- 机器学习主要有5个学派， 我们会对每个学派分别介绍： 符号学派将学习看作逆向演
绎， 并从哲学、 心理学、 逻辑学中寻求洞见； 联结学派对大脑进行逆向分析， 灵感来源于神
经科学和物理学； 进化学派在计算机上模拟进化， 并利用遗传学和进化生物学知识； 贝叶斯
学派认为学习是一种概率推理形式， 理论根基在于统计学； 类推学派通过对相似性判断的外
推来进行学习， 并受心理学和数学最优化的影响。 - 机器学习的5个学派都有自己的主算法， 利用这种万能学习算法， 原则上， 你可以通过
任何领域的数据来挖掘知识： 符号学派的主算法是逆向演绎， 联结学派的主算法是反向传
播， 进化学派的主算法是遗传编程， 贝叶斯学派的主算法是贝叶斯推理， 类推学派的主算法
是支持向量机。 - 信不信由你， 所有算法， 无论多复杂， 都能分解为这三种逻辑运算： 且， 或， 非。
- 第一， 我们掌握的数据越多， 我们能学的也越多。 没有数据？ 什么也学不到。 大数据？
很多东西可以学习。 这也是机器学习无处不在的原因， 因为有飞速增长的数据。 如果你在超
市购买机器学习， 其包装上可能会写着“只需添加数据”。第二， 机器学习是一把剑， 利用这把剑可以杀死复杂性怪兽。 只要有足够的数据， 一段只有几百行代码的程序可以轻易生成拥有上百万行代码的程序， 而且它可以为解决不同问题不停产生不同的程序。 这可以显著降低程序员工作的复杂度。 当然， 就像对付九头蛇， 我们砍掉它的头， 会立即长出新头， 但长出的头会变小， 而且头的生长也需要时间， 因此我们仍有可能胜出。
我们可以把机器学习当作逆运算， 正如开平方是平方的逆运算、 整合是分化的逆运算。
正如我们会问“什么数的平方是16”， 或者“导数为x+1的函数是什么”， 我们也会问“什么算法
会得出该结果”。 我们很快会看到， 怎样将这个观点运用到具体的学习算法中。 - 机器学习有许多不同的形式， 也会涉及许多不同的名字： 模式识别、 统计建模、 数据挖
掘、 知识发现、 预测分析、 数据科学、 适应系统、 自组织系统等。 - 在信息处理这个生态系统中， 学习算法是顶级掠食者。 数据库、 网络爬虫、 索引器等相
当于食草动物， 耐心地对无限领域中的数据进行蚕食。 统计算法、 线上分析处理等则相当于食肉动物。 食草动物有必要存在， 因为没有它们， 其他动物无法存活， 但顶级掠食者有更为刺激的生活。 数据爬虫就像一头牛， 网页相当于它的草原， 每个网页就是一根草。 当网络爬虫进行破坏行动时， 网站的副本就会保存在其硬盘当中。 索引器接着做一个页面的列表， 每个词都会出现在页面当中， 这很像一本书后的索引。 数据库就像大象， 又大又重， 永远不会被忽略。 在这些动物当中， 耐心的野兽飞快运转统计和分析算法， 压缩并进行选择， 将数据变为信息。 学习算法将这些信息吞下、 消化， 然后将其变成知识。 - 实际上， 对所有主要的学习算法——包括最近邻算法、 决策树学习算法以及贝叶斯网络（朴素贝叶斯的概括） ——来说， 如果你为学习算法提供足够、 适当的数
据， 该算法可以实现任一功能（对学习任何东西来说， 都与数学相关） 。 需要注意的
是， “足够数据”也有可能无限。 学习无限数据需要做出假设， 如我们会看到的那样， 而且不
同的学习算法会有不同的假设 - 所有知识，无论是过去的、 现在的还是未来的，都有可能通过单个通用学习算法来从数
据中获得。
网友评论