在一頭扎進機器學習前應該知道的那些事兒

摘要： 本文簡單總結了機器學習的幾大任務及其對應的方法，方便初學者根據自己的任務選擇合適的方法。當掌握機器學習基本知識以及清楚自己所要處理的任務後，應用機器學習就不會那麼難了。

機器學習一直是一個火熱的研究領域，深度學習方法的提出又為這個領域添了一把火，使得很多人對該領域感興趣並想投身於該領域的研究之中。那麼，對於想從事機器學習領域的人來說，有哪些是應該首先了解的內容呢？本文將簡單的介紹下機器學習的基本相關知識。

機器學習是指使計算機系統使用統計技術學習數據的過程，而不需要具體的編程程序。該方法是一個主動學習的演算法，使得它能夠從數據中學習並進行預測。機器學習與計算統計、數學優化以及數據學習密切相關，通常被用來進行預測、分析等任務。機器學習一般用於處理兩類任務：

• 有監督學習：輸入給計算機的示例帶有標籤（期望輸出），基於標籤調整建立的模型，以學習輸入到輸出的映射規則。
• 無監督學習：輸入給計算機的示例沒有標籤，建立的模型必須通過自身學習產生輸出。無監督學習涉及到從數據中發現隱藏的模式，包含特徵學習。

  機器學習這個術語對於大多非該領域的人來說聽起來很高級，但其實不然。只要你清楚機器學習的基本概念以及相關方法後，機器學習其實很簡單，即根據相關任務，選擇合適的機器學習方法，讓機器學習並處理特徵以完成相應的任務。因此，在學習和應用機器學習之前，我們首先應該明確自己的任務是什麼，以及適合使用哪種機器學習方法來完成。

如果我們想了解演算法背後的基本理論以及其工作原理，那麼精通概率與統計、線性代數和微積分對我們而言顯得至關重要。此外，了解諸如Python等編程語言將使你能夠容易得實現相關演算法，理論基礎與編程能力二者在手，機器學習我有。此外，理解相關的數學知識和應用也是很有必要的，無論是通過線下自學或者是網路在線培訓等學習方法，都必須實踐，實踐可以增加自己對基本知識的理解，同時也能鍛煉其編程能力。

在學習機器學習之前，掌握以下知識是很有必要的：

• 線性代數
• 微積分
• 概率論
• 程序設計
• 最優化理論
  下面是一些最常見的機器學習任務以及相關方法，對其理解後方便在後續工程中應用。

回歸

回歸主要涉及連續變數或數值變數的估計，比如估計房價、股票價格、產品價格等使用回歸估計。即根據相關的數據建立回歸曲線，對新的數據進行預測估計。以下機器學習方法用於解決回歸問題：

• 核回歸（Kernel regression）
• 支持向量回歸（Support vector regression）
• 高斯過程回歸（Gaussian process regression）
• 線性回歸（Linear regression）
• LASSO回歸（Least absolute shrinkage and selection operator）
• 回歸樹（Regression tree）

分類

分類與離散變數或數據類別的預測有關。比如區分垃圾郵件、病人患有哪種疾病、交易是否屬於欺詐行為等任務，都是使用分類方法處理的。以下方法可以用於解決分類問題：

• 核判別分析（Kernel discriminant analysis）
• 人工神經網路（Artificial neural networks）
• K鄰近演算法（K-nearests neighbors）
• Boosted trees
• 隨機森林（Random forests）
• 邏輯回歸（Logistic regression）
• 支持向量機（Support vector machine）
• 深度學習（Deep learning）
• 樸素貝葉斯（Naive Bayes）
• 決策樹（Decision trees）

聚類

聚類一般應用於數據自然分組。比如產品特徵識別、客戶細分等任務都是聚類的一些應用場景。以下機器學習方法用於聚類問題：

• 均值漂移（Mean-shift）
• K-均值（K-means）
• 主題模型（Topic models）
• 層次聚類（Hierarchical clustering）

多元查詢

多元查詢是用來尋找相似目標。下面的方法可用於解決與多元查詢有關的問題：

• 近鄰取樣（Nearest neighbors）
• 最遠鄰居（Farthest neighbors）
• 範圍搜索（Range search）

降維

降維是指降低多個隨機變數的維度，將其分為特徵提取和特徵選擇。常用的降維方法如下：

• 流線學習方法/核主成分分析（Manifold learning/KPCA）
• 獨立分量分析（Independent component analysis）
• 主成分分析（Principal component analysis）
• 非負矩陣分解（Non-negative matrix factorization）
• 壓縮感知（Compressed sensing）
• 高斯圖模型（Gaussian graphical models）

數十款阿里雲產品限時折扣中，趕緊點擊領劵開始雲上實踐吧！

以上為譯文，由阿里云云棲社區組織翻譯。

譯文鏈接

文章原標題《What You Must Know Before You Dive Into Machine Learning》

譯者：海棠，審校：Uncle_LLD。

文章為簡譯，更為詳細的內容，請查看原文。

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎

推薦閱讀：