摘要：當(dāng)掌握機器學(xué)習(xí)基本知識以及清楚自己所要處理的任務(wù)后，應(yīng)用機器學(xué)習(xí)就不會那么難了。因此，在學(xué)習(xí)和應(yīng)用機器學(xué)習(xí)之前，我們首先應(yīng)該明確自己的任務(wù)是什么，以及適合使用哪種機器學(xué)習(xí)方法來完成。

摘要： 本文簡單總結(jié)了機器學(xué)習(xí)的幾大任務(wù)及其對應(yīng)的方法，方便初學(xué)者根據(jù)自己的任務(wù)選擇合適的方法。當(dāng)掌握機器學(xué)習(xí)基本知識以及清楚自己所要處理的任務(wù)后，應(yīng)用機器學(xué)習(xí)就不會那么難了。

機器學(xué)習(xí)一直是一個火熱的研究領(lǐng)域，深度學(xué)習(xí)方法的提出又為這個領(lǐng)域添了一把火，使得很多人對該領(lǐng)域感興趣并想投身于該領(lǐng)域的研究之中。那么，對于想從事機器學(xué)習(xí)領(lǐng)域的人來說，有哪些是應(yīng)該首先了解的內(nèi)容呢？本文將簡單的介紹下機器學(xué)習(xí)的基本相關(guān)知識。
機器學(xué)習(xí)是指使計算機系統(tǒng)使用統(tǒng)計技術(shù)學(xué)習(xí)數(shù)據(jù)的過程，而不需要具體的編程程序。該方法是一個主動學(xué)習(xí)的算法，使得它能夠從數(shù)據(jù)中學(xué)習(xí)并進行預(yù)測。機器學(xué)習(xí)與計算統(tǒng)計、數(shù)學(xué)優(yōu)化以及數(shù)據(jù)學(xué)習(xí)密切相關(guān)，通常被用來進行預(yù)測、分析等任務(wù)。機器學(xué)習(xí)一般用于處理兩類任務(wù)：

有監(jiān)督學(xué)習(xí)：輸入給計算機的示例帶有標(biāo)簽（期望輸出），基于標(biāo)簽調(diào)整建立的模型，以學(xué)習(xí)輸入到輸出的映射規(guī)則。

無監(jiān)督學(xué)習(xí)：輸入給計算機的示例沒有標(biāo)簽，建立的模型必須通過自身學(xué)習(xí)產(chǎn)生輸出。無監(jiān)督學(xué)習(xí)涉及到從數(shù)據(jù)中發(fā)現(xiàn)隱藏的模式，包含特征學(xué)習(xí)。

機器學(xué)習(xí)這個術(shù)語對于大多非該領(lǐng)域的人來說聽起來很高級，但其實不然。只要你清楚機器學(xué)習(xí)的基本概念以及相關(guān)方法后，機器學(xué)習(xí)其實很簡單，即根據(jù)相關(guān)任務(wù)，選擇合適的機器學(xué)習(xí)方法，讓機器學(xué)習(xí)并處理特征以完成相應(yīng)的任務(wù)。因此，在學(xué)習(xí)和應(yīng)用機器學(xué)習(xí)之前，我們首先應(yīng)該明確自己的任務(wù)是什么，以及適合使用哪種機器學(xué)習(xí)方法來完成。
如果我們想了解算法背后的基本理論以及其工作原理，那么精通概率與統(tǒng)計、線性代數(shù)和微積分對我們而言顯得至關(guān)重要。此外，了解諸如Python等編程語言將使你能夠容易得實現(xiàn)相關(guān)算法，理論基礎(chǔ)與編程能力二者在手，機器學(xué)習(xí)我有。此外，理解相關(guān)的數(shù)學(xué)知識和應(yīng)用也是很有必要的，無論是通過線下自學(xué)或者是網(wǎng)絡(luò)在線培訓(xùn)等學(xué)習(xí)方法，都必須實踐，實踐可以增加自己對基本知識的理解，同時也能鍛煉其編程能力。
在學(xué)習(xí)機器學(xué)習(xí)之前，掌握以下知識是很有必要的：

線性代數(shù)

微積分

概率論

程序設(shè)計

最優(yōu)化理論

下面是一些最常見的機器學(xué)習(xí)任務(wù)以及相關(guān)方法，對其理解后方便在后續(xù)工程中應(yīng)用。

回歸主要涉及連續(xù)變量或數(shù)值變量的估計，比如估計房價、股票價格、產(chǎn)品價格等使用回歸估計。即根據(jù)相關(guān)的數(shù)據(jù)建立回歸曲線，對新的數(shù)據(jù)進行預(yù)測估計。以下機器學(xué)習(xí)方法用于解決回歸問題：

核回歸（Kernel regression）

支持向量回歸（Support vector regression）

高斯過程回歸（Gaussian process regression）

線性回歸（Linear regression）

LASSO回歸（Least absolute shrinkage and selection operator）

回歸樹（Regression tree）

分類與離散變量或數(shù)據(jù)類別的預(yù)測有關(guān)。比如區(qū)分垃圾郵件、病人患有哪種疾病、交易是否屬于欺詐行為等任務(wù)，都是使用分類方法處理的。以下方法可以用于解決分類問題：

核判別分析（Kernel discriminant analysis）

人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks）

K鄰近算法（K-nearests neighbors）

Boosted trees

隨機森林（Random forests）

邏輯回歸（Logistic regression）

支持向量機（Support vector machine）

深度學(xué)習(xí)（Deep learning）

樸素貝葉斯（Naive Bayes）

決策樹（Decision trees）

聚類一般應(yīng)用于數(shù)據(jù)自然分組。比如產(chǎn)品特征識別、客戶細(xì)分等任務(wù)都是聚類的一些應(yīng)用場景。以下機器學(xué)習(xí)方法用于聚類問題：

均值漂移（Mean-shift）

K-均值（K-means）

主題模型（Topic models）

層次聚類（Hierarchical clustering）

多元查詢是用來尋找相似目標(biāo)。下面的方法可用于解決與多元查詢有關(guān)的問題：

近鄰取樣（Nearest neighbors）

最遠(yuǎn)鄰居（Farthest neighbors）

范圍搜索（Range search）

降維是指降低多個隨機變量的維度，將其分為特征提取和特征選擇。常用的降維方法如下：

流線學(xué)習(xí)方法/核主成分分析（Manifold learning/KPCA）

獨立分量分析（Independent component analysis）

主成分分析（Principal component analysis）

非負(fù)矩陣分解（Non-negative matrix factorization）

壓縮感知（Compressed sensing）

高斯圖模型（Gaussian graphical models）

作者信息

Anusha Manchala，專注于機器學(xué)習(xí)、數(shù)據(jù)分析
本文由阿里云云棲社區(qū)組織翻譯。
文章原標(biāo)題《What You Must Know Before You Dive Into Machine Learning》，譯者：海棠，審校：Uncle_LLD。
詳情請閱讀原文