K X [扬。

现在你能猜出保罗喜爱仍是不喜爱它吗？不能猜出保罗会喜爱或不喜爱它，其他挑选还不清楚。没错，咱们能够很z Y t =容易地对歌曲 A 进行分类，可是当挑选变得复杂时，就像歌曲B 一样。机器学习能够帮你处理这个问题。

让咱们看看怎么。在歌曲 B 的同一个比如中，假如咱们在歌曲 B 周围画一个圆圈，咱们会看到有四个绿色圆点表明喜爱，而一个红色圆点不喜爱。

假如咱们挑选占大多数比例的绿色圆点，咱们能够说保罗肯定会喜爱这首歌，这便是一个基本的机器学h u 2习算法，它被称V ] * 4 v | W为 K 近邻算法, 这仅仅许多机器学习算法之一中的一个小比如。

可是当挑选变得复杂时会发作什么？就像歌曲 B 的比如一样，当机器学习进入时，它会学习数据，建立猜测模型，当新的数据点进来时,它能够很容易地猜测它。数据越多，模型越好，精度越高。

机器学习的分类

机器学习的q F P方法有许多，它能够是监督学习、无监0 = * b ` W g督学习或强化学习。

监督学习

让咱们首先快速了解监督学习。假定你的朋友给你 100 万个三种不同货币的硬币，比如说一个是 1 欧元，一个是 1 欧尔，每个硬币有不同的分量，例如，一枚 1 卢比的硬币重 3 克, 一欧元重 7 克，一欧尔重L t p m # b 4 克,你的模型将猜测% o i 5硬币的货币。在这里，体重成为硬币的特征，而货币成为标签，当你将这些数据输入机器学习模型时，它k ( d ^ g : – H会学习哪个特征与哪个V 4 F S d 0 B成果相关联。

例如，它将了解到，假如一枚硬_ = Y V币是三克，它将是一枚卢比硬币。依据新硬币的分量，你的模型将猜测货币。因而，监d G ^ D Y S 0督学习运用标签数据来练习模型。在这里，机] $ D U c器知道目标的特征以及p z % ^与这些特征相关的标签。

无监督学习

在这一点上，让咱们看看与无监督学习的区别。假定你有不同球员的板球数据集。当您将此数据集送给机器时，机器会辨认玩家功y % E [ G a H – ,用的模式，因而它会在 x 轴上运用各自的 Achatz 对这些数据进行处理，一起在 y 轴上运行

在查看数据时，你会清楚地看到有两个集群，一个集$ U L F群是得分高，分较少的球员,而另一个集群是得分较少但得分较多的球员，所以在这里咱们将这两个集群解说为击球= _ h 0 Y q y N y手和投球手。

需要y f 3 _注意的重要2 = v n a ( L l一点是，这里没有击3 O d _ : M球手、投球手的标签，因而 运用无标签数据的学习是无监督学习。因而，咱们了解了数据被符号的监督学习和数据未符号的无监督学习。

强化学习

然后是强化学习E 4 Y = 8 n J，这是一种依据奖赏的学习，或许咱们能够说它的工作原理是反应。

在这里，假定你向系统供给了一只狗的图画，并要求它辨认它。系统将它辨认为一只猫，所以你给机器一个负面反应，说它是狗的形象，机器会从反应中学i _ c习。最后，假如它遇到任何其他狗的图画，它a ` R将能够正确分类，那便是强化学习。

让咱们看一个流程图，输入给机器学习模型，然后依据运用的算法给出输出。假如是正确的，咱们将输出作为终究成果，否则咱们会向火车模型供给反应，并要求它猜测，直到它学

机器学习的运用

你有时不知道在当今时代，机器学习是u z & B , w 5 S怎么成为可能的，那是由于今天咱们有很多可用的数据，每个人都在线,要么进行买卖，要么上网，每分钟都会发生很多数据，_ S A F数据是剖析的要害。

此外2 o & X U R H，计算机的内存处理能力也在很大程度上添加，这有助于他们毫不延迟地处理手头如此很多的数据。

是的，计算机现在拥有强壮的计算能力，所以有许多机器学习的运用。

仅举几例，机器学习用于医疗保健，在医疗保健中，医生能够猜测确诊，情绪剖析。

科技巨头在~ a E ~交际媒体上所做的引荐是另一个有趣的运用。金融部分的机器学习诈骗检测，并猜u b & I a n C测电子商务部分的客户丢失。

小检验

我希望你现已理解了监督和无m 1 [ W ? s o N b监督学习，所以让咱们做一个快速检验，确认给定的场景是运用监督仍是非监督学习。

• 场景 1: Facebook 从一张标签相片相册中辨认出你的朋友
• 场6 F ; a a T景R [ / , 2: Netflix 依据某人曩昔的电影挑选引荐新电影
• 场景 3: 剖析可疑买卖的银行数据并符号诈骗买卖

场景 1: Facebl ~ 6ook 在一张标签相片相册中的相片中辨认你的朋友解说: 这是监督学习。在这里，Facebook 正在运用/ = 6 Q n 4 F N符号的相片来辨认这个人。因% % ] *而，符号的相片成为y 8 0 H s图片的标签，咱们知道当机器从符号的数据中学习时，它是监督学习。

场景 2: 依据某人曩昔的音乐挑选引荐新歌解说| : h: 这是R x _ A d /监督学习。该模型是在预先存在的标签 (歌曲流派) 上练习分类器。这是 Netflix，Pandora 和 Spotify 一直在 Q I )做的事情，他们收集您现已喜爱的歌曲/电影,依据您的喜爱评价功用，. ) 2 U l { & P n然后依据类似功用引荐新电影/歌曲。

场景 3: 剖析可疑O ~ ~买卖的银行数据并符号诈骗买卖解说: 这是无监督学习。在这种情况下，可v A a I 4 g & –疑买卖没有界说，因而没有 “诈骗” 和 “非诈骗” 的标签。该模型企图[ & D # C经过查看异常买卖来辨认异常值，并将其符号为 “诈骗”。