機(jī)器學(xué)習(xí)教程之機(jī)器學(xué)習(xí)概念的深度解析

在進(jìn)入正題前，我想讀者心中可能會(huì)有一個(gè)疑惑：機(jī)器學(xué)習(xí)有什么重要性，以至于要閱讀完這篇非常長的文章呢？

我并不直接回答這個(gè)問題前。相反，我想請大家看兩張圖，下圖是圖一：

圖1 機(jī)器學(xué)習(xí)界的執(zhí)牛耳者與互聯(lián)網(wǎng)界的大鱷的聯(lián)姻

這幅圖上上的三人是當(dāng)今機(jī)器學(xué)習(xí)界的執(zhí)牛耳者。中間的是Geoffrey Hinton, 加拿大多倫多大學(xué)的教授，如今被聘為“Google大腦”的負(fù)責(zé)人。右邊的是Yann LeCun, 紐約大學(xué)教授，如今是Facebook人工智能實(shí)驗(yàn)室的主任。而左邊的大家都很熟悉，Andrew Ng，中文名吳恩達(dá)，斯坦福大學(xué)副教授，曾是“百度大腦”的負(fù)責(zé)人與百度首席科學(xué)家。這三位都是目前業(yè)界炙手可熱的大牛，被互聯(lián)網(wǎng)界大鱷求賢若渴的聘請，足見他們的重要性。而他們的研究方向，則全部都是機(jī)器學(xué)習(xí)的子類--深度學(xué)習(xí)。

下圖是圖二：

圖2語音助手產(chǎn)品

這幅圖上描述的是什么？Windows Phone上的語音助手Cortana，名字來源于《光環(huán)》中士官長的助手。相比其他競爭對手，微軟很遲才推出這個(gè)服務(wù)。Cortana背后的核心技術(shù)是什么，為什么它能夠聽懂人的語音？事實(shí)上，這個(gè)技術(shù)正是機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)是所有語音助手產(chǎn)品(包括Apple的siri與Google的Now)能夠跟人交互的關(guān)鍵技術(shù)。

通過上面兩圖，我相信大家可以看出機(jī)器學(xué)習(xí)似乎是一個(gè)很重要的，有很多未知特性的技術(shù)。學(xué)習(xí)它似乎是一件有趣的任務(wù)。實(shí)際上，學(xué)習(xí)機(jī)器學(xué)習(xí)不僅可以幫助我們了解互聯(lián)網(wǎng)界最新的趨勢，同時(shí)也可以知道伴隨我們的便利服務(wù)的實(shí)現(xiàn)技術(shù)。

機(jī)器學(xué)習(xí)是什么，為什么它能有這么大的魔力，這些問題正是本文要回答的。同時(shí)，本文叫做“從機(jī)器學(xué)習(xí)談起”，因此會(huì)以漫談的形式介紹跟機(jī)器學(xué)習(xí)相關(guān)的所有內(nèi)容，包括學(xué)科(如數(shù)據(jù)挖掘、計(jì)算機(jī)視覺等)，算法(神經(jīng)網(wǎng)絡(luò)，svm)等等。

本文的主要目錄：

1. 一個(gè)故事說明什么是機(jī)器學(xué)習(xí)2. 機(jī)器學(xué)習(xí)的定義3. 機(jī)器學(xué)習(xí)的范圍4. 機(jī)器學(xué)習(xí)的方法5. 機(jī)器學(xué)習(xí)的應(yīng)用--大數(shù)據(jù)6. 機(jī)器學(xué)習(xí)的子類--深度學(xué)習(xí)7. 機(jī)器學(xué)習(xí)的父類--人工智能8. 總結(jié)9. 后記

▍一個(gè)故事說明什么是機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)這個(gè)詞是讓人疑惑的，首先它是英文名稱Machine Learning(簡稱ML)的直譯，在計(jì)算界Machine一般指計(jì)算機(jī)。這個(gè)名字使用了擬人的手法，說明了這門技術(shù)是讓機(jī)器“學(xué)習(xí)”的技術(shù)。但是計(jì)算機(jī)是死的，怎么可能像人類一樣“學(xué)習(xí)”呢？

傳統(tǒng)上如果我們想讓計(jì)算機(jī)工作，我們給它一串指令，然后它遵照這個(gè)指令一步步執(zhí)行下去。有因有果，非常明確。但這樣的方式在機(jī)器學(xué)習(xí)中行不通。機(jī)器學(xué)習(xí)根本不接受你輸入的指令，相反，它接受你輸入的數(shù)據(jù)! 也就是說，機(jī)器學(xué)習(xí)是一種讓計(jì)算機(jī)利用數(shù)據(jù)而不是指令來進(jìn)行各種工作的方法這聽起來非常不可思議，但結(jié)果上卻是非?？尚械摹！敖y(tǒng)計(jì)”思想將在你學(xué)習(xí)“機(jī)器學(xué)習(xí)”相關(guān)理念時(shí)無時(shí)無刻不伴隨，相關(guān)而不是因果的概念將是支撐機(jī)器學(xué)習(xí)能夠工作的核心概念。你會(huì)顛覆對你以前所有程序中建立的因果無處不在的根本理念。

下面我通過一個(gè)故事來簡單地闡明什么是機(jī)器學(xué)習(xí)。這個(gè)故事比較適合用在知乎上作為一個(gè)概念的闡明。在這里，這個(gè)故事沒有展開，但相關(guān)內(nèi)容與核心是存在的。如果你想簡單的了解一下什么是機(jī)器學(xué)習(xí)，那么看完這個(gè)故事就足夠了。如果你想了解機(jī)器學(xué)習(xí)的更多知識以及與它關(guān)聯(lián)緊密的當(dāng)代技術(shù)，那么請你繼續(xù)往下看，后面有更多的豐富的內(nèi)容。這個(gè)例子來源于我真實(shí)的生活經(jīng)驗(yàn)，我在思考這個(gè)問題的時(shí)候突然發(fā)現(xiàn)它的過程可以被擴(kuò)充化為一個(gè)完整的機(jī)器學(xué)習(xí)的過程，因此我決定使用這個(gè)例子作為所有介紹的開始。這個(gè)故事稱為“等人問題”。我相信大家都有跟別人相約，然后等人的經(jīng)歷?，F(xiàn)實(shí)中不是每個(gè)人都那么守時(shí)的，于是當(dāng)你碰到一些愛遲到的人，你的時(shí)間不可避免的要浪費(fèi)。我就碰到過這樣的一個(gè)例子。對我的一個(gè)朋友小Y而言，他就不是那么守時(shí)，最常見的表現(xiàn)是他經(jīng)常遲到。當(dāng)有一次我跟他約好3點(diǎn)鐘在某個(gè)麥當(dāng)勞見面時(shí)，在我出門的那一刻我突然想到一個(gè)問題：我現(xiàn)在出發(fā)合適么？我會(huì)不會(huì)又到了地點(diǎn)后，花上30分鐘去等他？我決定采取一個(gè)策略解決這個(gè)問題。要想解決這個(gè)問題，有好幾種方法。第一種方法是采用知識：我搜尋能夠解決這個(gè)問題的知識。但很遺憾，沒有人會(huì)把如何等人這個(gè)問題作為知識傳授，因此我不可能找到已有的知識能夠解決這個(gè)問題。第二種方法是問他人：我去詢問他人獲得解決這個(gè)問題的能力。但是同樣的，這個(gè)問題沒有人能夠解答，因?yàn)榭赡軟]人碰上跟我一樣的情況。第三種方法是準(zhǔn)則法：我問自己的內(nèi)心，我有否設(shè)立過什么準(zhǔn)則去面對這個(gè)問題？例如，無論別人如何，我都會(huì)守時(shí)到達(dá)。但我不是個(gè)死板的人，我沒有設(shè)立過這樣的規(guī)則。事實(shí)上，我相信有種方法比以上三種都合適。我把過往跟小Y相約的經(jīng)歷在腦海中重現(xiàn)一下，看看跟他相約的次數(shù)中，遲到占了多大的比例。而我利用這來預(yù)測他這次遲到的可能性。如果這個(gè)值超出了我心里的某個(gè)界限，那我選擇等一會(huì)再出發(fā)。假設(shè)我跟小Y約過5次，他遲到的次數(shù)是1次，那么他按時(shí)到的比例為80%，我心中的閾值為70%，我認(rèn)為這次小Y應(yīng)該不會(huì)遲到，因此我按時(shí)出門。如果小Y在5次遲到的次數(shù)中占了4次，也就是他按時(shí)到達(dá)的比例為20%，由于這個(gè)值低于我的閾值，因此我選擇推遲出門的時(shí)間。這個(gè)方法從它的利用層面來看，又稱為經(jīng)驗(yàn)法。在經(jīng)驗(yàn)法的思考過程中，我事實(shí)上利用了以往所有相約的數(shù)據(jù)。因此也可以稱之為依據(jù)數(shù)據(jù)做的判斷。依據(jù)數(shù)據(jù)所做的判斷跟機(jī)器學(xué)習(xí)的思想根本上是一致的。剛才的思考過程我只考慮“頻次”這種屬性。在真實(shí)的機(jī)器學(xué)習(xí)中，這可能都不算是一個(gè)應(yīng)用。一般的機(jī)器學(xué)習(xí)模型至少考慮兩個(gè)量：一個(gè)是因變量，也就是我們希望預(yù)測的結(jié)果，在這個(gè)例子里就是小Y遲到與否的判斷。另一個(gè)是自變量，也就是用來預(yù)測小Y是否遲到的量。假設(shè)我把時(shí)間作為自變量，譬如我發(fā)現(xiàn)小Y所有遲到的日子基本都是星期五，而在非星期五情況下他基本不遲到。于是我可以建立一個(gè)模型，來模擬小Y遲到與否跟日子是否是星期五的概率。見下圖：

圖3 決策樹模型

這樣的圖就是一個(gè)最簡單的機(jī)器學(xué)習(xí)模型，稱之為決策樹。當(dāng)我們考慮的自變量只有一個(gè)時(shí)，情況較為簡單。如果把我們的自變量再增加一個(gè)。例如小Y遲到的部分情況時(shí)是在他開車過來的時(shí)候(你可以理解為他開車水平較臭，或者路較堵)。于是我可以關(guān)聯(lián)考慮這些信息。建立一個(gè)更復(fù)雜的模型，這個(gè)模型包含兩個(gè)自變量與一個(gè)因變量。

再更復(fù)雜一點(diǎn)，小Y的遲到跟天氣也有一定的原因，例如下雨的時(shí)候，這時(shí)候我需要考慮三個(gè)自變量。

如果我希望能夠預(yù)測小Y遲到的具體時(shí)間，我可以把他每次遲到的時(shí)間跟雨量的大小以及前面考慮的自變量統(tǒng)一建立一個(gè)模型。于是我的模型可以預(yù)測值，例如他大概會(huì)遲到幾分鐘。這樣可以幫助我更好的規(guī)劃我出門的時(shí)間。在這樣的情況下，決策樹就無法很好地支撐了，因?yàn)闆Q策樹只能預(yù)測離散值。我們可以用節(jié)2所介紹的線型回歸方法建立這個(gè)模型。

如果我把這些建立模型的過程交給電腦。比如把所有的自變量和因變量輸入，然后讓計(jì)算機(jī)幫我生成一個(gè)模型，同時(shí)讓計(jì)算機(jī)根據(jù)我當(dāng)前的情況，給出我是否需要遲出門，需要遲幾分鐘的建議。那么計(jì)算機(jī)執(zhí)行這些輔助決策的過程就是機(jī)器學(xué)習(xí)的過程。機(jī)器學(xué)習(xí)方法是計(jì)算機(jī)利用已有的數(shù)據(jù)(經(jīng)驗(yàn))，得出了某種模型(遲到的規(guī)律)，并利用此模型預(yù)測未來(是否遲到)的一種方法。通過上面的分析，可以看出機(jī)器學(xué)習(xí)與人類思考的經(jīng)驗(yàn)過程是類似的，不過它能考慮更多的情況，執(zhí)行更加復(fù)雜的計(jì)算。事實(shí)上，機(jī)器學(xué)習(xí)的一個(gè)主要目的就是把人類思考?xì)w納經(jīng)驗(yàn)的過程轉(zhuǎn)化為計(jì)算機(jī)通過對數(shù)據(jù)的處理計(jì)算得出模型的過程。經(jīng)過計(jì)算機(jī)得出的模型能夠以近似于人的方式解決很多靈活復(fù)雜的問題。

下面，我會(huì)開始對機(jī)器學(xué)習(xí)的正式介紹，包括定義、范圍，方法、應(yīng)用等等，都有所包含。

▍機(jī)器學(xué)習(xí)的定義

從廣義上來說，機(jī)器學(xué)習(xí)是一種能夠賦予機(jī)器學(xué)習(xí)的能力以此讓它完成直接編程無法完成的功能的方法。但從實(shí)踐的意義上來說，機(jī)器學(xué)習(xí)是一種通過利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測的一種方法。

讓我們具體看一個(gè)例子。

圖4 房價(jià)的例子

拿國民話題的房子來說。現(xiàn)在我手里有一棟房子需要售賣，我應(yīng)該給它標(biāo)上多大的價(jià)格？房子的面積是100平方米，價(jià)格是100萬，120萬，還是140萬？

很顯然，我希望獲得房價(jià)與面積的某種規(guī)律。那么我該如何獲得這個(gè)規(guī)律？用報(bào)紙上的房價(jià)平均數(shù)據(jù)么？還是參考別人面積相似的？無論哪種，似乎都并不是太靠譜。

我現(xiàn)在希望獲得一個(gè)合理的，并且能夠最大程度的反映面積與房價(jià)關(guān)系的規(guī)律。于是我調(diào)查了周邊與我房型類似的一些房子，獲得一組數(shù)據(jù)。這組數(shù)據(jù)中包含了大大小小房子的面積與價(jià)格，如果我能從這組數(shù)據(jù)中找出面積與價(jià)格的規(guī)律，那么我就可以得出房子的價(jià)格。

對規(guī)律的尋找很簡單，擬合出一條直線，讓它“穿過”所有的點(diǎn)，并且與各個(gè)點(diǎn)的距離盡可能的小。

通過這條直線，我獲得了一個(gè)能夠最佳反映房價(jià)與面積規(guī)律的規(guī)律。這條直線同時(shí)也是一個(gè)下式所表明的函數(shù)：

房價(jià) = 面積 * a + b上述中的a、b都是直線的參數(shù)。獲得這些參數(shù)以后，我就可以計(jì)算出房子的價(jià)格。

假設(shè)a = 0.75，b = 50，則房價(jià) = 100 * 0.75 + 50 = 125萬。這個(gè)結(jié)果與我前面所列的100萬，120萬，140萬都不一樣。由于這條直線綜合考慮了大部分的情況，因此從“統(tǒng)計(jì)”意義上來說，這是一個(gè)最合理的預(yù)測。在求解過程中透露出了兩個(gè)信息：

1.房價(jià)模型是根據(jù)擬合的函數(shù)類型決定的。如果是直線，那么擬合出的就是直線方程。如果是其他類型的線，例如拋物線，那么擬合出的就是拋物線方程。機(jī)器學(xué)習(xí)有眾多算法，一些強(qiáng)力算法可以擬合出復(fù)雜的非線性模型，用來反映一些不是直線所能表達(dá)的情況。

2.如果我的數(shù)據(jù)越多，我的模型就越能夠考慮到越多的情況，由此對于新情況的預(yù)測效果可能就越好。這是機(jī)器學(xué)習(xí)界“數(shù)據(jù)為王”思想的一個(gè)體現(xiàn)。一般來說(不是絕對)，數(shù)據(jù)越多，最后機(jī)器學(xué)習(xí)生成的模型預(yù)測的效果越好。

通過我擬合直線的過程，我們可以對機(jī)器學(xué)習(xí)過程做一個(gè)完整的回顧。首先，我們需要在計(jì)算機(jī)中存儲(chǔ)歷史的數(shù)據(jù)。接著，我們將這些 數(shù)據(jù)通過機(jī)器學(xué)習(xí)算法進(jìn)行處理，這個(gè)過程在機(jī)器學(xué)習(xí)中叫做“訓(xùn)練”，處理的結(jié)果可以被我們用來對新的數(shù)據(jù)進(jìn)行預(yù)測，這個(gè)結(jié)果一般稱之為“模型”。對新數(shù)據(jù) 的預(yù)測過程在機(jī)器學(xué)習(xí)中叫做“預(yù)測”?！坝?xùn)練”與“預(yù)測”是機(jī)器學(xué)習(xí)的兩個(gè)過程，“模型”則是過程的中間輸出結(jié)果，“訓(xùn)練”產(chǎn)生“模型”，“模型”指導(dǎo) “預(yù)測”。

讓我們把機(jī)器學(xué)習(xí)的過程與人類對歷史經(jīng)驗(yàn)歸納的過程做個(gè)比對。

圖5機(jī)器學(xué)習(xí)與人類思考的類比

人類在成長、生活過程中積累了很多的歷史與經(jīng)驗(yàn)。人類定期地對這些經(jīng)驗(yàn)進(jìn)行“歸納”，獲得了生活的“規(guī)律”。當(dāng)人類遇到未知的問題或者需要對未來進(jìn)行“推測”的時(shí)候，人類使用這些“規(guī)律”，對未知問題與未來進(jìn)行“推測”，從而指導(dǎo)自己的生活和工作。

機(jī)器學(xué)習(xí)中的“訓(xùn)練”與“預(yù)測”過程可以對應(yīng)到人類的“歸納”和“推測”過程。通過這樣的對應(yīng)，我們可以發(fā)現(xiàn)，機(jī)器學(xué)習(xí)的思想并不復(fù)雜，僅僅是對人類在生活中學(xué)習(xí)成長的一個(gè)模擬。由于機(jī)器學(xué)習(xí)不是基于編程形成的結(jié)果，因此它的處理過程不是因果的邏輯，而是通過歸納思想得出的相關(guān)性結(jié)論。

這也可以聯(lián)想到人類為什么要學(xué)習(xí)歷史，歷史實(shí)際上是人類過往經(jīng)驗(yàn)的總結(jié)。有句話說得很好，“歷史往往不一樣，但歷史總是驚人的相似”。通過學(xué)習(xí)歷史，我們從歷史中歸納出人生與國家的規(guī)律，從而指導(dǎo)我們的下一步工作，這是具有莫大價(jià)值的。當(dāng)代一些人忽視了歷史的本來價(jià)值，而是把其作為一種宣揚(yáng)功績的手段，這其實(shí)是對歷史真實(shí)價(jià)值的一種誤用。

▍機(jī)器學(xué)習(xí)的范圍

上文雖然說明了機(jī)器學(xué)習(xí)是什么，但是并沒有給出機(jī)器學(xué)習(xí)的范圍。

其實(shí)，機(jī)器學(xué)習(xí)跟模式識別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘，計(jì)算機(jī)視覺，語音識別，自然語言處理等領(lǐng)域有著很深的聯(lián)系。

從范圍上來說，機(jī)器學(xué)習(xí)跟模式識別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘是類似的，同時(shí)，機(jī)器學(xué)習(xí)與其他領(lǐng)域的處理技術(shù)的結(jié)合，形成了計(jì)算機(jī)視覺、語音識別、自然語言處理等交叉學(xué)科。因此，一般說數(shù)據(jù)挖掘時(shí)，可以等同于說機(jī)器學(xué)習(xí)。同時(shí)，我們平常所說的機(jī)器學(xué)習(xí)應(yīng)用，應(yīng)該是通用的，不僅僅局限在結(jié)構(gòu)化數(shù)據(jù)，還有圖像，音頻等應(yīng)用。

在這節(jié)對機(jī)器學(xué)習(xí)這些相關(guān)領(lǐng)域的介紹有助于我們理清機(jī)器學(xué)習(xí)的應(yīng)用場景與研究范圍，更好的理解后面的算法與應(yīng)用層次。

下圖是機(jī)器學(xué)習(xí)所牽扯的一些相關(guān)范圍的學(xué)科與研究領(lǐng)域。

圖6 機(jī)器學(xué)習(xí)與相關(guān)學(xué)科

模式識別

模式識別=機(jī)器學(xué)習(xí)。兩者的主要區(qū)別在于前者是從工業(yè)界發(fā)展起來的概念，后者則主要源自計(jì)算機(jī)學(xué)科。在著名的《Pattern Recognition And Machine Learning》這本書中，Christopher M. Bishop在開頭是這樣說的“模式識別源自工業(yè)界，而機(jī)器學(xué)習(xí)來自于計(jì)算機(jī)學(xué)科。不過，它們中的活動(dòng)可以被視為同一個(gè)領(lǐng)域的兩個(gè)方面，同時(shí)在過去的10年間，它們都有了長足的發(fā)展”。數(shù)據(jù)挖掘數(shù)據(jù)挖掘=機(jī)器學(xué)習(xí)+數(shù)據(jù)庫。這幾年數(shù)據(jù)挖掘的概念實(shí)在是太耳熟能詳。幾乎等同于炒作。但凡說數(shù)據(jù)挖掘都會(huì)吹噓數(shù)據(jù)挖掘如何如何，例如從數(shù)據(jù)中挖出金子，以及將廢棄的數(shù)據(jù)轉(zhuǎn)化為價(jià)值等等。但是，我盡管可能會(huì)挖出金子，但我也可能挖的是“石頭”啊。這個(gè)說法的意思是，數(shù)據(jù)挖掘僅僅是一種思考方式，告訴我們應(yīng)該嘗試從數(shù)據(jù)中挖掘出知識，但不是每個(gè)數(shù)據(jù)都能挖掘出金子的，所以不要神話它。一個(gè)系統(tǒng)絕對不會(huì)因?yàn)樯狭艘粋€(gè)數(shù)據(jù)挖掘模塊就變得無所不能(這是IBM最喜歡吹噓的)，恰恰相反，一個(gè)擁有數(shù)據(jù)挖掘思維的人員才是關(guān)鍵，而且他還必須對數(shù)據(jù)有深刻的認(rèn)識，這樣才可能從數(shù)據(jù)中導(dǎo)出模式指引業(yè)務(wù)的改善。大部分?jǐn)?shù)據(jù)挖掘中的算法是機(jī)器學(xué)習(xí)的算法在數(shù)據(jù)庫中的優(yōu)化。統(tǒng)計(jì)學(xué)習(xí)統(tǒng)計(jì)學(xué)習(xí)近似等于機(jī)器學(xué)習(xí)。統(tǒng)計(jì)學(xué)習(xí)是個(gè)與機(jī)器學(xué)習(xí)高度重疊的學(xué)科。因?yàn)闄C(jī)器學(xué)習(xí)中的大多數(shù)方法來自統(tǒng)計(jì)學(xué)，甚至可以認(rèn)為，統(tǒng)計(jì)學(xué)的發(fā)展促進(jìn)機(jī)器學(xué)習(xí)的繁榮昌盛。例如著名的支持向量機(jī)算法，就是源自統(tǒng)計(jì)學(xué)科。但是在某種程度上兩者是有分別的，這個(gè)分別在于：統(tǒng)計(jì)學(xué)習(xí)者重點(diǎn)關(guān)注的是統(tǒng)計(jì)模型的發(fā)展與優(yōu)化，偏數(shù)學(xué)，而機(jī)器學(xué)習(xí)者更關(guān)注的是能夠解決問題，偏實(shí)踐，因此機(jī)器學(xué)習(xí)研究者會(huì)重點(diǎn)研究學(xué)習(xí)算法在計(jì)算機(jī)上執(zhí)行的效率與準(zhǔn)確性的提升。計(jì)算機(jī)視覺計(jì)算機(jī)視覺=圖像處理+機(jī)器學(xué)習(xí)。圖像處理技術(shù)用于將圖像處理為適合進(jìn)入機(jī)器學(xué)習(xí)模型中的輸入，機(jī)器學(xué)習(xí)則負(fù)責(zé)從圖像中識別出相關(guān)的模式。計(jì)算機(jī)視覺相關(guān)的應(yīng)用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應(yīng)用。這個(gè)領(lǐng)域是應(yīng)用前景非常火熱的，同時(shí)也是研究的熱門方向。隨著機(jī)器學(xué)習(xí)的新領(lǐng)域深度學(xué)習(xí)的發(fā)展，大大促進(jìn)了計(jì)算機(jī)圖像識別的效果，因此未來計(jì)算機(jī)視覺界的發(fā)展前景不可估量。語音識別語音識別=語音處理+機(jī)器學(xué)習(xí)。語音識別就是音頻處理技術(shù)與機(jī)器學(xué)習(xí)的結(jié)合。語音識別技術(shù)一般不會(huì)單獨(dú)使用，一般會(huì)結(jié)合自然語言處理的相關(guān)技術(shù)。目前的相關(guān)應(yīng)用有蘋果的語音助手siri等。自然語言處理自然語言處理=文本處理+機(jī)器學(xué)習(xí)。自然語言處理技術(shù)主要是讓機(jī)器理解人類的語言的一門領(lǐng)域。在自然語言處理技術(shù)中，大量使用了編譯原理相關(guān)的技術(shù)，例如詞法分析，語法分析等等，除此之外，在理解這個(gè)層面，則使用了語義理解，機(jī)器學(xué)習(xí)等技術(shù)。作為唯一由人類自身創(chuàng)造的符號，自然語言處理一直是機(jī)器學(xué)習(xí)界不斷研究的方向。按照百度機(jī)器學(xué)習(xí)專家余凱的說法“聽與看，說白了就是阿貓和阿狗都會(huì)的，而只有語言才是人類獨(dú)有的”。如何利用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行自然語言的的深度理解，一直是工業(yè)和學(xué)術(shù)界關(guān)注的焦點(diǎn)?？梢钥闯鰴C(jī)器學(xué)習(xí)在眾多領(lǐng)域的外延和應(yīng)用。機(jī)器學(xué)習(xí)技術(shù)的發(fā)展促使了很多智能領(lǐng)域的進(jìn)步，改善著我們的生活。

▍機(jī)器學(xué)習(xí)的方法

通過上節(jié)的介紹我們知曉了機(jī)器學(xué)習(xí)的大致范圍，那么機(jī)器學(xué)習(xí)里面究竟有多少經(jīng)典的算法呢？在這個(gè)部分我會(huì)簡要介紹一下機(jī)器學(xué)習(xí)中的經(jīng)典代表方法。這部分介紹的重點(diǎn)是這些方法內(nèi)涵的思想，數(shù)學(xué)與實(shí)踐細(xì)節(jié)不會(huì)在這討論。1. 回歸算法

在大部分機(jī)器學(xué)習(xí)課程中，回歸算法都是介紹的第一個(gè)算法。原因有兩個(gè)：一.回歸算法比較簡單，介紹它可以讓人平滑地從統(tǒng)計(jì)學(xué)遷移到機(jī)器學(xué)習(xí)中。二.回歸算法是后面若干強(qiáng)大算法的基石，如果不理解回歸算法，無法學(xué)習(xí)那些強(qiáng)大的算法?；貧w算法有兩個(gè)重要的子類：即線性回歸和邏輯回歸。

線性回歸就是我們前面說過的房價(jià)求解問題。如何擬合出一條直線最佳匹配我所有的數(shù)據(jù)？一般使用“最小二乘法”來求解?！白钚《朔ā钡乃枷胧沁@樣的，假設(shè)我們擬合出的直線代表數(shù)據(jù)的真實(shí)值，而觀測到的數(shù)據(jù)代表擁有誤差的值。為了盡可能減小誤差的影響，需要求解一條直線使所有誤差的平方和最小。最小二乘法將最優(yōu)問題轉(zhuǎn)化為求函數(shù)極值問題。函數(shù)極值在數(shù)學(xué)上我們一般會(huì)采用求導(dǎo)數(shù)為0的方法。但這種做法并不適合計(jì)算機(jī)，可能求解不出來，也可能計(jì)算量太大。

計(jì)算機(jī)科學(xué)界專門有一個(gè)學(xué)科叫“數(shù)值計(jì)算”，專門用來提升計(jì)算機(jī)進(jìn)行各類計(jì)算時(shí)的準(zhǔn)確性和效率問題。例如，著名的“梯度下降”以及“牛頓法”就是數(shù)值計(jì)算中的經(jīng)典算法，也非常適合來處理求解函數(shù)極值的問題。梯度下降法是解決回歸模型中最簡單且有效的方法之一。從嚴(yán)格意義上來說，由于后文中的神經(jīng)網(wǎng)絡(luò)和推薦算法中都有線性回歸的因子，因此梯度下降法在后面的算法實(shí)現(xiàn)中也有應(yīng)用。邏輯回歸是一種與線性回歸非常類似的算法，但是，從本質(zhì)上講，線型回歸處理的問題類型與邏輯回歸不一致。線性回歸處理的是數(shù)值問題，也就是最后預(yù)測出的結(jié)果是數(shù)字，例如房價(jià)。而邏輯回歸屬于分類算法，也就是說，邏輯回歸預(yù)測結(jié)果是離散的分類，例如判斷這封郵件是否是垃圾郵件，以及用戶是否會(huì)點(diǎn)擊此廣告等等。

實(shí)現(xiàn)方面的話，邏輯回歸只是對對線性回歸的計(jì)算結(jié)果加上了一個(gè)Sigmoid函數(shù)，將數(shù)值結(jié)果轉(zhuǎn)化為了0到1之間的概率(Sigmoid函數(shù)的圖像一般來說并不直觀，你只需要理解對數(shù)值越大，函數(shù)越逼近1，數(shù)值越小，函數(shù)越逼近0)，接著我們根據(jù)這個(gè)概率可以做預(yù)測，例如概率大于0.5，則這封郵件就是垃圾郵件，或者腫瘤是否是惡性的等等。從直觀上來說，邏輯回歸是畫出了一條分類線，見下圖。

圖7 邏輯回歸的直觀解釋

假設(shè)我們有一組腫瘤患者的數(shù)據(jù)，這些患者的腫瘤中有些是良性的(圖中的藍(lán)色點(diǎn))，有些是惡性的(圖中的紅色點(diǎn))。這里腫瘤的紅藍(lán)色可以被稱作數(shù)據(jù)的“標(biāo)簽”。同時(shí)每個(gè)數(shù)據(jù)包括兩個(gè)“特征”：患者的年齡與腫瘤的大小。我們將這兩個(gè)特征與標(biāo)簽映射到這個(gè)二維空間上，形成了我上圖的數(shù)據(jù)。當(dāng)我有一個(gè)綠色的點(diǎn)時(shí)，我該判斷這個(gè)腫瘤是惡性的還是良性的呢？根據(jù)紅藍(lán)點(diǎn)我們訓(xùn)練出了一個(gè)邏輯回歸模型，也就是圖中的分類線。這時(shí)，根據(jù)綠點(diǎn)出現(xiàn)在分類線的左側(cè)，因此我們判斷它的標(biāo)簽應(yīng)該是紅色，也就是說屬于惡性腫瘤。邏輯回歸算法劃出的分類線基本都是線性的(也有劃出非線性分類線的邏輯回歸，不過那樣的模型在處理數(shù)據(jù)量較大的時(shí)候效率會(huì)很低)，這意味著當(dāng)兩類之間的界線不是線性時(shí)，邏輯回歸的表達(dá)能力就不足。下面的兩個(gè)算法是機(jī)器學(xué)習(xí)界最強(qiáng)大且重要的算法，都可以擬合出非線性的分類線。2. 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)(也稱之為人工神經(jīng)網(wǎng)絡(luò)，ANN)算法是80年代機(jī)器學(xué)習(xí)界非常流行的算法，不過在90年代中途衰落?，F(xiàn)在，攜著“深度學(xué)習(xí)”之勢，神經(jīng)網(wǎng)絡(luò)重裝歸來，重新成為最強(qiáng)大的機(jī)器學(xué)習(xí)算法之一。神經(jīng)網(wǎng)絡(luò)的誕生起源于對大腦工作機(jī)理的研究。早期生物界學(xué)者們使用神經(jīng)網(wǎng)絡(luò)來模擬大腦。機(jī)器學(xué)習(xí)的學(xué)者們使用神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)的實(shí)驗(yàn)，發(fā)現(xiàn)在視覺與語音的識別上效果都相當(dāng)好。在BP算法(加速神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的數(shù)值算法)誕生以后，神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了一個(gè)熱潮。BP算法的發(fā)明人之一是前面介紹的機(jī)器學(xué)習(xí)大牛Geoffrey Hinton(圖1中的中間者)。具體說來，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)理是什么？簡單來說，就是分解與整合。在著名的Hubel-Wiesel試驗(yàn)中，學(xué)者們研究貓的視覺分析機(jī)理是這樣的。

圖8 Hubel-Wiesel試驗(yàn)與大腦視覺機(jī)理

比方說，一個(gè)正方形，分解為四個(gè)折線進(jìn)入視覺處理的下一層中。四個(gè)神經(jīng)元分別處理一個(gè)折線。每個(gè)折線再繼續(xù)被分解為兩條直線，每條直線再被分解為黑白兩個(gè)面。于是，一個(gè)復(fù)雜的圖像變成了大量的細(xì)節(jié)進(jìn)入神經(jīng)元，神經(jīng)元處理以后再進(jìn)行整合，最后得出了看到的是正方形的結(jié)論。這就是大腦視覺識別的機(jī)理，也是神經(jīng)網(wǎng)絡(luò)工作的機(jī)理。讓我們看一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)的邏輯架構(gòu)。在這個(gè)網(wǎng)絡(luò)中，分成輸入層，隱藏層，和輸出層。輸入層負(fù)責(zé)接收信號，隱藏層負(fù)責(zé)對數(shù)據(jù)的分解與處理，最后的結(jié)果被整合到輸出層。每層中的一個(gè)圓代表一個(gè)處理單元，可以認(rèn)為是模擬了一個(gè)神經(jīng)元，若干個(gè)處理單元組成了一個(gè)層，若干個(gè)層再組成了一個(gè)網(wǎng)絡(luò)，也就是"神經(jīng)網(wǎng)絡(luò)"。

圖9 神經(jīng)網(wǎng)絡(luò)的邏輯架構(gòu)

在神經(jīng)網(wǎng)絡(luò)中，每個(gè)處理單元事實(shí)上就是一個(gè)邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預(yù)測結(jié)果作為輸出傳輸?shù)较乱粋€(gè)層次。通過這樣的過程，神經(jīng)網(wǎng)絡(luò)可以完成非常復(fù)雜的非線性分類。

下圖會(huì)演示神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的一個(gè)著名應(yīng)用，這個(gè)程序叫做LeNet，是一個(gè)基于多個(gè)隱層構(gòu)建的神經(jīng)網(wǎng)絡(luò)。通過LeNet可以識別多種手寫數(shù)字，并且達(dá)到很高的識別精度與擁有較好的魯棒性。

圖10 LeNet的效果展示

右下方的方形中顯示的是輸入計(jì)算機(jī)的圖像，方形上方的紅色字樣“answer”后面顯示的是計(jì)算機(jī)的輸出。左邊的三條豎直的圖像列顯示的是神經(jīng)網(wǎng)絡(luò)中三個(gè)隱藏層的輸出，可以看出，隨著層次的不斷深入，越深的層次處理的細(xì)節(jié)越低，例如層3基本處理的都已經(jīng)是線的細(xì)節(jié)了。LeNet的發(fā)明人就是前文介紹過的機(jī)器學(xué)習(xí)的大牛Yann LeCun(圖1右者)。

進(jìn)入90年代，神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了一個(gè)瓶頸期。其主要原因是盡管有BP算法的加速，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程仍然很困難。因此90年代后期支持向量機(jī)(SVM)算法取代了神經(jīng)網(wǎng)絡(luò)的地位。3. SVM（支持向量機(jī)）

支持向量機(jī)算法是誕生于統(tǒng)計(jì)學(xué)習(xí)界，同時(shí)在機(jī)器學(xué)習(xí)界大放光彩的經(jīng)典算法。

支持向量機(jī)算法從某種意義上來說是邏輯回歸算法的強(qiáng)化：通過給予邏輯回歸算法更嚴(yán)格的優(yōu)化條件，支持向量機(jī)算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數(shù)技術(shù)，則支持向量機(jī)算法最多算是一種更好的線性分類技術(shù)。

但是，通過跟高斯“核”的結(jié)合，支持向量機(jī)可以表達(dá)出非常復(fù)雜的分類界線，從而達(dá)成很好的的分類效果?！昂恕笔聦?shí)上就是一種特殊的函數(shù)，最典型的特征就是可以將低維的空間映射到高維的空間。

例如下圖所示：

圖11 支持向量機(jī)圖例

我們?nèi)绾卧诙S平面劃分出一個(gè)圓形的分類界線？在二維平面可能會(huì)很困難，但是通過“核”可以將二維空間映射到三維空間，然后使用一個(gè)線性平面就可以達(dá)成類似效果。也就是說，二維平面劃分出的非線性分類界線可以等價(jià)于三維平面的線性分類界線。于是，我們可以通過在三維空間中進(jìn)行簡單的線性劃分就可以達(dá)到在二維平面中的非線性劃分效果。

圖12 三維空間的切割

支持向量機(jī)是一種數(shù)學(xué)成分很濃的機(jī)器學(xué)習(xí)算法（相對的，神經(jīng)網(wǎng)絡(luò)則有生物科學(xué)成分）。在算法的核心步驟中，有一步證明，即將數(shù)據(jù)從低維映射到高維不會(huì)帶來最后計(jì)算復(fù)雜性的提升。于是，通過支持向量機(jī)算法，既可以保持計(jì)算效率，又可以獲得非常好的分類效果。因此支持向量機(jī)在90年代后期一直占據(jù)著機(jī)器學(xué)習(xí)中最核心的地位，基本取代了神經(jīng)網(wǎng)絡(luò)算法。直到現(xiàn)在神經(jīng)網(wǎng)絡(luò)借著深度學(xué)習(xí)重新興起，兩者之間才又發(fā)生了微妙的平衡轉(zhuǎn)變。4. 聚類算法

前面的算法中的一個(gè)顯著特征就是我的訓(xùn)練數(shù)據(jù)中包含了標(biāo)簽，訓(xùn)練出的模型可以對其他未知數(shù)據(jù)預(yù)測標(biāo)簽。在下面的算法中，訓(xùn)練數(shù)據(jù)都是不含標(biāo)簽的，而算法的目的則是通過訓(xùn)練，推測出這些數(shù)據(jù)的標(biāo)簽。這類算法有一個(gè)統(tǒng)稱，即無監(jiān)督算法(前面有標(biāo)簽的數(shù)據(jù)的算法則是有監(jiān)督算法)。無監(jiān)督算法中最典型的代表就是聚類算法。讓我們還是拿一個(gè)二維的數(shù)據(jù)來說，某一個(gè)數(shù)據(jù)包含兩個(gè)特征。我希望通過聚類算法，給他們中不同的種類打上標(biāo)簽，我該怎么做呢？簡單來說，聚類算法就是計(jì)算種群中的距離，根據(jù)距離的遠(yuǎn)近將數(shù)據(jù)劃分為多個(gè)族群。聚類算法中最典型的代表就是K-Means算法。

5. 降維算法

降維算法也是一種無監(jiān)督學(xué)習(xí)算法，其主要特征是將數(shù)據(jù)從高維降低到低維層次。在這里，維度其實(shí)表示的是數(shù)據(jù)的特征量的大小，例如，房價(jià)包含房子的長、寬、面積與房間數(shù)量四個(gè)特征，也就是維度為4維的數(shù)據(jù)?？梢钥闯鰜恚L與寬事實(shí)上與面積表示的信息重疊了，例如面積=長 × 寬。通過降維算法我們就可以去除冗余信息，將特征減少為面積與房間數(shù)量兩個(gè)特征，即從4維的數(shù)據(jù)壓縮到2維。于是我們將數(shù)據(jù)從高維降低到低維，不僅利于表示，同時(shí)在計(jì)算上也能帶來加速。剛才說的降維過程中減少的維度屬于肉眼可視的層次，同時(shí)壓縮也不會(huì)帶來信息的損失(因?yàn)樾畔⑷哂嗔?。如果肉眼不可視，或者沒有冗余的特征，降維算法也能工作，不過這樣會(huì)帶來一些信息的損失。但是，降維算法可以從數(shù)學(xué)上證明，從高維壓縮到的低維中最大程度地保留了數(shù)據(jù)的信息。因此，使用降維算法仍然有很多的好處。降維算法的主要作用是壓縮數(shù)據(jù)與提升機(jī)器學(xué)習(xí)其他算法的效率。通過降維算法，可以將具有幾千個(gè)特征的數(shù)據(jù)壓縮至若干個(gè)特征。另外，降維算法的另一個(gè)好處是數(shù)據(jù)的可視化，例如將5維的數(shù)據(jù)壓縮至2維，然后可以用二維平面來可視。降維算法的主要代表是PCA算法(即主成分分析算法)。

6. 推薦算法

推薦算法是目前業(yè)界非?；鸬囊环N算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運(yùn)用。推薦算法的主要特征就是可以自動(dòng)向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。推薦算法有兩個(gè)主要的類別：

一類是基于物品內(nèi)容的推薦，是將與用戶購買的內(nèi)容近似的物品推薦給用戶，這樣的前提是每個(gè)物品都得有若干個(gè)標(biāo)簽，因此才可以找出與用戶購買物品類似的物品，這樣推薦的好處是關(guān)聯(lián)程度較大，但是由于每個(gè)物品都需要貼標(biāo)簽，因此工作量較大。

另一類是基于用戶相似度的推薦，則是將與目標(biāo)用戶興趣相同的其他用戶購買的東西推薦給目標(biāo)用戶，例如小A歷史上買了物品B和C，經(jīng)過算法分析，發(fā)現(xiàn)另一個(gè)與小A近似的用戶小D購買了物品E，于是將物品E推薦給小A。

兩類推薦都有各自的優(yōu)缺點(diǎn)，在一般的電商應(yīng)用中，一般是兩類混合使用。推薦算法中最有名的算法就是協(xié)同過濾算法。

7. 其他

除了以上算法之外，機(jī)器學(xué)習(xí)界還有其他的如高斯判別，樸素貝葉斯，決策樹等等算法。但是上面列的六個(gè)算法是使用最多，影響最廣，種類最全的典型。機(jī)器學(xué)習(xí)界的一個(gè)特色就是算法眾多，發(fā)展百花齊放。下面做一個(gè)總結(jié)，按照訓(xùn)練的數(shù)據(jù)有無標(biāo)簽，可以將上面算法分為監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法，但推薦算法較為特殊，既不屬于監(jiān)督學(xué)習(xí)，也不屬于非監(jiān)督學(xué)習(xí)，是單獨(dú)的一類。

監(jiān)督學(xué)習(xí)算法：線性回歸，邏輯回歸，神經(jīng)網(wǎng)絡(luò)，SVM無監(jiān)督學(xué)習(xí)算法：聚類算法，降維算法特殊算法：推薦算法

除了這些算法以外，有一些算法的名字在機(jī)器學(xué)習(xí)領(lǐng)域中也經(jīng)常出現(xiàn)。但他們本身并不算是一個(gè)機(jī)器學(xué)習(xí)算法，而是為了解決某個(gè)子問題而誕生的。你可以理解他們?yōu)橐陨纤惴ǖ淖铀惴?，用于大幅度提高?xùn)練過程。其中的代表有：梯度下降法，主要運(yùn)用在線型回歸，邏輯回歸，神經(jīng)網(wǎng)絡(luò)，推薦算法中；牛頓法，主要運(yùn)用在線型回歸中；BP算法，主要運(yùn)用在神經(jīng)網(wǎng)絡(luò)中；SMO算法，主要運(yùn)用在SVM中。

▍機(jī)器學(xué)習(xí)的應(yīng)用—大數(shù)據(jù)

說完機(jī)器學(xué)習(xí)的方法，下面要談一談機(jī)器學(xué)習(xí)的應(yīng)用了。無疑，在2010年以前，機(jī)器學(xué)習(xí)的應(yīng)用在某些特定領(lǐng)域發(fā)揮了巨大的作用，如車牌識別，網(wǎng)絡(luò)攻擊防范，手寫字符識別等等。但是，從2010年以后，隨著大數(shù)據(jù)概念的興起，機(jī)器學(xué)習(xí)大量的應(yīng)用都與大數(shù)據(jù)高度耦合，幾乎可以認(rèn)為大數(shù)據(jù)是機(jī)器學(xué)習(xí)應(yīng)用的最佳場景。

譬如，但凡你能找到的介紹大數(shù)據(jù)魔力的文章，都會(huì)說大數(shù)據(jù)如何準(zhǔn)確準(zhǔn)確預(yù)測到了某些事。例如經(jīng)典的Google利用大數(shù)據(jù)預(yù)測了H1N1在美國某小鎮(zhèn)的爆發(fā)。

圖13 Google成功預(yù)測H1N1

百度預(yù)測2014年世界杯，從淘汰賽到?jīng)Q賽全部預(yù)測正確。

圖14 百度世界杯成功預(yù)測了所有比賽結(jié)果

這些實(shí)在太神奇了，那么究竟是什么原因?qū)е麓髷?shù)據(jù)具有這些魔力的呢？簡單來說，就是機(jī)器學(xué)習(xí)技術(shù)。正是基于機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，數(shù)據(jù)才能發(fā)揮其魔力。

大數(shù)據(jù)的核心是利用數(shù)據(jù)的價(jià)值，機(jī)器學(xué)習(xí)是利用數(shù)據(jù)價(jià)值的關(guān)鍵技術(shù)，對于大數(shù)據(jù)而言，機(jī)器學(xué)習(xí)是不可或缺的。相反，對于機(jī)器學(xué)習(xí)而言，越多的數(shù)據(jù)會(huì)越 可能提升模型的精確性，同時(shí)，復(fù)雜的機(jī)器學(xué)習(xí)算法的計(jì)算時(shí)間也迫切需要分布式計(jì)算與內(nèi)存計(jì)算這樣的關(guān)鍵技術(shù)。因此，機(jī)器學(xué)習(xí)的興盛也離不開大數(shù)據(jù)的幫助。 大數(shù)據(jù)與機(jī)器學(xué)習(xí)兩者是互相促進(jìn)，相依相存的關(guān)系。

機(jī)器學(xué)習(xí)與大數(shù)據(jù)緊密聯(lián)系。但是，必須清醒的認(rèn)識到，大數(shù)據(jù)并不等同于機(jī)器學(xué)習(xí)，同理，機(jī)器學(xué)習(xí)也不等同于大數(shù)據(jù)。大數(shù)據(jù)中包含有分布式計(jì)算，內(nèi)存數(shù)據(jù)庫，多維分析等等多種技術(shù)。單從分析方法來看，大數(shù)據(jù)也包含以下四種分析方法：1.大數(shù)據(jù)，小分析：即數(shù)據(jù)倉庫領(lǐng)域的OLAP分析思路，也就是多維分析思想。2.大數(shù)據(jù)，大分析：這個(gè)代表的就是數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)分析法。3.流式分析：這個(gè)主要指的是事件驅(qū)動(dòng)架構(gòu)。4.查詢分析：經(jīng)典代表是NoSQL數(shù)據(jù)庫。也就是說，機(jī)器學(xué)習(xí)僅僅是大數(shù)據(jù)分析中的一種而已。盡管機(jī)器學(xué)習(xí)的一些結(jié)果具有很大的魔力，在某種場合下是大數(shù)據(jù)價(jià)值最好的說明。但這并不代表機(jī)器學(xué)習(xí)是大數(shù)據(jù)下的唯一的分析方法。

機(jī)器學(xué)習(xí)與大數(shù)據(jù)的結(jié)合產(chǎn)生了巨大的價(jià)值?；跈C(jī)器學(xué)習(xí)技術(shù)的發(fā)展，數(shù)據(jù)能夠“預(yù)測”。對人類而言，積累的經(jīng)驗(yàn)越豐富，閱歷也廣泛，對未來的判斷越準(zhǔn)確。例如常說的“經(jīng)驗(yàn)豐富”的人比“初出茅廬”的小伙子更有工作上的優(yōu)勢，就在于經(jīng)驗(yàn)豐富的人獲得的規(guī)律比他人更準(zhǔn)確。而在機(jī)器學(xué)習(xí)領(lǐng)域，根據(jù)著名的一個(gè)實(shí)驗(yàn)，有效的證實(shí)了機(jī)器學(xué)習(xí)界一個(gè)理論：即機(jī)器學(xué)習(xí)模型的數(shù)據(jù)越多，機(jī)器學(xué)習(xí)的預(yù)測的效率就越好。見下圖：

圖15 機(jī)器學(xué)習(xí)準(zhǔn)確率與數(shù)據(jù)的關(guān)系

通過這張圖可以看出，各種不同算法在輸入的數(shù)據(jù)量達(dá)到一定級數(shù)后，都有相近的高準(zhǔn)確度。于是誕生了機(jī)器學(xué)習(xí)界的名言：成功的機(jī)器學(xué)習(xí)應(yīng)用不是擁有最好的算法，而是擁有最多的數(shù)據(jù)！

在大數(shù)據(jù)的時(shí)代，有好多優(yōu)勢促使機(jī)器學(xué)習(xí)能夠應(yīng)用更廣泛。例如隨著物聯(lián)網(wǎng)和移動(dòng)設(shè)備的發(fā)展，我們擁有的數(shù)據(jù)越來越多，種類也包括圖片、文本、視頻等非結(jié)構(gòu)化數(shù)據(jù)，這使得機(jī)器學(xué)習(xí)模型可以獲得越來越多的數(shù)據(jù)。同時(shí)大數(shù)據(jù)技術(shù)中的分布式計(jì)算Map-Reduce使得機(jī)器學(xué)習(xí)的速度越來越快，可以更方便的使用。種種優(yōu)勢使得在大數(shù)據(jù)時(shí)代，機(jī)器學(xué)習(xí)的優(yōu)勢可以得到最佳的發(fā)揮。

▍機(jī)器學(xué)習(xí)的子類—深度學(xué)習(xí)

近來，機(jī)器學(xué)習(xí)的發(fā)展產(chǎn)生了一個(gè)新的方向，即“深度學(xué)習(xí)”。

雖然深度學(xué)習(xí)這四字聽起來頗為高大上，但其理念卻非常簡單，就是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)發(fā)展到了多隱藏層的情況。在上文介紹過，自從90年代以后，神經(jīng)網(wǎng)絡(luò)已經(jīng)消寂了一段時(shí)間。但是BP算法的發(fā)明人Geoffrey Hinton一直沒有放棄對神經(jīng)網(wǎng)絡(luò)的研究。由于神經(jīng)網(wǎng)絡(luò)在隱藏層擴(kuò)大到兩個(gè)以上，其訓(xùn)練速度就會(huì)非常慢，因此實(shí)用性一直低于支持向量機(jī)。2006年，Geoffrey Hinton在科學(xué)雜志《Science》上發(fā)表了一篇文章，論證了兩個(gè)觀點(diǎn)：

1. 多隱層的神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對數(shù)據(jù)有更本質(zhì)的刻畫，從而有利于可視化或分類；

2. 深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度，可以通過“逐層初始化” 來有效克服。

圖16Geoffrey Hinton與他的學(xué)生在Science上發(fā)表文章

通過這樣的發(fā)現(xiàn)，不僅解決了神經(jīng)網(wǎng)絡(luò)在計(jì)算上的難度，同時(shí)也說明了深層神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)上的優(yōu)異性。從此，神經(jīng)網(wǎng)絡(luò)重新成為了機(jī)器學(xué)習(xí)界中的主流強(qiáng)大學(xué)習(xí)技術(shù)。同時(shí)，具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)被稱為深度神經(jīng)網(wǎng)絡(luò)，基于深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)研究稱之為深度學(xué)習(xí)。

由于深度學(xué)習(xí)的重要性質(zhì)，在各方面都取得極大的關(guān)注，按照時(shí)間軸排序，有以下四個(gè)標(biāo)志性事件值得一說：

2012年6月，《紐約時(shí)報(bào)》披露了Google Brain項(xiàng)目，這個(gè)項(xiàng)目是由Andrew Ng和Map-Reduce發(fā)明人Jeff Dean共同主導(dǎo)，用16000個(gè)CPU Core的并行計(jì)算平臺(tái)訓(xùn)練一種稱為“深層神經(jīng)網(wǎng)絡(luò)”的機(jī)器學(xué)習(xí)模型，在語音識別和圖像識別等領(lǐng)域獲得了巨大的成功。Andrew Ng就是文章開始所介紹的機(jī)器學(xué)習(xí)的大牛(圖1中左者)。

2012年11月，微軟在中國天津的一次活動(dòng)上公開演示了一個(gè)全自動(dòng)的同聲傳譯系統(tǒng)，講演者用英文演講，后臺(tái)的計(jì)算機(jī)一氣呵成自動(dòng)完成語音識別、英中機(jī)器翻譯，以及中文語音合成，效果非常流暢，其中支撐的關(guān)鍵技術(shù)是深度學(xué)習(xí)；

2013年1月，在百度的年會(huì)上，創(chuàng)始人兼CEO李彥宏高調(diào)宣布要成立百度研究院，其中第一個(gè)重點(diǎn)方向就是深度學(xué)習(xí)，并為此而成立深度學(xué)習(xí)研究院(IDL)。

2013年4月，《麻省理工學(xué)院技術(shù)評論》雜志將深度學(xué)習(xí)列為2013年十大突破性技術(shù)(Breakthrough Technology)之首。

圖17深度學(xué)習(xí)的發(fā)展熱潮

文章開頭所列的三位機(jī)器學(xué)習(xí)的大牛，不僅都是機(jī)器學(xué)習(xí)界的專家，更是深度學(xué)習(xí)研究領(lǐng)域的先驅(qū)。因此，使他們擔(dān)任各個(gè)大型互聯(lián)網(wǎng)公司技術(shù)掌舵者的原因不僅在于他們的技術(shù)實(shí)力，更在于他們研究的領(lǐng)域是前景無限的深度學(xué)習(xí)技術(shù)。

目前業(yè)界許多的圖像識別技術(shù)與語音識別技術(shù)的進(jìn)步都源于深度學(xué)習(xí)的發(fā)展，除了本文開頭所提的Cortana等語音助手，還包括一些圖像識別應(yīng)用，其中典型的代表就是下圖的百度識圖功能。

圖18百度識圖

深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的子類?；谏疃葘W(xué)習(xí)的發(fā)展極大的促進(jìn)了機(jī)器學(xué)習(xí)的地位提高，更進(jìn)一步地，推動(dòng)了業(yè)界對機(jī)器學(xué)習(xí)父類人工智能夢想的再次重視。

▍機(jī)器學(xué)習(xí)的父類—人工智能

人工智能是機(jī)器學(xué)習(xí)的父類。深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)的子類。如果把三者的關(guān)系用圖來表明的話，則是下圖：

圖19深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能三者關(guān)系

毫無疑問，人工智能(AI)是人類所能想象的科技界最突破性的發(fā)明了，某種意義上來說，人工智能就像游戲最終幻想的名字一樣，是人類對于科技界的最終夢想。從50年代提出人工智能的理念以后，科技界，產(chǎn)業(yè)界不斷在探索，研究。這段時(shí)間各種小說、電影都在以各種方式展現(xiàn)對于人工智能的想象。人類可以發(fā)明類似于人類的機(jī)器，這是多么偉大的一種理念！但事實(shí)上，自從50年代以后，人工智能的發(fā)展就磕磕碰碰，未有見到足夠震撼的科學(xué)技術(shù)的進(jìn)步。

總結(jié)起來，人工智能的發(fā)展經(jīng)歷了如下若干階段，從早期的邏輯推理，到中期的專家系統(tǒng)，這些科研進(jìn)步確實(shí)使我們離機(jī)器的智能有點(diǎn)接近了，但還有一大段距離。直到機(jī)器學(xué)習(xí)誕生以后，人工智能界感覺終于找對了方向。基于機(jī)器學(xué)習(xí)的圖像識別和語音識別在某些垂直領(lǐng)域達(dá)到了跟人相媲美的程度。機(jī)器學(xué)習(xí)使人類第一次如此接近人工智能的夢想。

事實(shí)上，如果我們把人工智能相關(guān)的技術(shù)以及其他業(yè)界的技術(shù)做一個(gè)類比，就可以發(fā)現(xiàn)機(jī)器學(xué)習(xí)在人工智能中的重要地位不是沒有理由的。

人類區(qū)別于其他物體，植物，動(dòng)物的最主要區(qū)別，作者認(rèn)為是“智慧”。而智慧的最佳體現(xiàn)是什么？

是計(jì)算能力么，應(yīng)該不是，心算速度快的人我們一般稱之為天才。是反應(yīng)能力么，也不是，反應(yīng)快的人我們稱之為靈敏。是記憶能力么，也不是，記憶好的人我們一般稱之為過目不忘。是推理能力么，這樣的人我也許會(huì)稱他智力很高，類似“福爾摩斯”，但不會(huì)稱他擁有智慧。是知識能力么，這樣的人我們稱之為博聞廣，也不會(huì)稱他擁有智慧。

想想看我們一般形容誰有大智慧？圣人，諸如莊子，老子等。智慧是對生活的感悟，是對人生的積淀與思考，這與我們機(jī)器學(xué)習(xí)的思想何其相似？通過經(jīng)驗(yàn)獲取規(guī)律，指導(dǎo)人生與未來。沒有經(jīng)驗(yàn)就沒有智慧。

圖20機(jī)器學(xué)習(xí)與智慧

那么，從計(jì)算機(jī)來看，以上的種種能力都有種種技術(shù)去應(yīng)對。

例如計(jì)算能力我們有分布式計(jì)算，反應(yīng)能力我們有事件驅(qū)動(dòng)架構(gòu)，檢索能力我們有搜索引擎，知識存儲(chǔ)能力我們有數(shù)據(jù)倉庫，邏輯推理能力我們有專家系統(tǒng)，但是，唯有對應(yīng)智慧中最顯著特征的歸納與感悟能力，只有機(jī)器學(xué)習(xí)與之對應(yīng)。這也是機(jī)器學(xué)習(xí)能力最能表征智慧的根本原因。

讓我們再看一下機(jī)器人的制造，在我們具有了強(qiáng)大的計(jì)算，海量的存儲(chǔ)，快速的檢索，迅速的反應(yīng)，優(yōu)秀的邏輯推理后我們?nèi)绻倥浜仙弦粋€(gè)強(qiáng)大的智慧大腦，一個(gè)真正意義上的人工智能也許就會(huì)誕生，這也是為什么說在機(jī)器學(xué)習(xí)快速發(fā)展的現(xiàn)在，人工智能可能不再是夢想的原因。

人工智能的發(fā)展可能不僅取決于機(jī)器學(xué)習(xí)，更取決于前面所介紹的深度學(xué)習(xí)，深度學(xué)習(xí)技術(shù)由于深度模擬了人類大腦的構(gòu)成，在視覺識別與語音識別上顯著性的突破了原有機(jī)器學(xué)習(xí)技術(shù)的界限，因此極有可能是真正實(shí)現(xiàn)人工智能夢想的關(guān)鍵技術(shù)。無論是谷歌大腦還是百度大腦，都是通過海量層次的深度學(xué)習(xí)網(wǎng)絡(luò)所構(gòu)成的。也許借助于深度學(xué)習(xí)技術(shù)，在不遠(yuǎn)的將來，一個(gè)具有人類智能的計(jì)算機(jī)真的有可能實(shí)現(xiàn)。

最后再說一下題外話，由于人工智能借助于深度學(xué)習(xí)技術(shù)的快速發(fā)展，已經(jīng)在某些地方引起了傳統(tǒng)技術(shù)界達(dá)人的擔(dān)憂。真實(shí)世界的“鋼鐵俠”，特斯拉CEO馬斯克就是其中之一。最近馬斯克在參加MIT討論會(huì)時(shí)，就表達(dá)了對于人工智能的擔(dān)憂?！叭斯ぶ悄艿难芯烤皖愃朴谡賳緪耗?，我們必須在某些地方加強(qiáng)注意?！?/p>

圖21馬斯克與人工智能

盡管馬斯克的擔(dān)心有些危言聳聽，但是馬斯克的推理不無道理?！叭绻斯ぶ悄芟胍]件的話，可能它最后的決定就是消滅人類?！瘪R斯克認(rèn)為預(yù)防此類現(xiàn)象的方法是引入政府的監(jiān)管。在這里作者的觀點(diǎn)與馬斯克類似，在人工智能誕生之初就給其加上若干規(guī)則限制可能有效，也就是不應(yīng)該使用單純的機(jī)器學(xué)習(xí)，而應(yīng)該是機(jī)器學(xué)習(xí)與規(guī)則引擎等系統(tǒng)的綜合能夠較好的解決這類問題。因?yàn)槿绻麑W(xué)習(xí)沒有限制，極有可能進(jìn)入某個(gè)誤區(qū)，必須要加上某些引導(dǎo)。正如人類社會(huì)中，法律就是一個(gè)最好的規(guī)則，殺人者死就是對于人類在探索提高生產(chǎn)力時(shí)不可逾越的界限。

在這里，必須提一下這里的規(guī)則與機(jī)器學(xué)習(xí)引出的規(guī)律的不同，規(guī)律不是一個(gè)嚴(yán)格意義的準(zhǔn)則，其代表的更多是概率上的指導(dǎo)，而規(guī)則則是神圣不可侵犯，不可修改的。規(guī)律可以調(diào)整，但規(guī)則是不能改變的。有效的結(jié)合規(guī)律與規(guī)則的特點(diǎn)，可以引導(dǎo)出一個(gè)合理的，可控的學(xué)習(xí)型人工智能。

▍總結(jié)

本文首先介紹了互聯(lián)網(wǎng)界與機(jī)器學(xué)習(xí)大牛結(jié)合的趨勢，以及使用機(jī)器學(xué)習(xí)的相關(guān)應(yīng)用，接著以一個(gè)“等人故事”展開對機(jī)器學(xué)習(xí)的介紹。介紹中首先是機(jī)器學(xué)習(xí)的概念與定義，然后是機(jī)器學(xué)習(xí)的相關(guān)學(xué)科，機(jī)器學(xué)習(xí)中包含的各類學(xué)習(xí)算法，接著介紹機(jī)器學(xué)習(xí)與大數(shù)據(jù)的關(guān)系，機(jī)器學(xué)習(xí)的新子類深度學(xué)習(xí)，最后探討了一下機(jī)器學(xué)習(xí)與人工智能發(fā)展的聯(lián)系以及機(jī)器學(xué)習(xí)與潛意識的關(guān)聯(lián)。經(jīng)過本文的介紹，相信大家對機(jī)器學(xué)習(xí)技術(shù)有一定的了解，例如機(jī)器學(xué)習(xí)是什么，它的內(nèi)核思想是什么(即統(tǒng)計(jì)和歸納)，通過了解機(jī)器學(xué)習(xí)與人類思考的近似聯(lián)系可以知曉機(jī)器學(xué)習(xí)為什么具有智慧能力的原因等等。其次，本文漫談了機(jī)器學(xué)習(xí)與外延學(xué)科的關(guān)系，機(jī)器學(xué)習(xí)與大數(shù)據(jù)相互促進(jìn)相得益彰的聯(lián)系，機(jī)器學(xué)習(xí)界最新的深度學(xué)習(xí)的迅猛發(fā)展，以及對于人類基于機(jī)器學(xué)習(xí)開發(fā)智能機(jī)器人的一種展望與思考，最后作者簡單談了一點(diǎn)關(guān)于讓計(jì)算機(jī)擁有潛意識的設(shè)想。

機(jī)器學(xué)習(xí)是目前業(yè)界最為Amazing與火熱的一項(xiàng)技術(shù)，從網(wǎng)上的每一次淘寶的購買東西，到自動(dòng)駕駛汽車技術(shù)，以及網(wǎng)絡(luò)攻擊抵御系統(tǒng)等等，都有機(jī)器學(xué)習(xí)的因子在內(nèi)，同時(shí)機(jī)器學(xué)習(xí)也是最有可能使人類完成AI dream的一項(xiàng)技術(shù)，各種人工智能目前的應(yīng)用，如微軟小冰聊天機(jī)器人，到計(jì)算機(jī)視覺技術(shù)的進(jìn)步，都有機(jī)器學(xué)習(xí)努力的成分。作為一名當(dāng)代的計(jì)算機(jī)領(lǐng)域的開發(fā)或管理人員，以及身處這個(gè)世界，使用者IT技術(shù)帶來便利的人們，最好都應(yīng)該了解一些機(jī)器學(xué)習(xí)的相關(guān)知識與概念，因?yàn)檫@可以幫你更好的理解為你帶來莫大便利技術(shù)的背后原理，以及讓你更好的理解當(dāng)代科技的進(jìn)程。

▍后記

這篇文檔花了作者兩個(gè)月的時(shí)間，終于在2014年的最后一天的前一天基本完成。通過這篇文章，作者希望對機(jī)器學(xué)習(xí)在國內(nèi)的普及做一點(diǎn)貢獻(xiàn)，同時(shí)也是作者本人自己對于所學(xué)機(jī)器學(xué)習(xí)知識的一個(gè)融匯貫通，整體歸納的提高過程。作者把這么多的知識經(jīng)過自己的大腦思考，訓(xùn)練出了一個(gè)模型，形成了這篇文檔，可以說這也是一種機(jī)器學(xué)習(xí)的過程吧(笑)。

作者所在的行業(yè)會(huì)接觸到大量的數(shù)據(jù)，因此對于數(shù)據(jù)的處理和分析是平常非常重要的工作，機(jī)器學(xué)習(xí)課程的思想和理念對于作者日常的工作指引作用極大，幾乎導(dǎo)致了作者對于數(shù)據(jù)價(jià)值的重新認(rèn)識。想想半年前，作者還對機(jī)器學(xué)習(xí)似懂非懂，如今也可以算是一個(gè)機(jī)器學(xué)習(xí)的Expert了(笑)。但作者始終認(rèn)為，機(jī)器學(xué)習(xí)的真正應(yīng)用不是通過概念或者思想的方式，而是通過實(shí)踐。只有當(dāng)把機(jī)器學(xué)習(xí)技術(shù)真正應(yīng)用時(shí)，才可算是對機(jī)器學(xué)習(xí)的理解進(jìn)入了一個(gè)層次。正所謂再“陽春白雪”的技術(shù)，也必須落到“下里巴人”的場景下運(yùn)用。目前有一種風(fēng)氣，國內(nèi)外研究機(jī)器學(xué)習(xí)的某些學(xué)者，有一種高貴的逼格，認(rèn)為自己的研究是普通人無法理解的，但是這樣的理念是根本錯(cuò)誤的，沒有在真正實(shí)際的地方發(fā)揮作用，憑什么證明你的研究有所價(jià)值呢？作者認(rèn)為必須將高大上的技術(shù)用在改變普通人的生活上，才能發(fā)揮其根本的價(jià)值。一些簡單的場景，恰恰是實(shí)踐機(jī)器學(xué)習(xí)技術(shù)的最好地方。