MachineLearning：机器学习解读（一）

说到机器学习，我主修数据科学与大数据技术专业，学的内容跟它的概念与逻辑尚没有太大的交织，对机器学习产生了兴趣，是因为我对人工智能以及神经网络这方面的知识有着极其强烈的好奇心与求知欲？

一半一半吧。

总之，看了相关视频与论文，也实践了一些神经网络模型的运用，我想说其实Machine Learning这座山没有我想象中那么难爬，一步一步慢慢来总会到达目的地的。

希望我对机器学习的解读能够帮大家快速了解到机器学习的应用领域与基本原理。

以下机器学习内容大纲属个人观点及看法，感谢您的点击与阅读，欢迎大家提出建议。

⛰️What & Why“机器学习”⛰️

在智能化设备与网络信息时代，我们的生活中涉及人工智能、数据分析等领域的功能常常基于机器学习软件（Machine Learning Software），比如谷歌搜索、人脸识别、Netflix影片推送等等。机器学习不仅促成了人工智能技术，也方便了我们的日常生活，还提升了我们网络的交互作用，更使人类社会深入自动化、智能化与数据化的发展阶段。

了解过深度学习（Deep learning）的小伙伴们都不难知道以下这些神经网络模型，比如yolov5（目标检测模型）、Constrasive models like CLIP（具有约束性的模型）、Dalle2（text to state-of -the-art image）、双目视觉模型等等。类似以上这些发展倾向于成熟的神经网络模型，可以被我们运用于智能硬件中相应功能的实现，也是进行机器学习的成果。

「❓问题来了❓

这是咋回事？啥模型？啥功能？」

倒过来解释就是，为了实现软件或硬件的某个功能，我们让机器大量地学习与分析这一方面的初始数据与最终数据，将两组数据之间的内在联系转化并呈现于一个函数（一个含有参数的function，即一个恰到好处的计算过程，使输入值得到输出值），于是，这就预测出一个模型了，最后，通过导入更多数据加以训练，通过更改函数参数优化该模型，使其输入值的预测结果（y-hat）逼近实际值（y），也就是减少loss值（y-hat - y）就得到神经网络模型了。

这就是机器学习的过程。

1. 准备数据（training set）
2. 分析数据（learning algorithm）
3. 得出函数（model）
4. 改参降损（cost function）
5. 优化模型（result）

总的来说，机器学习要求我们首先赋予一个神经网络去模拟人类识别、分类、统计数据的能力，然后形成预测模型，实现思考与分析数据工作的系统化，有时则是为了让模型进行一些人类不愿重复进行的冗杂的数据处理工作。这也是机器学习的意义所在，意味着机器学习卸下了人类大部分工程的负担，意味着人类拥有了更多时间与精力去烦恼更深层次的事情。

随着发展进步，机器学习使我们可以灵活地调用各种模型，部署在智能硬件上，或嵌入到软件中，从而实现软件或硬件智能化与多功能化。

⛰️神经网络⛰️

神经网络就是深度学习的一个框架协议，一般包括输入层、隐藏层、输出层。机器学习构建模型的过程，也就是推理出一堆计算过程，得到的模型将包装在神经网络的隐藏层中。

⛰️监督与非监督的机器学习⛰️

机器学习方法分为两类：监督学习（Supervised learning）与非监督学习（Unsupervised learning）。可以先解读为，根据机器学习对“监督工作”的需求分类。

这又是啥玩意儿？

Supervised Learning：使预测模型能够根据输入值，给出一个“正确答案”。

此机器学习方法，对所有的输入值有个特定的输出值，而这个输出值‘y'往往是有取值范围的，也就是得出了一个域。由于此特定性，这类处理与学习数据的方法称为“Supervised Learning”，有“监督”的机器学习。

比如，机器学习肿瘤的大小与是否患癌症之间的函数关系，使模型能够对输入值（肿瘤的大小）给出相应的输出值（是否患癌症，1或0）。

Unsupervised Learning：使预测模型自主分析数据集，然后将数据集，合理地归类整理（grouping），得出一个分类结果。

此机器学习方法，对输入值给出的输出值，与是否患癌症不一样，是没有特定的意义上限制的，但它要使模型自主发现数据集的特性，并推理出一个具有使用价值的结果。由于要求模型自主分析，这类处理与学习数据的方法称为“Unsupervised Learning”，没有“监督”的机器学习。

比如，机器根据用户在搜索框输入的一串内容，分析并提取出有效的信息，找到数据之间的相关性，使模型能够对输入值映射出输入内容隐含的特性，要么推送出有相关性的所有内容，要么将其分类于具有相同特性的各个类别。

在此，我们应该能够对机器学习有进一步的了解，对深度学习有了大概的认知了。不过，人类的好奇心一定会催生出更多的问题，那么机器学习到底是如何使模型从输入值到输出值的？下一篇文章，我们再来从浅到深地琢磨。