一、前言

近年来，人工智能一词频繁出现在我们的视野。从深蓝到阿法狗，人工智能已经成为未来趋势。而机器学习又是人工智能的一大重要分支，所以学习机器学习也是一个很好的选择。本系列文章将使用通俗的语言讲解机器学习，并使用scikit-learn模块实现常用的机器学习算法。

二、机器学习

机器学习是从数据中提取知识的科目，它是计算机技术与概率论、统计学等数学理论的结合。简单来说，机器学习就是寻找一个函数。我们给定一个输入，它就可以输出我们想要的内容。我们可以看几个实际的例子。

现在人脸识别、语音识别、自动驾驶等技术都比较热门，我们可以分别看看这三种技术的输入、函数、输出是什么。

对于人脸识别，输入是人脸的图像，输出是这个人的姓名或者其它标识，而函数我们好像无法描述；对于语音识别，输入是声音信号，输出是文字，函数我们同样无法描述；对于自动驾驶，输入是各种传感器的数据，四周的图像等，输出是下一步操作（转方向盘、踩油门、刹车），函数我们依旧无法描述。

可以发现，机器学习通常要找的函数是非常复杂的，这些函数很难描述，也正因为人难以描述，所以需要机器学习。

三、监督学习和非监督学习

3.1、学习方式

我们需要大量的历史数据来驱动寻找函数的过程。根据数据的的不同，我们通常有两种不同的学习方式。分别是监督学习和非监督学习。

对于监督学习，数据需要包含特征值和目标值两个部分。 而对于非监督学习，目标值的存在不是必要的。下面我们用两个例子区分一下监督学习和非监督学习。

3.2、监督学习

假如有一个射箭任务，我们的目标就是命中靶心，经过多次有效练习，我们可以很精准命中靶心。我们可以把这个任务理解为监督学习。

3.3、非监督学习

现在有另外一个任务，有一堆重量分别是10kg、20kg、30kg，单大小一样的铁球混合在一起，让你胡乱用力丢，最后我们可以看到下图的效果：

图中绿色为10kg、蓝色为20kg、黄色为30kg，为了区分

可以发现绿色集中在外圈，蓝色集中在中间，而黄色则离人最近。虽然我们通过肉眼无法知道球的重量，但是通过抛球后的圈，我们可以猜测各个球的重量。

四、机器学习算法

4.1、函数集（function set）

在上面我们提到，机器学习是要寻找一个函数。但是光说寻找一个函数如同大海捞针，无从下手。为了有更明确的目标，我们可以把函数的范围进一步缩小，比如我们假定我们要找的函数形式如下：
$$y=wx+b$$
其中x是输入，y是输出，w和b是我们函数的参数。因为不同的w和b可以确定不同函数，所以我们把上面有未知w和b的函数叫函数集。

在确定好函数集后，我们就可以在函数集寻找一个最优的函数（最优的一组w和b）。具体寻找方式会在后面讲解。

4.2、算法

机器学习算法在机器学习中起到了非常重要的作用，在我们确定了使用的算法时，就相当于确定了函数集。之后只需要在函数集中找到最优的函数即可。

各个算法有各自的优点 ，适用不同的任务。因此我们只有熟悉各个算法的特点，才能很好的运用各个算法。

下面是我们会学到的几个算法：

1. k近邻
2. 决策树
3. 随机森林
4. 朴素贝叶斯
5. 线性回归
6. 逻辑回归
7. 支持向量机
8. 神经网络
9. 聚类

这里没有全部列出，后续会详细介绍。今天的内容就分享到这，更多内容可以关注“新建文件夹X”。

文章来源: zacksock.blog.csdn.net，作者：ZackSock，版权归原作者所有，如需转载，请联系作者。

原文链接：zacksock.blog.csdn.net/article/details/122709496