毫無疑問，作為人工智能的子領(lǐng)域—機器學(xué)習(xí)在過去的幾年中越來越受歡迎。由于大數(shù)據(jù)是目前科技行業(yè)最熱門的趨勢，基于大量的數(shù)據(jù)機器學(xué)習(xí)在提前預(yù)測和做出建議方面有巨大的潛力。一些有關(guān)機器學(xué)習(xí)常見的例子有：Netflix基于你以前看過的電影再給你做出影片的推薦，或者亞馬遜根據(jù)你以前買過的書籍再給你進行圖書推薦。
如果想了解更多有關(guān)機器學(xué)習(xí)的知識，要從哪里開始呢？作者第一次入門是在哥本哈根海外交流時選了一門有關(guān)人工智能的課程。這門課程的講師是丹麥科技大學(xué)(Technical University of Denmark)的應(yīng)用數(shù)學(xué)以及計算機科學(xué)全職教授，他的研究領(lǐng)域主要是邏輯學(xué)和人工智能方面，主要研究內(nèi)容是使用邏輯來對計算機類人行為(比如計劃、推理以及問題解決等)進行建模。這門課包括理論、核心概念探討以及親自動手解決問題。作者所使用的教材是人工智能(AI)領(lǐng)域的經(jīng)典教材之一：Peter Norvig’s Artificial Intelligence?—?A Modern ApprOAch(人工智能—現(xiàn)代方法)，在其中我們學(xué)習(xí)的幾個主題包括：智能agents、通過搜索解決問題、社會化AI、AI的哲學(xué)/社會學(xué)/未來。在課程的結(jié)尾，作者使用簡單的基于搜索的agents來解決虛擬環(huán)境中的傳輸問題。
作者表示通過這門課程學(xué)到了相當(dāng)多的知識，也決定繼續(xù)學(xué)習(xí)這個特殊的課題。在接下來的幾個星期，作者在舊金山參加了很多關(guān)于機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)架構(gòu)的科技講座，特別是一個有很多業(yè)內(nèi)知名學(xué)者參加的機器學(xué)習(xí)會議。最重要的是，作者在Udacity中選修了一門“機器學(xué)習(xí)入門”的在線課程，最近已經(jīng)完成學(xué)習(xí)。在本文中，作者將在課程中學(xué)習(xí)到的機器學(xué)習(xí)算法分享給大家。
機器學(xué)習(xí)算法可以分為三個大類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)。其中：
監(jiān)督學(xué)習(xí)對于有標(biāo)簽的特定數(shù)據(jù)集(訓(xùn)練集)是非常有效的，但是它需要對于其他的距離進行預(yù)測。
無監(jiān)督學(xué)習(xí)對于在給定未標(biāo)記的數(shù)據(jù)集(目標(biāo)沒有提前指定)上發(fā)現(xiàn)潛在關(guān)系是非常有用的。
強化學(xué)習(xí)介于這兩者之間—它針對每次預(yù)測步驟(或行動)會有某種形式的反饋，但是沒有明確的標(biāo)記或者錯誤信息。本文主要介紹有關(guān)監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的10種算法。
監(jiān)督學(xué)習(xí)
1.決策樹(Decision Trees)：
決策樹是一個決策支持工具，它使用樹形圖或決策模型以及序列可能性。包括各種偶然事件的后果、資源成本、功效。下圖展示的是它的大概原理：
圖1 決策樹大概原理
從業(yè)務(wù)決策的角度來看，大部分情況下決策樹是評估作出正確的決定的概率最不需要問是/否問題的辦法。它能讓你以一個結(jié)構(gòu)化的和系統(tǒng)化的方式來處理這個問題，然后得出一個合乎邏輯的結(jié)論。
2.樸素貝葉斯分類(Naive Bayesian classification)：
樸素貝葉斯分類是一種十分簡單的分類算法，叫它樸素貝葉斯分類是因為這種方法的思想真的很樸素，樸素貝葉斯的思想基礎(chǔ)是這樣的：對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認(rèn)為此待分類項屬于哪個類別。
圖2 樸素貝葉斯分類
它的現(xiàn)實使用例子有：
將一封電子郵件標(biāo)記(或者不標(biāo)記)為垃圾郵件
將一篇新的文章歸類到科技、政治或者運動
檢查一段文本表達的是積極情緒還是消極情緒
臉部識別軟件
3.最小二乘法(Ordinary Least Squares Regression)：
如果你懂統(tǒng)計學(xué)的話，你可能以前聽說過線性回歸。最小二乘法是一種計算線性回歸的方法。你可以把線性回歸當(dāng)做在一系列的點中畫一條合適的直線的任務(wù)。有很多種方法可以實現(xiàn)這個，“最小二乘法”是這樣做的?—你畫一條線，然后為每個數(shù)據(jù)點測量點與線之間的垂直距離，并將這些全部相加，最終得到的擬合線將在這個相加的總距離上盡可能最小。
圖3 最小二乘法
4.邏輯回歸(Logistic Regression)：
邏輯回歸是一種強大的統(tǒng)計方法，它能建模出一個二項結(jié)果與一個(或多個)解釋變量。它通過估算使用邏輯運算的概率，測量分類依賴變量和一個(或多個)獨立的變量之間的關(guān)系，這是累積的邏輯分布情況。
圖4 累積的邏輯分布情況
總的來說，邏輯回歸可以用于以下幾個真實應(yīng)用場景：
信用評分
測量營銷活動的成功率
預(yù)測某一產(chǎn)品的收入
特定某一天是否會發(fā)生地震
5.支持向量機(Support Vector Machine)：
SVM(Support Vector Machine)是二元分類算法。給定一組2種類型的N維的地方點，SVM(Support Vector Machine)產(chǎn)生一個(N – 1)維超平面到這些點分成2組。假設(shè)你有2種類型的點，且它們是線性可分的。 SVM(Support Vector Machine)將找到一條直線將這些點分成2種類型，并且這條直線會盡可能地遠(yuǎn)離所有的點。
在規(guī)模方面，目前最大的使用支持向量機SVM(Support Vector Machine)(在適當(dāng)修改的情況下)的問題是顯示廣告，人類剪接位點識別，基于圖像的性別檢測，大規(guī)模的圖像分類等。
圖5 基于圖像的性別檢測，大規(guī)模的圖像分類
6.組合方法(Ensemble methods)：
組合方法是學(xué)習(xí)算法，它構(gòu)建一系列分類，然后通過采取加權(quán)投票預(yù)測的方式來對新的數(shù)據(jù)點進行分類。原始的集成方法是貝葉斯平均法，但最近的算法包括對其糾錯輸出編碼、套袋、加速等。
那么組合方法如何運行的呢？為什么說它們比其他的模型要優(yōu)秀？因為：
它們將偏差平均了：如果你將民主黨派的民意調(diào)查和共和黨的民意調(diào)查發(fā)在一起平均化，那么你將得到一個均衡的結(jié)果，且不偏向任何一方。
它們減少了差異：一堆模型的總結(jié)意見沒有一個模型的單一意見那么嘈雜。在金融領(lǐng)域，這就是所謂的多元化?—?有許多股票組合比一個單獨的股票的不確定性更少，這也為什么你的模型在數(shù)據(jù)多的情況下會更好的原因。
它們不太可能過度擬合：如果你有沒有過度擬合的獨立模型，你通過一個簡單的方式(平均，加權(quán)平均，邏輯回歸)對每個獨立模型的預(yù)測進行結(jié)合，這樣的話不太可能會出現(xiàn)過度擬合的情況。
圖6 過度擬合
無監(jiān)督學(xué)習(xí)
7.聚類算法(Clustering Algorithms)：
聚類是一種聚集對象的任務(wù)，例如：相比其他不同的組在同一組(集群)的對象彼此更為相似。
每個聚類算法都是不同的，比如說有以下幾種：
基于質(zhì)心的算法
基于連接的算法
基于密度的算法
可能性
維度縮減
神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)
圖7 聚類算法
8.主成分分析(Principal Component Analysis，PCA)：
通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。
一些主成分分析PCA程序的應(yīng)用包括壓縮、簡化數(shù)據(jù)、可視化。注意，對于選擇是否使用主成分分析領(lǐng)域知識是非常重要的。當(dāng)數(shù)據(jù)是嘈雜的時候(所有的組件的主成分分析有相當(dāng)高的方差)，它是不適合的。
圖8 主成分分析
9. 奇異值分解(Singular Value Decomposition)：
在線性代數(shù)中，SVD是一個非常復(fù)雜矩陣的因數(shù)分解。對于一個給定的m×n矩陣M，存在一個分解，M = UΣV，其中u和v是單一矩陣，Σ是對角矩陣。
主成分分析PCA其是奇異值分解SVD的簡單應(yīng)用。在計算機視覺領(lǐng)域，第一人臉識別算法，運用主成分分析PCA其是奇異值分解SVD來代表面孔作為一個線性組合的“特征臉”，并對其做降維，然后通過簡單的方法匹配合適的身份；雖然現(xiàn)代方法更復(fù)雜，但是許多人仍然依靠類似的技術(shù)。
圖9 奇異值分解
10.獨立成分分析(Independent Component Analysis)：
獨立成分分析(Independent Component Analysis，ICA)是一種揭示構(gòu)筑隨機變量、技術(shù)測量、信號等隱藏因素的統(tǒng)計技術(shù)。ICA定義了所觀察到的多變量數(shù)據(jù)生成模型，這通常是給定為一個大型數(shù)據(jù)庫的樣本。在該模型中，數(shù)據(jù)變量被假定為一些未知潛變量的線性混合，同時混合系統(tǒng)也仍然未知。潛變量被假定是非高斯和相互獨立的，它們被稱為所觀察到的數(shù)據(jù)的獨立分量。
圖10 獨立成分分析
ICA與PCA是相關(guān)的，但它更強大。在這些經(jīng)典的方法完全失敗的時候，ICA能夠找到源頭的潛在因素。它的應(yīng)用包括數(shù)字圖像、文檔數(shù)據(jù)庫、經(jīng)濟指標(biāo)和心理測試。
通過以上介紹，相信大部分人對于機器學(xué)習(xí)的算法都有一定的了解。如果對這方面感興趣的話，可以接著運用你理解的算法去創(chuàng)造機器學(xué)習(xí)應(yīng)用，為世界各地的人們創(chuàng)造更好的生活條件。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://m.hanmeixuan.com/
本文標(biāo)題：機器學(xué)習(xí)，你需要知道的十個算法
本文網(wǎng)址：http://m.hanmeixuan.com/html/consultation/10839719859.html
相關(guān)文章
