CFA二級(jí)思維導(dǎo)圖分享：機(jī)器學(xué)習(xí)

Reading7主要了解機(jī)器學(xué)習(xí)的一些常見(jiàn)概念，主要分類(lèi)、了解常用算法的原理及其用途。

機(jī)器學(xué)習(xí)（Machine Learning）專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。從實(shí)踐的意義上來(lái)說(shuō)，機(jī)器學(xué)習(xí)是一種通過(guò)利用數(shù)據(jù)，訓(xùn)練出模型，然后使用模型預(yù)測(cè)的一種方法。

相比于傳統(tǒng)統(tǒng)計(jì)學(xué)方法（回歸分析）依賴于假設(shè)和先驗(yàn)性的限制性條件，機(jī)器學(xué)習(xí)可以沒(méi)有假設(shè)的情況下訓(xùn)練模型，機(jī)器學(xué)習(xí)的一個(gè)計(jì)算原理是“find the pattern， apply the pattern”。

根據(jù)數(shù)據(jù)類(lèi)型的不同，機(jī)器學(xué)習(xí)通用的分類(lèi)為：監(jiān)督學(xué)習(xí)（Supervised Learning）、非監(jiān)督學(xué)習(xí)（Unsuperviese Learning）、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)（Deep Learning & Reinforcement Learning）。

樣本分類(lèi)

在機(jī)器學(xué)習(xí)中，訓(xùn)練模型的算法數(shù)據(jù)集包括：訓(xùn)練樣本（Trainning Sample），檢驗(yàn)樣本（validation sample）、驗(yàn)證樣本（Testing Sample）。訓(xùn)練樣本用于訓(xùn)練得出模型，檢驗(yàn)樣本用于修正模型，驗(yàn)證樣本用于檢驗(yàn)?zāi)Ｐ偷挠行浴?/p>

監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的主要區(qū)別在于訓(xùn)練樣本是否已經(jīng)標(biāo)定了結(jié)果，。打個(gè)簡(jiǎn)單的類(lèi)比來(lái)說(shuō)，監(jiān)督學(xué)習(xí)就是給你一堆習(xí)題，這些習(xí)題是有標(biāo)準(zhǔn)答案的，學(xué)習(xí)（算法）完之后給一張考卷，測(cè)驗(yàn)考試成績(jī)。而非監(jiān)督學(xué)習(xí)，就是給你 一堆數(shù)據(jù)，自己去發(fā)現(xiàn)規(guī)律，然后將規(guī)律應(yīng)用到新的數(shù)據(jù)中，類(lèi)似于給一堆樂(lè)高積木，自己去發(fā)現(xiàn)規(guī)律， 考試就給另外一堆樂(lè)高積木，看能否應(yīng)用之前發(fā)現(xiàn)的規(guī)律。

監(jiān)督學(xué)習(xí)算法

監(jiān)督學(xué)習(xí)可應(yīng)用于回歸和分類(lèi)問(wèn)題，回歸和分類(lèi)的區(qū)別在于輸出的結(jié)果是連續(xù)變量還是分類(lèi)變量。常見(jiàn)的回歸算法有懲罰性回歸算法，LASSO。常用的分類(lèi)算法有支持向量機(jī)（Support vector machine （SVM））、近鄰算法（K-nearest neighbor （KNN） 、分類(lèi)回歸樹(shù)（Classification and Regression Tree （CART）），以及集成算法，集成算法為將多種不同的算法或模型集成到一起，將各個(gè)不同模型的結(jié)果放到一起，按模型結(jié)果的最大值作為整個(gè)算法的結(jié)果，如Bootstrap Aggregating （Bagging）、隨機(jī)森林（random forest）

非監(jiān)督學(xué)習(xí)算法

非監(jiān)督學(xué)習(xí)用于解決降維和聚類(lèi)問(wèn)題，降維是一種減少特征數(shù)量的方法，選出對(duì)結(jié)果影響最大的特征。聚類(lèi)問(wèn)題就是把含相似特征的數(shù)據(jù)放到一起。

降維主要的算法是主成分分析（PCA）算法，聚類(lèi)問(wèn)題的算法包括k-means clustering、分層聚類(lèi)hierarchical clustering、樹(shù)狀圖Dendrograms。

深度學(xué)習(xí)

第三類(lèi)深度學(xué)習(xí)，既可能是監(jiān)督學(xué)習(xí)，也可能是非監(jiān)督學(xué)習(xí)。包括神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN/ANN）、深度學(xué)習(xí)（deep learning nets ，DLNs）和強(qiáng)化學(xué)習(xí)（Reinforcement learning ，RL）

神經(jīng)網(wǎng)絡(luò)由輸入層（Input layer）、隱藏層（hidden layers）和輸出層（Output layer）構(gòu)成。深度學(xué)習(xí)是至少有3個(gè)，一般超過(guò)20個(gè)的隱藏層。