共计 2333 个字符，预计需要花费 6 分钟才能阅读完成。
最近小 Mi 发现一个问题！为什么某听歌软件给我举荐的绝大多数都是我的 style？为什么某橙色购物软件给我举荐的也有不少就能间接给我种草？小 Mi 眉头一皱; 计上心来，掏出手机开始求助百度大哥，通过一通搜寻，才发现这就是现在十分炽热的人工智能技术！不仅如此，人工智能技术原来曾经真真切切地存在于咱们生存中了，比方咱们每天收到的广告邮件会被自动识别为垃圾邮件，手机的相册会能够通过不同人脸进行分组，还有咱们当初常见的各种语音助手等等这些都是与之相干的小技术。小 Mi 登时来了趣味，心想，能够啊！要不把这个货色钻研钻研理解下？！一不做二不休，既然要钻研，就索性钻研它个底朝天！首先，小 Mi 筹备先从根底的机器学习开始，如果大家也有趣味，就跟小 Mi 一起学起来吧~
1 什么是机器学习
什么是机器学习，什么是机器学习（不好意思，小 Mi 脑子里忽然冒出了什么是高兴星球这个梗），那么机器学习到底是什么呢？小 Mi 追其根源，搜到了出自机器学习教父 Tom Mitchell 给出的这样一个定义：对于某类工作 T 和性能度量 P，如果一个计算机程序在 T 上以 P 掂量的性能随着教训 E 而自我完善，那么就能够称这个计算机程序在从教训 E 学习。果然教父就是教父，谈话就是跟他人不一样，小 Mi 看得脑子转的晕乎乎的，不过这可难不倒小 Mi！小 Mi 查找了各种材料，最初发现通过案例来了解这段话会更加粗浅！废话不多说，上例子！
就拿邮箱辨认垃圾邮件来举例，假如电子邮件程序会察看收到的邮件是否被标记为垃圾邮件。在邮件客户端中，点击“垃圾邮件”按钮报告某些 Email 为垃圾邮件，基于被标记为垃圾的邮件，程序便能更好地学习如何过滤垃圾邮件。在这个案例中，T 示意标记邮件是否为垃圾邮件，而 E 则为察看标记邮件是否为垃圾邮件的过程，P 就是指辨别垃圾邮件胜利的正确率。
换句话说，为什么咱们能够依据蜻蜓低飞判定一会要下雨呢? 为什么能够通过水果表皮的色彩、形态等判断其成熟度呢？那是因为咱们曾经积攒了很多教训，而通过对教训的利用，就能对新状况做出无效的决策。而机器学习，就是将这样的一个学习、预判的工作交给了计算机，让其去钻研各种“学习算法”。如果小 Mi 再这么解释也无奈了解的话，那么小 Mi 只能说一句，小 Mi 做不到啊（表情包间接砸向你）！
2 监督学习与无监督学习
走走走，咱们持续去汲取新常识的营养！
小 Mi 发现，原来各种不同类型的学习算法最次要的两类就是监督学习和无监督学习，这是最罕用的，其余的还有一些强化学习啊、举荐零碎啊等等之类的。既然监督学习和无监督学习是两座大山，那么何不努致力跨过来！
2.1 监督学习
还是老样子！小学时候老师就会教咱们某个公式如何示意，它的原理是什么，以及在做题时能够怎么应用。那么什么是监督学习呢？依据小 Mi 的通俗了解，既然是监督学习，必定有个什么规范或者什么条件“监督”着。对吧，字面上的确是这么个意思，而后小 Mi 又号召了一下百度大哥，发现例子什么的真的是神助攻，让我了解起来一点都不吃力！
就拿国民话题房子来说。假如小 Mi 的手里有一栋房子须要售卖（让小 Mi 再空想一会，哈哈哈），应该给它标上多少的价格比拟适合呢？房子的面积是 100 平方米，价格是 100 万，120 万还是 140 万呢？
很显然，小 Mi 心愿取得房价与面积之间的某种关系。那么小 Mi 便能够考察周边与之房型相似的一些房子，取得一组数据。通过这组数据，咱们能够画出一条直线或者合乎其价格法则的抛物线，从而便能够确定屋宇售卖的价格。
这个就是一个监督学习算法的例子，监督学习就是指咱们给算法一个数据集，其中蕴含了正确答案，也就是说咱们给房价一个数据集，在这个数据集中的每个样本，咱们都给出正确的价格，即这个房子理论买价，算法的目标就是给出更多的正确答案。而这样的问题同时也被称为回归问题，因为预测的后果是一个间断的数值输入，也就是说例子中的价格是间断的。
触类旁通，既然预测的输入能够是间断的，那么也能够是离散的啦~ 小 Mi 就理解到，针对这类情景，就摇身一变变成了分类问题，预测小 Y（嘻嘻，心愿小 Y 不要介意）明天下班是否早退，那么无非就是两个后果，一个是早退，一个是没有早退。当然了，在早退这个问题上还能够持续分类，一个是早退半小时以内，还有一个是早退半个小时以上。因而这样的学习工作就是分类问题啦，是不是很好了解！
2.2 无监督学习
上述在对于监督学习的学习中，小 Mi 认为监督学习中是分明地告知了什么是“正确答案”，这个也就是“监督”的意义，而在无监督学习中，就没有所谓的条件或规范啦，那么这样一来数据集便会有所不同，都具备雷同的标签或者都没有标签，换句话说无监督学习就是让计算机本人学习（不得不夸一下计算机真是一个怠惰聪慧的好孩子！）。
假如给你一个数据集，不晓得拿它来做什么，也不晓得每个数据点到底是什么，只是被告知这里有个数据集，你能在其中找到某种构造吗？反正对于小 Mi 这种一般人类来说，真的无从下手。然而计算机不一样呀！计算机对于给定的数据集，通过无监督学习算法断定上图中的数据集蕴含两个不同的簇（如上图），能够把它分成两个不同的簇，这就是聚类算法。
再来举个例子！比方百度（嘻嘻，又提到了百度大哥）搜寻机器学习，会弹出各种不同的与之相干的 URL 链接，百度所做的就是每天去网络上收集相干的各种信息，而后将他们组合在一起，变成一个个的专题系列。
当然啦，聚类算法只是无监督学习中的一种，监督学习也不仅仅只是举两个例子那么简略，如果你还想持续跟着小 Mi 一起机器学习的话，坐等小 Mi 持续更新吧~
PS：最初最初要尤其！特地！非常！感激的吴恩达老师，小 Mi 的这个机器学习系列后续都会跟着吴恩达老师的视频一个个学习的，真的不得不说，大佬就是大佬，简单的实践都能找到简略的实例来以便咱们的了解，膜拜！
