书面费曼 | 机器学习

注1：本文主要资料来自网站「产品经理的人工智能学习库」上的文章《一文看懂机器学习！（3种学习方法+7个实操步骤+15种常见算法）》。
注2：本文其他资料来自来自小能熊终生学习学院《千熊5月做到——21天费曼模型》，有兴趣的朋友可以查看「小能熊(candobear)」官网。

费曼导图：概览

【5月做到 费曼训练】 DAY03 - 机器学习.png

Why(必要性)

1. AI时代，人类的工作生活将会完全颠覆，我们该如何应对这种必然的变化？

2. 我们的下一代必将与AI为伍，如何让他们能够与AI成为朋友而不是奴隶？

3. AI的机器学习与人类的学习并无差异，因此我们是可以做到和AI成为朋友的

What(核心含义)

1. 「机器学习」是通过经验自动改善预测性能的计算机算法的统称。

2. 「机器学习」研究和构建的是一种特殊算法（而非某一个特定的算法），能够让计算机自己在数据中学习从而进行预测。

3. 机器学习的基本原理：通过训练集，不断识别特征，不断建模，最后形成有效的模型

4. 机器学习的基本思路

• 把现实生活中的问题抽象成数学模型，并且很清楚模型中不同参数的作用

• 利用数学方法对这个数学模型进行求解，从而解决现实生活中的问题

• 评估这个数学模型，是否真正的解决了现实生活中的问题，解决的如何？

5. 机器学习的分类

• 监督学习

• 非监督学习

• 强化学习

举例子

正例：小朋友识字一、二、三

反例：一上来就囫囵吞枣，依葫芦画瓢

这叫死记硬背，在计算机里就叫「Copy」不叫「学习」；

类似于「照相」，只能存储信息，无法对含有未知的场景进行有效的预测。

打比方

机器学习就像是我们去逛菜市场：

① 训练集——菜市场有很多肉蛋果蔬等各种食材以及调料，有些我们认识，但还有好多我们不认识，认识的那些就是东西就属于「训练集」；

② 特征——根据训练集我们熟悉了肉蛋果蔬的区别：蔬菜的特征、肉的特征、活鱼的特征……还知道根据摊位常按照产品的类别排列，摊位里的商品也是如此排放的。

③ 建模——学习认识新的食材

④ 模型——认识更多的食材，开启更多美食的天地

How(具体推进方式)

机器学习在实际操作层面一共分为7步，这和「学习闭环」、「知识树学习法」是一脉相承的。

① 收集数据——数据的数量和质量直接决定了预测模型的好坏。

② 数据准备——收集到的数据会有很多问题，所以会涉及到数据清洗等工作；数据要分为3个部分：训练集、验证集、测试集。

③ 选择一个模型——研究人员和数据科学家多年来创造了许多模型，选择一个相对比较合适的模型。

④ 训练——这个过程不需要人来参与，机器独立就可以完成。

⑤ 评估——评估指标主要有准确率、召回率、F值，代表模型在现实世界中的表现。

⑥ 参数调整——调整假设参数让模型表现的更出色。

⑦ 预测（开始使用）——尝试解释、解决实际问题。

How good(长期价值)

• 看清机器学习等人工智能的本质，从容地应对AI造成的深刻变化

• 通过机器学习反过来了解自我，改善自己的学习方法，成为AI的朋友