这个标题有点哗众取宠了。文科汪是不假，不过我有三年的移动(iOS)开发经验。

不过之前也没有接触过「机器学习」，所以也尽量深入浅出，希望真的是文科生也看得懂。

学习资源简介

机器学习的相关学习资料汗牛充栋，很多有意学习的朋友被淹没在浩瀚的资料中，不明所以。因此，找到适合自己程度的资料是很关键的。

最近在coursera上学习了一个关于机器学习方面的入门课程Machine Learning Foundations: A Case Study Approach（机器学习基础：个案研究法）。是华盛顿大学的一门线上公开课。

这个课程的特别之处，是从具体的案例(项目)入手，去介绍机器学习、深度学习。比起纯讲理论、晦涩难懂的课程，友好太多。(之前看吴恩达的机器学习课程，就没有坚持看完——我程度太低)。这个课程从以下5个案例(项目)展开，分别介绍相关理论知识：

• 预测房价(Predicting house prices)
  • 引出Regression(回归)
• 从产品评论中判断买家态度(Analyzing the sentiment of product reviews)
  • 引出Classification(分类)
• 检索维基百科的文章(Retrieving Wikipedia articles)
  • 引出Clustering(聚类)
• 推荐歌曲(Recommending songs)
  • 引出Collaborative fitering(协同过滤)
• 利用深度学习给图片分类(识别图片)(Classifying images with deep learning)
  • 引出Deep learning(深度学习)、Neural networks(神经网络)

主要概念及环境搭建

什么是机器学习

「机器学习(Machine Learning)」这个词，1959年由美国的计算机科学家Arthur Samuel提出。

但是看完维基百科晦涩的定义后，也没搞清楚「机器学习(Machine Learning)」的具体定义。就用coursera课程中的一张流程图来理解什么是机器学习。

机器学习示意图

从这张流程图可以看到，首先，要有数据，把数据喂给某个算法(或者叫模型)进行「学习」，使其具有解决某种问题的能力(智力)，我把这个过程，理解为「机器学习」。

以前的软件，是程序员写好一系列的规则，运行的时候按照这些规则来执行、解决问题。而软件加入「机器学习」之后，可以从喂入的数据中发现规则、学习规则，然后解决问题，这样看起来，软件就比以前显得智能多了。

可以看到，数据是前提条件，这也解释了为什么「机器学习」在1959年提出，到现在才「火」起来，因为现在各行各业产生的数据，都数字化了，产生了足够多的数据来应用到「机器学习」中。

吴恩达在接受WSJ采访是也说过类似的观点：

你所在的行业或者你关注的行业是否会受到AI的影响，这里有一个模式或许有用。首先：这个行业资料已数字化，意味着活动流程转移到计算机上。这就产生了数据，给了AI运用数据更加智能化处理业务的机会。

什么是深度学习，与机器学习的异同

「深度学习(Deep Learning)」，首先，它还是属于「机器学习」的范畴，是一种特殊的「机器学习」。接下来也是通过课程中的两张图来简单理解（这是个人理解，并不一定准确）：

传统的机器学习，特征是「线性」的

可以看到，上面这张图，是传统的「机器学习」过程：1.喂数据；2.学习(训练模型/算法)；3.解决问题(这里解决的实际问题，是通过买家对产品的评论，判断买家是正面评价还是负面评价——后面会详细介绍)

传统的「机器学习」，是直接抽取数据的某些「特征(属性)」(这些「特征」被称为是「线性」的)，最终形成问题的解决方案。

深度学习，基于「神经网络」，并利用「非线性特征」

而有些问题（课程举例的是「XOR问题」），不能通过传统的「机器学习」解决，也就是说不能直接从「线性」的「特征」得出问题的解决方案。

这时候，「非线性特征(non-linear features)」提供了问题的解决方向，而「『神经网络(neural networks)』则提供了一种非线性的数据表现形式」。

如上图，我们不能直接通过数据的「特征」(x1, x2)得到问题的答案，所以对数据的「特征」进行多层次的变换，得到一些「非线性特征」(z1, z2)——「神经网络」中的一层——最终形成问题的解决方案。

图片中的这种数据结构，叫做「图(graphs)」，「神经网络」就是用这种数据结构来表示的。图片中的是一个3层的神经网络，中间还可以有若干层。

「神经网络」，本质上就是对数据进行多层次的变换。

综上，我们把上面这个过程，叫做深度学习——个人理解。另外，因为「深度学习」是构建在「神经网络」基础之上的，所以也有人将「深度学习」和「神经网络」等同起来。

备注：「深度学习」又叫「hierarchical learning(分层学习、多层次学习)」，我觉得这种叫法更能直观反映这个学习过程。

环境搭建及基本操作

Python

此课程使用编程语言Python(python的中文意思:大蟒蛇)

Python可以很方便地操作数据，并有很多第三方工具可供使用，让你可以轻松构建想要的应用程序。（R语言是另一种可供替代的语言）

iPython Notebook

Python的编程环境。界面如下（操作系统：macOS）：

iPython Notebook的目录界面——是在浏览器中打开的

GraphLab Creat和SFrame

GraphLab Creat和SFrame都是Python下的应用于「机器学习」的库(框架)。用来处理大量数据。

GraphLab Creat，是Carlos Guestrin教授（此公开课的讲师之一）在2009年写的一个开源框架，最初用于机器学习，后被广泛用于数据挖掘(data-mining)

Carlos Guestrin教授，在2013年创建了一间叫Turi的公司，以继续GraphLab项目。这间公司在2016年8月5日被Apple以2亿美金收购。

安装

环境安装，不在此赘述，可以参考官网：Install GraphLab Create（需要先注册，下载使用。免费使用一年）

也在在线使用：Install GraphLab Create on AWS for Coursera Students

基本操作：

iPython Notebook的编程操作界面

• 启动GraphLab Create：import graphlab

这样，就可以使用GraphLab Creat中的所有工具了，包括SFrame和将要用到的算法。

快捷键shift + enter 就可以跳到下一行(新建一行)。

• 加载数据，支持多种格式的数据，CSV(逗号分隔文件)：sf = graphlab.SFrame('people-example.csv')

备注：people-example.csv文件要放在同一目录下（people-example.csv文件，就是一个表格类型的数据文件）。

• 显示数据：sf 或者sf.head()。直接输入变量名，接着敲Shift+回车，这样就会显示前面几行了（一个表格）。显示后面几行数据：sf.tail()
• 可视化数据：直接用show()函数，比如sf.show()即可用图表方式查看数据。这种情况下，图表会显示在一个新的页面上。

如果想直接iPython Notebook中看到可视化的数据，需要进行如下设置graphlab.canvas.set_target('ipynb') 这样就可以在当前页面看到可视化的数据了，无需跳转到其他页面。

sf['age'].show(view = 'Categorical')，表示显示「age」这一列，并以「分类排序(Categorical)」的形式显示。

• 检索数据

• 查看某一列的数据sf['Country']

• 计算某一列的平均值sf['age'].mean()

• 查看某列的最大值sf['age'].max()

• 创建新的一列：sf['Full Name'] = sf['First Name'] + '' + sf['Last Name']。「Full Name」是新建列的名称，等号后面是新建列的内容。

在机器学习中，经常要将一些列进行转换，建成新的一列，这个过程叫做「feature engineering」。上面代码，就增加了一个「Full Name」特征。

• 一些运算

• sf['age'] + 2：age列年龄都加2

• sf['age'] * sf['age']：age列年龄相乘

• Apply()函数，让你不用for循环，就能改变每一行(需要改变的)。（实现：将Country列中的所有USA改为United States）

先编写函数

def transform_country(country):
   if country == 'USA'
       return 'United States'
   else:
       return country

应用函数，并赋值给Country列(这样，每一行的USA就都会转换为United States了)

sf['Country'] = sf['Country'].apply(transform_country)

案例一：regression, linear regression（回归、线性回归）

这个案例，和吴恩达课程中的一样——预测房价。

假设我们有一组房子的数据，包括房子面积、房价、房间个数、洗手间个数等属性。如何通过这些数据，预测未知房子的房价？

如何实现？

正常情况下，我们想到利用一个坐标(Y轴是售价，X轴是房子面积)，然后把所有已知数据标上去，然后「输入」你要预测房子的面积，你就会在Y轴得到一个大概的价格。如下图：

利用坐标轴预测房价

以上这种预测是简单、原始、不精确的。这时我们聪明的科学家想到了另一种解决问题的途径——利用统计学常用的分析数据的方法——「线性回归」，利用方程式，得到一条线，这样会得到更为精确的结果。如下图：

利用统计学的「线性回归」预测房价

当然，这里问题就会变成：如何找到(「拟合」出)哪条最为精确的线？其中会涉及「二次方程」、「Residual sum of squares(RSS)（残差平方和/最小平方法）」等等概念，我们这里暂且忽略，有兴趣的可看课程详细了解。

当我们努力得出一条线(或者叫构造了一个(预测房价的)模型)，如何确认这个模型的准确性呢？

这时候我们会把上面提到的那组真实的房价数据，划分为两部分，一个叫训练集(training set)，一个叫测试集test set。训练集用于训练模型，测试集用于评价模型的准确性，并根据测试结果，按需调整模型的参数，使模型更准确。

将已有的房价数据，分为「训练集」和「测试集」

具体到代码：

• 将数据随机分为训练集和测试集：

train_data, test_data = sales.random_split(.8, seed = 0)

• 利用训练集构建(训练)模型：
  predict_house_price_model = graphlab.linear_regression.create(train_data, target = 'price', features = ['sqft_living'])

可以看到，利用GraphLab中linear_regression的create()函数，输入训练集，即可构建预测房价的模型。非常方便。

另外，最后一个参数features，传入的是一个数组，而现在，这个数组只有一个元素，就是房子的面积。为了获取更精确的预测结果，我们可以加入更多的特征，比如房子的房间数量，洗手间数量（课程中也有构建一个多特征的预测模型，并比较了两个模型的误差）。

• 评估模型的准确性：

predict_house_price_model.evaluate(test_data)

利用evaluate()函数，输入test_data作为参数，即可评估模型的准确性。

• 预测某个房子的房价

predict_house_price_model.predict(house1)

所以，总结一下，把机器学习应用到房价预测中的流程：

• 拿到一组数据，并将其划分为「训练集」和「测试集」；
• 利用「线性回归」方法，传入「训练集」构建一个预测房价的模型(俗称「喂数据」)；
• 利用「测试集」，评估模型的准确性(误差)。并根据准确性，对模型进行必要的调整；
• 应用模型预测房价。

示意图如下：

机器学习，令程序更「聪明」

案例二：Classification(分类)

案例二需要解决的问题是：如何从购物评论中，判断这个评价是好评还是差评？

课程中，利用分类(Classification)来解决此类问题，示意图如下：

利用「分类」解决问题

另外，「分类」可以判断多种类型（比如判断一篇文章是关于「体育」的，「金融」的，还是「科技」的）。

「分类」的其他应用领域：判断邮件是否为垃圾邮件；判断图片属于哪类型——其实就是我们熟知的图片识别了（后面会介绍到）；判断一个人的健康状况……

Decision Boundary/决策边界

因为「分类」问题的数据，是离散的（区别于预测房价的数据，是线形的），所以会有一个Decision Boundary/决策边界的术语，如下示意图：

Boundary/决策边界

你可以理解为，决策边界上的评论，不是差评，也不是好评。

因此，我们也把这种「分类器」，成为「线性分类器(Linear calssifiers)」

看看代码：

• 将数据随机分为训练集和测试集：

train_data,test_data = products.random_split(.8, seed=0)

• 利用训练集构建(训练)模型：

sentiment_model = graphlab.logistic_classifier.create(train_data,
                                                    target='sentiment',
                                                  features=['word_count'],
                                            validation_set=test_data)

• 评估模型：

sentiment_model.evaluate(test_data, metric='roc_curve')

• 应用模型：

sentiment_model.predict(giraffe_reviews, output_type='probability')

通过代码可以看出，应用机器学习解决分类问题，和案例一中是相仿的，都是利用「训练集」「喂」数据给模型，得出预测模型，并对其进行调整，以提高其精确性；最后再应用模型解决实际问题。

案例三：Clustering(聚类)

这个案例要解决的问题是：查找相似的文章（想象你在手机看着一篇自己喜欢的文章，计算机要找相似的文章给你）。所以，问题就变成：检索文章的相似度。

而本质上，这其实是一个多元化分类问题(Multiclass classification problem)(课程介绍「分类」时有提及)。

我们要把若干文章进行分组——科学家用一个术语表示这个过程——「聚类(Clustering)」。（分为体育新闻、世界新闻、娱乐新闻等等几大类）

而区别于上面讲的「线性回归」，「Clustering(聚类)」是一个「Unsupervised learning(无监督学习)」，因为我们的运算不需要任何(给定的)标签。

输入：这里的Training Data是文档，文档id，文档文本等这些东西。

输出：模型输出的是聚类标签(cluster label)

但是没有Test Data验证模型的准确性。所以依靠的是一个叫做「Voronoi tessellation/沃罗诺伊图」这样一个东西来做评估。

示意图：

Clustering(聚类)

案例会引出「词袋模型(Bag of words model)」、「tf-idf」、「最邻近搜索(Nearest neighbor search)」等等这些术语，都是应用于检索文章相似度的，有兴趣可以看课程详细章节。

看看代码：

• 为整个文集people增加一列word_count

people['word_count'] = graphlab.text_analytics.count_words(people['text'])

• 利用tf_idf()函数，得出tf_idf值

(暂时将tf_idf理解为一个「可以增加生僻词、关键词的权重，使评估文档相似性更加准确」的算法)

tfidf = graphlab.text_analytics.tf_idf(people['word_count'])

• 构建Nearest neighbor search模型

(Nearest neighbor search算法的Output返回的是一个集合，包含最相似的文章)

knn_model = graphlab.nearest_neighbors.create(people, features = ['tfidf'], label = 'name')

• 应用模型(检索到相似的文章)

knn_model.query(obama)

返回的结果类似如下：

与Barack Obama这篇文章「距离」越近的，表示文章相似度越高。

reference_label	distance	rank
Barack Obama	0.0	1
Joe Biden	0.794117647059	2
Joe Lieberman	0.794685990338	3
Kelly Ayotte	0.811989100817	4
Bill Clinton	0.813852813853	5

案例四：Collaborative Fitering(协同过滤)

这个案例要解决的问题是：制作一个商品推荐系统，推荐使用者需要的商品。

课程给出了几种解决方案：

• Solution 0: Popularity

最简单的解决方案：市面上流行什么，就推荐什么。

缺点：不够个性化。

• Solution 1: Classification model

「分类」，案例二介绍过的。

利用用户信息、购物历史、商品信息等其他信息作为参数，做一个二元「分类器(Classifier)」，判断购物者是否会想购买此商品。

优点：可以做到个性化；可以将购物情景(节日等)作为特征考虑进去……

缺点：特征可能不可用。

• Solution 2: People who bought this also bought...

这个方案，利用一种叫做「协同过滤/Collaborative filtering」的方法为用户做推荐，但前提是：有其他人的历史购物记录、产品推荐实例、用户和商品的一般化关系。

这个方法，引出了「协同矩阵/co-occurrence matrix」：保存了人们一同购买的产品的信息。

缺点：没有利用到用户特征、商品特征；「冷启动(Cold start problem)问题」——就是一个新注册用户，或者上架了一件新商品，没办法做推荐。

• Solution 3: Discovering hidden structure by matrix factorization

这种方案，引入「矩阵因子分解(Matrix factorization)」这个方法，是一种推理方式。通过把这个矩阵因式分解的方式来逼近它自身。

但是「Matrix factorization」还是没办法解决「Cold start problem」这个问题

所以，将各种模型结合起来提高性能的方法，能超越任何一种单一模型所能达到的性能，这是一种常见并且十分有效的技术。

看看代码(构建歌曲推荐系统)：

• 将数据随机分为训练集和测试集：

train_data,test_data = song_data.random_split(.8,seed=0)

• 利用训练集构建一个简单的推荐模型(根据流程程度来推荐)

popularity_model = graphlab.popularity_recommender.create(train_data,
                                                        user_id='user_id',
                                                        item_id='song')

• 利用训练集构建一个更具个性化的推荐模型

personalized_model = graphlab.item_similarity_recommender.create(train_data,
                                                               user_id='user_id',
                                                               item_id='song')

• 应用模型

personalized_model.recommend(users=[users[0]])

• 比较两个模型的表现

if graphlab.version[:3] >= "1.6":
   model_performance = graphlab.compare(test_data, [popularity_model, personalized_model], user_sample=0.05)
   graphlab.show_comparison(model_performance,[popularity_model, personalized_model])
else:
   %matplotlib inline
   model_performance = graphlab.recommender.util.compare_models(test_data, [popularity_model, personalized_model], user_sample=.05)

评估推荐模型的性能，用一个叫做「precision recall curve(精度-召回率曲线)」来评价（横轴是recall，纵轴是precision）。

曲线和横纵坐标围成的区域的面积越大，表现越好。如下图：

评估推荐系统的precision recall curve

可以看到，personalized_model的表现是比popularity_model表现好的。

案例五：Deep learning(深度学习)

这个案例要解决的问题是：图像识别——具体是「基于展示照片的相似度选购商品」。

上面「主要概念」已经介绍过，有些问题利用传统的机器学习无法解决(课程中的「XOR」问题做引子)，换言之就是不能直接从「线性」的「特征」得出问题的解决方案。需要用到「非线性的数据表现形式/non-linear features」，而「神经网络」，提供了一种非线性的数据表现形式/non-linear features。（示意图见上面「主要概念介绍」）

第一个让神经网络大显身手的领域：计算机视觉——分析图像和视频。

计算机视觉中，「image feature」相当于「local detector/局部探测器」，这些「探测器」结合起来就能做出预测(图像识别)

例子：识别一张人脸：鼻子探测器、左眼探测器、右眼探测器、嘴巴探测器……如果所有探测器都探测到对应的东西，就可以预测这是一张人脸。

但是实际中是没有「鼻子探测器」这些东西的。实际是应用「image feature」：collections of locally interesting points——Combined to bulid classifiers。就是一些局部特征探测器/detectors of local features。

在以前，这些局部特征探测器都是手工完成的（SIFT features）。

而「神经网络」方法，可以自动去发现和识别这些特征。「神经网络」在不同的层里，抓取图像特征，做到自动学习。（深度学习令人振奋之处，就是它能从图片中学习一些非常复杂的特征——识别德国交通信号灯准确率：99.5%；识别谷歌那些门牌号数字准确率：97.8%）。

「神经网络」的局限：

• 需要大量精确的数据
• 计算代价昂贵
• 很难调整：因为太多层，太多参数，太太太复杂。（所以如果仓促把过多的选择和计算开销搅在一起，会很难搞清楚，到低哪个「神经网络」比较适用。）

为解决这一问题，引进「深度特征/deep features」：能够帮助我们建立「神经网络」——甚至你没有很多数据的时候。

Deep features = Deep learning + Transfer learning(迁移学习)

「深度特征」提供了一个很好的途径，让我们在仅有很少数据的情况下，构建高准确率的预测模型(分类器)，如下示意图：（代码实践中，图像识别的准确率，由47%提高到78%）

利用「深度特征」(迁移学习)提高图像识别准确率

看看代码：

• 加载图片数据，将数据随为训练集和测试集：

image_train = graphlab.SFrame('image_train_data/')
image_test = graphlab.SFrame('image_test_data/')

• 利用训练集，用「原始的照片像素」构建一个分类器模型(识别图像)：

注意：「feature」是「图片像素」，并没有用到「deep feature」

# 在sentiment analysis中有用过「logistic_classifier()」函数
# create：代表创造模型
# 参数1:训练集
# 参数2:目标——数据集中label那一列
# 参数3:会用到哪些特征（image_array保存的是数据的元素像素）
raw_piexl_model = graphlab.logistic_classifier.create(image_train, target = 'label',
                                                    features = ['image_array'])
# 上面的代码表示：用原始的照片像素建立一个分类器

• 应用模型识别图片：

# 利用原始像素模型预测前三张图片(结果是三张都识别错了)
raw_piexl_model.predict(image_test[0:3])

• 评估模型识别图片的准确率：

# 调用evaluate()函数评估模型的准确率
raw_piexl_model.evaluate(image_test)

运行后，可以看到'accuracy': 0.47825,，只有48%左右的准确率，很不理想

• 提取「深度特征(Deep features)」

# 用graphlab的load_model()函数，载入一个deep_learning_model，这个是已经训练好/pre-trained的了(载入即可)。
# 「imagenet_model」是模型载入的数据，有150张照片，1000个标签。
deep_learning_model = graphlab.load_model('imagenet_model')

# 在image_train中添加一列deep_features；
# extract_features()函数用来提取「深度特征/deep features」，传入的参数，就是将提取出来的特征，要用到哪个数据集中。
image_train['deep_features'] = deep_learning_model.extract_features(image_train)

以上两行代码，就是用来做「迁移学习/transfer learning」的（用网上训练的特征，应用到image_train数据集中）

• 利用训练集，用「深度特征」构建(训练)模型：

# 构建另一个有别于基于像素进行预测的模型deep_features_model
# 也是用logistic_classifier的create()函数构建
# 参数1:训练集
# 参数2:会用到哪些特征（deep_features是刚刚通过「迁移学习」得到的）
# 参数3:目标——数据集中label那一列
deep_features_model = graphlab.logistic_classifier.create(image_train,
                                                        features = ['deep_features'],
                                                        target = 'label')

• 应用deep_features_model识别图片(3张都识别正确了)：

deep_features_model.predict(image_test[0:3])

并且准确率提高到'accuracy': 0.7765,，78%左右。

篇幅有限，此案例要解决的问题——「基于展示照片的相似度选购商品」，思路就是利用「最邻近搜索(Nearest neighbor search)」算法(「聚类」中有涉及)、「深度特征」构建模型，再利用这个模型输入图片，就会输出类似的图片。代码可参考：tjaskula/Coursera。

学识有限，课程中有很多概念、方法也还没有消化，谬误在所难免，也不求你斧正了。权当科普文一览。