《Python人脸识别：从入门到工程实践》 ——2.5　机器学习基础

2.5　机器学习基础

机器学习是基于数据构建数学模型的过程，常用的数学模型有概率统计模型，也有人工神经网络模型。机器学习是将模型运用到对数据进行预测和分析的学科，是人工智能中的一个大的门类，大体可以分为统计学习方法和人工神经网络，其中深度学习就是人工神经网络中当前最热门的一类。正如人类的学习过程：输入、整合、输出一样，机器学习从数据中来，到数据中去，利用数据训练出模型，然后使用模型预测，从而完成整个学习过程。机器学习强调的是一种逻辑上的因果关系，而机器学习本身就是在寻找将因果进行匹配的一个映射模型。

2.5.1　机器学习类别

目前的机器学习算法主要分为监督学习、无监督学习和强化学习。当然，也有居于监督学习和无监督学习二者之间的半监督学习。

1.监督学习

监督学习指的是根据已有的训练数据，建立一个确定的模式，来预测新的实例。这里的训练数据包含输入的数据与相应的输出值。举个通俗的例子，一本练习册中，所有的问题与答案是对应起来的，监督学习通过一个学习过程，将所有问题的预测答案与实际答案进行比较，然后逐步调整学习过程中的参数，以便使答案的预测结果更加准确。我们人类学习的过程也是一样的，我们也是通过不断地做题，使得自己做出一道题的答案与标准答案接近。而学习的过程就是不断地调节我们做题时的“参数”，这个参数就可以类比为我们的解题过程、解题方法、计算方式等。通过不断地训练，来强化我们这些“参数”，使这些“参数”变得更优。

当新问题到来时，便可通过之前学到的知识进行答案预测，这个过程，与我们做一些没见过的题是一样的，我们可以通过解题经验来推测结果。监督学习的常见应用为垃圾邮件分类、手写文字识别、图像分类等。

2.无监督学习

与监督学习相较而言，无监督学习的训练数据中只包含输入数据，不再包含与输入数据相应的输出值（如结果标签）。我们还是以做练习册中的练习题为例，无监督学习的一种形式就是我们通过对比练习册中练习题的特征，将同类问题归纳到一起，这个过程我们称之为聚类。也就是说，聚类是一种典型的无监督学习。

3.强化学习

强化学习主要是通过一步步地尝试来进行学习的，可以类比为我们常说的“试错”过程。在“试错”过程中，外界会针对“试错”结果进行一定的反馈，在这个“试错”过程中，算法可以渐渐地调整参数，获得更好的反馈结果，使得“试错”过程中错误的数量逐步减少，从而达到学习的目的。

我们普通人的一生也可以看作一个强化学习的过程：通过不断“试错”“走弯路”，通过外界的反馈甚至是打击来积累学习经验，从而能够在未来的路途中少犯错，少“走弯路”。