机器学习

我们发展人工智能，核心目的是为了用人工智能来解决我们日常工作生活中的各种问题，机器学习当然也不例外。那机器学习适合解决哪些问题呢？首先，我们一定要知道，机器学习不是万能的。其次，我们要认识到日常工作生活中的最大任务是“决策”。最后，“决策”背后的本质是“分类”。

我们知道，人类在发展、成长、生活的过程中积累了很多的经验。通过定期的对这些经验进行总结，获得了一些规律，这就叫“归纳”。利用这个“归纳”出来的“规律”，对类似的情况进行决策判断，从而指导我们的行动，这就是“演绎”。

机器学习有望从根本上改变软件开发的本质，这也许是自FORTRAN和LISP被发明以来软件开发领域改变最大的一次。这些变化对数百万正在从事软件开发的人而言，意味着什么呢？失业？裁员？现有的软件开发将变得面目全非？

学习算法的预测误差，或者说泛化误差(generalization error)可以分解为三个部分：偏差(bias)，方差(variance) 和噪声(noise)。在估计学习算法性能的过程中，我们主要关注偏差与方差。因为噪声属于不可约减的误差 (irreducible error)。

很多人对机器学习的边界范围似是而非，机器学习是人工智能吗？机器学习与大数据、云计算有什么关系？机器学习是不是就是数据挖掘？机器学习是不是就是算法，就是统计学？深度学习是不是机器学习的升级版？

我们知道，机器学习近些年来有非常多的应用，例如无人驾驶汽车、棋类游戏、垃圾邮件检测、金融分析、语音识别、图像识别、自然语言处理、产品推荐等，那么机器学习和他们到底是什么关系呢？

极大似然估计中取对数的原因：取对数后，连乘可以转化为相加，方便求导；对数函数ln为单调递增函数，不会改变似然函数极值点。统计学三大相关系数对比：pearson积差相关系数，计算连续性变量才可采用；Spearman秩相关系数或Kendall等级相关系数，适合于定序变量或不满足正态分布假设的等间隔数据......

本文将推荐五种机器学习算法，你应该考虑是否将它们投入应用。这五种算法覆盖最常用于聚类、分类、数值预测和朴素贝叶斯等四个门类。

监督学习（supervised learning）关注对事物未知表现的预测，包括分类问题（classification）和回归问题（regression）。无监督学习（unsupervised learning）倾向于对事物本身特性的分析，数据降维（dimensionality reduction）和聚类（clustering）。

近几年，机器学习成为一个非常火爆的词语，几乎所有的人，或多或少都听说过它，但很多人对机器学习的理解似是而非。机器学习是人工智能吗？机器学习与大数据、云计算有什么关系？机器学习是不是就是数据挖掘？机器学习是不是就是算法，就是统计学？深度学习是不是机器学习的升级版？