一、关于数据
- 数据集：数据的整体，喂给算法的数据，一般为表格形式；
- 数据集中，每一行数据为一个样本，每行中的各列为每一个特征；
- 数据集中，除最后一列，每一列表达样本的一个特征；
- 最后一列，称为标记（label）：对本行样本进行分类；
- 如本行是猫的特征，在最后一列要标记此样本为猫的样本；若该样本特征是狗的，则在最后一列标记为狗的样本；
- 数据集首行为特征，对应下列各行为特征值，每一行特征值为一个特征向量；
- 特征空间(feature space)：数据集中的样本用空间中的一个点表示，数据集中有几种特征，就使用几维度的空间，此空间为特征空间。
- 通过对数据集的学习，算法系统再接受新的特征后可以自己判断该特征对应的事物；
- 事物的特征数据；
- 一般大写字母表示矩阵，小写字母表示向量；
- 向量分为行向量（1 X n）和列向量（n X 1），数学上一般将向量表示为列向量；
- 将数据集表示在坐标系中，有几种特征，就用几种维度的空间，一个样本就是特征空间中的一个点；
- 分类任务本质就是在特征空间切分；
- 图像识别中，将每一个像素做为一个特征；
二、机械学习的基本任务
#一般监督学习领域解决的主要为分类问题和回归问题；
1）分类
- 二分类任务：判断一个对象，是或不是、有或没有、是什么；
- 多分类任务：判定多个对象，做出选择；
- 多标签分类：一般多用于图像识别；
- 一些算法只支持完成二分类任务；
- 多分类任务可以转换成二分类任务；
- 有一些算法天然可以完成多分类任务；
2）回归
特点：结果是一个连续数字的值，而不是一个类别；如预测房价
应用：预测房价、分析市场、预测学生成绩等；
#有一些算法只能解决回归问题，有一些算法只能解决分类问题，有些算法既能解决回归问题又能解决分类任务；
#一些回归任务和为分类任务可以互相转换；
3）机械学习思路
- 输入大量的学习资料给机械学习算法，经过训练后，将该算法系统演变为一个模型；
- 输入新的样本给模型，模型可以自己做出判断或分析，得到结果；
- 输出结果一般分为两类：类别（分类问题）、数值（回归问题）；
4）模型
- 训练数据集 = X_train + y_train
- X_train：特征的具体值；
- y_train：样本的标签，或者称样本的类别；
- fit：拟合，算法训练出模型的过程；
- predict：预测，给模型输入样例后得到输出结果的过程；
三、根据算法本身进行分类
#监督学习、非监督学习、半监督学习、增强学习
1）监督学习
特点：给算法的训练数据带有“标记”或者“答案”；
思路：已经对给机器的数据进行了正确答案的划分，这种划分就是监督的信息；
2）非监督学习
特点：对没有“标记”的数据进行分类 - 聚类分析；
实例：电商平台的客户模型，根据客户对不同商品的浏览、选购等情况，对客户进行分类；
意义：对数据进行降维出来，特征提取、特征压缩（主要使用PCA）；
特征压缩（主要用PCA算法降维）：在尽量少的损失信息的情况下，将高维的特征向量压缩为低维特征向量；
特征压缩的作用：
A、提升了算法的运行效率，但不影响最终结果；
B、方便数据可视化；（因为人一般很难理解3维以上的维度）
C、异常检测：在样本空间中，排除明显不能表达样本的整体特性的样本点；
3）半监督学习
特点：一部分数据有“标记”或者“答案”，另一部分数据没有；（一般实践中更长见）
思路：通常都先使用无监督学习手段对数据做处理，之后使用监督学习手段做模型的训练和预测；
4）增强学习
特点：不断的根据反馈改进并优化算法系统；
思路：根据环境的情况采取行动，算法系统会得到相应的反馈（奖赏机制/惩罚机制），并根据反馈改进自己的行为模式，然后根据改进的算法系统对新的环境再次采取行动，并再次得到反馈；以此循环下去；
#AlphaGo就是采用增强学习算法系统、无人驾驶、机器人
#增强学习比较前沿，目前监督学习和非监督学习是基础；
四、机械学习的其它分类
#在线学习和批量学习（离线学习）、参数学习和非参数学习
1）批量学习（Batch Learning）
#也叫离线学习
特点：算法系统经过数据集训练后得到模型，直接被用于实践中，在实践中再次得到其它新的数据时，该算法系统不再对自身做调整和优化；
优点：简单，算法系统投入实践中后不用再考虑优化改进问题；
缺点：不能适应环境的变化；（一般机械学习算法系统所面临的问题，会随着时间不短变化，如垃圾邮件分类问题，垃圾邮件的定义随时间而定义不同）；
解决方案：对算法系统定时重新批量学习，重新训练模型，来适应环境变化；
方案弊端：每次重新批量学习，运算量巨大；而且不适用变化很快的环境中（如股市变化很快，无法对股市走向预测）；
2）在线学习（Online Learning）
特点：算法系统经过训练后得到模型，被用于实践后，在实践中得到其它新的数据时，将该数据的结果反馈给算法系统，经过算法系统学习后，重新对模型进行改进优化；
优点：及时反映新的环境变化；
问题：新的数据带来不好的变化（这些不好的数据也可能是竞争对手故意抛出的数据），导致改进后的模型对正常数据判断的正确率下降了；
解决方案：增加一个非监督学习算法，加强对数据进行监控；
其它：在线学习，也适用于数据量巨大，一次性批量无法全部学习，可以将数据分批在线喂给模型；
3）参数学习
特点：一旦学到了参数，就不再需要原有的数据集；
思路：已知特征和输出的关系（如线性关系：f(x) = a*x + b），将数据集喂给算法系统，得到关系中参数的值；
#一般特征和输出的关系，是统计上的假设；
#先预测特征和输出结果是统计学中的模型关系，之后的任务就是通过数据集学习并得到该统计模型中的参数；
4）非参数学习
特点：不对模型进行过多统计上的假设或对问题建模，而是通过喂给算法数据集，得到特征和输出结果的关系模型；
# 非参数学习不等于没有参数；
五、机械学习的其它思考
1）数据为王？
- 机械学习算法主要处理不确定世界中真实的问题，所给我们的答案也是不确定的概率性的具有统计意义的答案；
- 传统经典算法不同，通常有固定的标准的答案；
- 机械学习的答案可靠吗？我们可以多大程度的相信这些答案？机械学习学习到的本质是什么？
- 2001年微软研究：不同质量的算法，随着喂给数据量的增加，算法的准确度也增加，并最后趋于100%；因此有数据即算法的说法（只要喂给算法的数据足够多，数据的质量足够好），接着就有了大数据的时代；？
- 数据很重要，因为数据驱动算法的准确度；
- 目前机械学习应用中：收集更多的数据、提高数据质量、提高数据的代表性、研究更重要的特征（即特征工程），是工作的主要内容；
2）算法为王？
- AlphaGo Zero：Starting from scratch（从零开始），前期人类并没有给AlphaGo Zero输入任何数据，所有的数据都是靠算法产生的（对于有些问题，即使没有数据，算法也能为我们生产数据），因此产生“算法为王”的说法；
- AlphaGo Zero事件说明，算法本身很重要，再好的数据也需要优质高效的算法做辅助，才能最大程度的发挥数据本身的作用；但目前短时间内，机械学习领域中的任务，大部分是数据驱动的；
3）“奥卡姆的剃刀”定理
- 机械学习中有很多算法，但解决的问题种类差不多，怎么选择算法来解决问题？选择原则：奥卡姆的剃刀，简单的就是好的，也就是对一个问题不要有过多的假设，不要有过多的复杂化；
- 机械学习领域中，什么叫“简单”？
- 机械学习中，处理的是不确定世界中的真实的问题，没有变准答案；
4）“没有免费的午餐”定理
- “没有免费的午餐定理”：可以严格地用数学的方式推导出任意两个机械学习的算法，他们的期望性能（一个算法可以解决不同的问题，但应用在不同问题时的效果不一样，整体来说算法对解决问题的平均能力差不多）是相同的；根据这个理论可以得出，没有哪个算法比另一个算法好，相当于说算法是等价的，但针对具体问题时不同算法适用程度不同；目前机械学习主要解决具体的特定问题，因此需要学习多种算法，并在解决问题时选择更合适的算法，但整体而言，没有一个算法比另一个算法好；
- “没有免费的午餐定理”也告诉我们：1）脱离具体问题，谈哪个算法更好是没有意义的；2）在们面对一个具体问题的时候，尝试使用多种算法进行对比试验，是必要的；
5）其它
- 面对不确定的世界，怎么看待使用机械学习进行预测的结果？到底是机械学习算法本身起到了决定性的作用，使得我们得到了准确的预测结果？还是说只是一个巧合，机械学习算法本身并没有起到太大的作用？