機器學(xué)習(xí)火了很久了，大家對這個主題都很熟悉了，每個人都在談?wù)撍?，但少有人是真正了解它的。一些關(guān)于機器學(xué)習(xí)的文章晦澀難懂，或者云里霧里地介紹人工智能等高端科技的魔力以及未來的憧憬等。

如今通過清晰明了的圖畫和簡潔的語言，使機器學(xué)習(xí)能夠更容易地被理解。首先何為AI？AI 到底它涵蓋哪些領(lǐng)域？其實根據(jù)判斷方式不同，AI 范疇的劃分也不一樣。你可能會認(rèn)為人工智能是個完整的知識領(lǐng)域，類似于生物學(xué)化學(xué)等學(xué)科，機器學(xué)習(xí)是人工智能的一部分，神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一種。

但是，難道深度學(xué)習(xí)就一定是神經(jīng)網(wǎng)絡(luò)嗎？明顯并不是的，因此更科學(xué)的劃分可能是下圖中的這種：
機器學(xué)習(xí)首先表示的是學(xué)習(xí)，即使用機器學(xué)習(xí)挖掘本身的方法，這類方法能自己學(xué)習(xí)數(shù)據(jù)特征，這里有一張完整的機器學(xué)習(xí)路線圖供你參考。
按主流分類來看，機器學(xué)習(xí)主要分為四類：經(jīng)典機器學(xué)習(xí)、集成方法、強化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。
經(jīng)典機器學(xué)習(xí)主要分為兩類：監(jiān)督型學(xué)習(xí)和非監(jiān)督型學(xué)習(xí)。
監(jiān)督學(xué)習(xí)指的是模型需要一個導(dǎo)師，即特征標(biāo)注，這樣的話機器就可以基于這些標(biāo)注學(xué)習(xí)并進行進一步的分類。萬事皆可分類，其中樸素貝葉斯算法得到了極其廣泛的應(yīng)用，曾被認(rèn)為是最優(yōu)雅、最實用的算法。
支持向量機是經(jīng)典分類方法中最流行的一種，背后的思路也很簡單，以下圖為例，它試圖在數(shù)據(jù)點之間畫出兩條距點最遠的線。
回歸也屬于監(jiān)督學(xué)習(xí)，基本上也是分類，但計算的是數(shù)字而不是類別，例如按里程計算的汽車耗油量，按時間計算交通流量，當(dāng)所計算的事物是依賴于時間時，回歸是非常合適的選擇。
無監(jiān)督學(xué)習(xí)直到90 年代才出現(xiàn)，由機器去選擇最佳方式來分割未知特征。無監(jiān)督學(xué)習(xí)之一聚類是一種沒有預(yù)先定義類的分類。比如你不知道所有顏色時，把衣服按顏色分類一樣。
無監(jiān)督學(xué)習(xí)之二降維，人們在使用抽象的概念總是比使用零碎的特征更方便。舉個例子，將所有長著長鼻子、大尾巴和三角形耳朵的狗合成一個抽象概念牧羊犬。假如我們要將這些具有特性的內(nèi)容組成一個新的概念，以保持其潛在關(guān)聯(lián)性，降維是個不錯的選擇。
無監(jiān)督學(xué)習(xí)之三關(guān)聯(lián)規(guī)則學(xué)習(xí)，包括分析購物車自主搭配，自動化營銷策略等。現(xiàn)實生活中，每個大型銷售商都有自己的解決方案，而當(dāng)中技術(shù)水平最高的要數(shù)個性化推薦。
團結(jié)就是力量很好地表達了機器學(xué)習(xí)集成方法的基本思想。在集成方法中，訓(xùn)練多個弱模型，以期能組合成為一個強大的算法。一般而言集成方法主要可以分為三種：Boosting、Stacking、Bagging。
Bagging 通常是相互獨立地并行學(xué)習(xí)弱學(xué)習(xí)器，并按照某種平均過程組合起來，如果所有弱學(xué)習(xí)器都是決策樹，那么得到的 Bagging 就是隨機森林。
Boosting 考慮的也是同質(zhì)弱學(xué)習(xí)器，只不過它是分而治之，專注于部分?jǐn)?shù)據(jù)，以一種高度自適應(yīng)的方法順序地學(xué)習(xí)弱學(xué)習(xí)器。大名鼎鼎的 XGBoost、LightGBM都采用的 Boosting 方法。