機器學習筆記001 | 我對機器學習的理解

1

隨著AlphaGo在圍棋上戰勝李世石，戰勝柯潔，人工智慧的概念火遍全球。那麼人工智慧來源於何處呢？

人類的智慧來源於學習，機器的智能同樣也需要從學習中獲得。

什麼是機器學習？

有人（Arthur Samuel）曾經把它描述為：

讓計算機在沒有明確編程的情況下，獲得學習能力的領域

後面又有人（Tom Mitchell）提出了一個更加現代化的表述：

計算機程序從一系列以（P）為結果的任務（T）中得到經驗（E），在大量經驗（E）的累積下，最終表現的結果（P）得以改善。

其中：P為performance，T為task，E為experience。

例如，下圍棋（T）有輸有贏（P），AlphaGo通過大量地下圍棋（T），得到了豐富的經驗（E），最終贏了李世石（P）。

這一個過程就是機器學習。

目前機器學習存在幾種不同類型的學習演算法，主要的兩種類型被稱之為監督學習和無監督學習。

2

所謂的監督學習，其實就是我們明確知道正確輸出結果應該是怎樣的，或者對結果有一個基本的預期。

例如我們在下圍棋之前，就知道什麼樣的情況是輸，什麼樣的情況是贏。

而監督學習的問題又分為兩種類型，分別是連續型問題（regression）與離散型問題（classification）。

例如我們有市場中一些房子真實的面積數據，想要通過一個房子的面積，來預測這個房子的價格，這其實就是連續型的問題。

例如我們有一些病人得到癌症的案例，想要通過一個腫瘤的大小，來判斷癌症到底是惡性的還是良性的，這其實就是離散型問題。

所以，如果我們通過監督學習的方式，利用股票的歷史數據，來預測股票的未來價格，其實就是要解決連續型問題；而利用股票的歷史數據，來判斷股價下一次是漲還是跌，就是要解決離散型問題。

3

那什麼是無監督學習呢？

有些問題，我們可能不清楚明確的答案，甚至對結果也沒有什麼概念。

在這樣的情況下，我們沒有辦法告訴機器對與不對，也就是說機器學習的預測結果不會得到反饋，這就是無監督學習。

有時候，我們希望通過無監督學習，從一片混亂的信息中得到結構性的特徵。

例如我們有一系列人臉的數據，我們可能從中得到年齡、職業、階層等不同類型的特徵數據。

然後根據這些特徵，我們就可以把具備相似結構的數據歸類到一起。

例如搜索引擎裡面，我們搜索石油泄露，可能會找到的相關的圖片、新聞事件、危害性等等。

並且根據這些特徵，我們也可以將不同結構的數據區分開來。

例如在一個雞尾酒會上，人聲和音樂聲交雜，我們希望將這兩種聲音區分開來。

無監督學習如果應用到股票上，在我的理解中我們得到的，可能是股價的漲跌情況、公司盈利情況、公司的行業類型等等，然後我們可以利用這些不同的特徵，區分開不同的情況公司，從而找到能夠給我們帶來超額收益的股票。

文章提前發布在公眾號：止一之路