摘要：當(dāng)掌握機(jī)器學(xué)習(xí)基本知識(shí)以及清楚自己所要處理的任務(wù)后，應(yīng)用機(jī)器學(xué)習(xí)就不會(huì)那么難了。因此，在學(xué)習(xí)和應(yīng)用機(jī)器學(xué)習(xí)之前，我們首先應(yīng)該明確自己的任務(wù)是什么，以及適合使用哪種機(jī)器學(xué)習(xí)方法來(lái)完成。

摘要： 本文簡(jiǎn)單總結(jié)了機(jī)器學(xué)習(xí)的幾大任務(wù)及其對(duì)應(yīng)的方法，方便初學(xué)者根據(jù)自己的任務(wù)選擇合適的方法。當(dāng)掌握機(jī)器學(xué)習(xí)基本知識(shí)以及清楚自己所要處理的任務(wù)后，應(yīng)用機(jī)器學(xué)習(xí)就不會(huì)那么難了。

機(jī)器學(xué)習(xí)一直是一個(gè)火熱的研究領(lǐng)域，深度學(xué)習(xí)方法的提出又為這個(gè)領(lǐng)域添了一把火，使得很多人對(duì)該領(lǐng)域感興趣并想投身于該領(lǐng)域的研究之中。那么，對(duì)于想從事機(jī)器學(xué)習(xí)領(lǐng)域的人來(lái)說(shuō)，有哪些是應(yīng)該首先了解的內(nèi)容呢？本文將簡(jiǎn)單的介紹下機(jī)器學(xué)習(xí)的基本相關(guān)知識(shí)。
機(jī)器學(xué)習(xí)是指使計(jì)算機(jī)系統(tǒng)使用統(tǒng)計(jì)技術(shù)學(xué)習(xí)數(shù)據(jù)的過(guò)程，而不需要具體的編程程序。該方法是一個(gè)主動(dòng)學(xué)習(xí)的算法，使得它能夠從數(shù)據(jù)中學(xué)習(xí)并進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)與計(jì)算統(tǒng)計(jì)、數(shù)學(xué)優(yōu)化以及數(shù)據(jù)學(xué)習(xí)密切相關(guān)，通常被用來(lái)進(jìn)行預(yù)測(cè)、分析等任務(wù)。機(jī)器學(xué)習(xí)一般用于處理兩類任務(wù)：

有監(jiān)督學(xué)習(xí)：輸入給計(jì)算機(jī)的示例帶有標(biāo)簽（期望輸出），基于標(biāo)簽調(diào)整建立的模型，以學(xué)習(xí)輸入到輸出的映射規(guī)則。

無(wú)監(jiān)督學(xué)習(xí)：輸入給計(jì)算機(jī)的示例沒(méi)有標(biāo)簽，建立的模型必須通過(guò)自身學(xué)習(xí)產(chǎn)生輸出。無(wú)監(jiān)督學(xué)習(xí)涉及到從數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式，包含特征學(xué)習(xí)。

機(jī)器學(xué)習(xí)這個(gè)術(shù)語(yǔ)對(duì)于大多非該領(lǐng)域的人來(lái)說(shuō)聽(tīng)起來(lái)很高級(jí)，但其實(shí)不然。只要你清楚機(jī)器學(xué)習(xí)的基本概念以及相關(guān)方法后，機(jī)器學(xué)習(xí)其實(shí)很簡(jiǎn)單，即根據(jù)相關(guān)任務(wù)，選擇合適的機(jī)器學(xué)習(xí)方法，讓機(jī)器學(xué)習(xí)并處理特征以完成相應(yīng)的任務(wù)。因此，在學(xué)習(xí)和應(yīng)用機(jī)器學(xué)習(xí)之前，我們首先應(yīng)該明確自己的任務(wù)是什么，以及適合使用哪種機(jī)器學(xué)習(xí)方法來(lái)完成。
如果我們想了解算法背后的基本理論以及其工作原理，那么精通概率與統(tǒng)計(jì)、線性代數(shù)和微積分對(duì)我們而言顯得至關(guān)重要。此外，了解諸如Python等編程語(yǔ)言將使你能夠容易得實(shí)現(xiàn)相關(guān)算法，理論基礎(chǔ)與編程能力二者在手，機(jī)器學(xué)習(xí)我有。此外，理解相關(guān)的數(shù)學(xué)知識(shí)和應(yīng)用也是很有必要的，無(wú)論是通過(guò)線下自學(xué)或者是網(wǎng)絡(luò)在線培訓(xùn)等學(xué)習(xí)方法，都必須實(shí)踐，實(shí)踐可以增加自己對(duì)基本知識(shí)的理解，同時(shí)也能鍛煉其編程能力。
在學(xué)習(xí)機(jī)器學(xué)習(xí)之前，掌握以下知識(shí)是很有必要的：

線性代數(shù)

微積分

概率論

程序設(shè)計(jì)

最優(yōu)化理論

下面是一些最常見(jiàn)的機(jī)器學(xué)習(xí)任務(wù)以及相關(guān)方法，對(duì)其理解后方便在后續(xù)工程中應(yīng)用。

回歸主要涉及連續(xù)變量或數(shù)值變量的估計(jì)，比如估計(jì)房?jī)r(jià)、股票價(jià)格、產(chǎn)品價(jià)格等使用回歸估計(jì)。即根據(jù)相關(guān)的數(shù)據(jù)建立回歸曲線，對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)估計(jì)。以下機(jī)器學(xué)習(xí)方法用于解決回歸問(wèn)題：

核回歸（Kernel regression）

支持向量回歸（Support vector regression）

高斯過(guò)程回歸（Gaussian process regression）

線性回歸（Linear regression）

LASSO回歸（Least absolute shrinkage and selection operator）

回歸樹(shù)（Regression tree）

分類與離散變量或數(shù)據(jù)類別的預(yù)測(cè)有關(guān)。比如區(qū)分垃圾郵件、病人患有哪種疾病、交易是否屬于欺詐行為等任務(wù)，都是使用分類方法處理的。以下方法可以用于解決分類問(wèn)題：

核判別分析（Kernel discriminant analysis）

人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks）

K鄰近算法（K-nearests neighbors）

Boosted trees

隨機(jī)森林（Random forests）

邏輯回歸（Logistic regression）

支持向量機(jī)（Support vector machine）

深度學(xué)習(xí)（Deep learning）

樸素貝葉斯（Naive Bayes）

決策樹(shù)（Decision trees）

聚類一般應(yīng)用于數(shù)據(jù)自然分組。比如產(chǎn)品特征識(shí)別、客戶細(xì)分等任務(wù)都是聚類的一些應(yīng)用場(chǎng)景。以下機(jī)器學(xué)習(xí)方法用于聚類問(wèn)題：

均值漂移（Mean-shift）

K-均值（K-means）

主題模型（Topic models）

層次聚類（Hierarchical clustering）

多元查詢是用來(lái)尋找相似目標(biāo)。下面的方法可用于解決與多元查詢有關(guān)的問(wèn)題：

近鄰取樣（Nearest neighbors）

最遠(yuǎn)鄰居（Farthest neighbors）

范圍搜索（Range search）

降維是指降低多個(gè)隨機(jī)變量的維度，將其分為特征提取和特征選擇。常用的降維方法如下：

流線學(xué)習(xí)方法/核主成分分析（Manifold learning/KPCA）

獨(dú)立分量分析（Independent component analysis）

主成分分析（Principal component analysis）

非負(fù)矩陣分解（Non-negative matrix factorization）

壓縮感知（Compressed sensing）

高斯圖模型（Gaussian graphical models）

作者信息

Anusha Manchala，專注于機(jī)器學(xué)習(xí)、數(shù)據(jù)分析
本文由阿里云云棲社區(qū)組織翻譯。
文章原標(biāo)題《What You Must Know Before You Dive Into Machine Learning》，譯者：海棠，審校：Uncle_LLD。
詳情請(qǐng)閱讀原文