人工智能AI与大数据技术实战 公众号： weic2c
从去年开始，陆陆续续学习了大半年的机器学习，现在是时候做个总结了。
在以往的编程经验里面，我们需要对于输入有一个精确的，可控制的，可以说明的输出。例如，将1 + 1作为输入，其结果就是一个精确的输出 2 。并且不论怎么调整参数，都希望结果是2，并且能够很清楚的说明，为什么结果是2，不是3。这样的理念在传统的IT界，非常重要，所有的东西就像时钟一般精确，一切都是黑白分明的。由于这种严格的输入输出，衍生出很多对于程序的自动测试工具，你的程序无论怎么运行，都应该在相同输入情况下，得到相同的，准确的，精确的输出。
但是，如果你进入机器学习的世界，则一切都是基于一个准确率。换句话说，你的模型，允许是不完美的，1 + 1，结果可以是 2.01，也可以是1.98。有时候，如果你的模型要追求完美，则可能出现过拟合的可能性。也就是说，由于你的模型太过于完美，使得模型可以很好的匹配训练用数据，反而失去了通用性，在数据发生变化的时候，发生错误。
举个例子来说吧，如果一个男孩子说喜欢某个女孩子，这个女孩子身高178，籍贯是辽宁抚顺，专业是计算机。如果机器学习发生过拟合的时候，它就会输出这样一个模型
如果 身高 = 178 ，籍贯 = 抚顺 ，专业 = 计算机 则喜欢。
这个模型如果用来匹配一个个例，则这个模型是完美的！
身高在 【175，185】之间
这样的话，模型虽然会把一些男孩子不喜欢的女孩子也错误的标识出来，但是大部分的样本还是可以比较好的预测出来的。
机器学习，很多人认为是一个高科技的IT技能，其实，一个好的机器学习模型，领域里的业务知识还是很需要的。而且现在很多工具可以帮助大家建立程序，完全不需要什么编程的技能，只需要给机器“喂”数据，调节参数，就可以获得结果了。
在机器学习中，有一些复杂的概念，往往都是由一个简单的概念扩展开来的。
单个感知机是弱小的，但是，如果感知机有成千上万个，然后一层一层一层叠加起来呢。。这些小家伙就变成强大的神经网络了
贝叶斯，马尔科夫同志则共享了很多关于概率的机器学习。
贝叶斯最大贡献如下。
在“你家隔壁住着老王（B）”的前提下，“你的孩子长得像隔壁老王（A）”的概率
等于“你的孩子长得像隔壁老王（A）”的前提下，“你家隔壁住着老王（B）”
当然这个正统说法要牵涉到先验概率，后验概率。
最快梯度下降则几乎出现在所有的迭代算法中。
机器学习和自然语言处理也是密不可分的。在很多自然语言处理中，将大量使用机器学习的概念。马尔可夫链和条件随机场，狄利克雷分布这些都是自然语言处理的基础理论。
在机器学习里面，有一大类叫做神经网络。神经网络里面，大名鼎鼎的有卷积神经网络CNN，循环神经网络RNN。其中，卷积神经网络在图形图像处理方面，有着很出色的成果。例如识别图像的功能，通过基于CNN的深度学习技术，现在机器已经可以识别出很多东西了。下面这个图是电视剧《三生三世 十里桃花》的剧照，使用Tensorflow和ImageNet，机器告诉我们，这张图是 kimono（和服）的可能性是 0.86。gown（长外衣；外罩）0.05.
如果是一些简单的图片，例如键盘，鼠标，水杯等，识别准确度还是蛮靠谱的。
神经网络的如果要用图来表示的话，应该就是下面这个样子的。最左边的是输入，最右边的是输出。然后中间有很多隐藏层。
这个图中隐藏层只有一层，但是大部分用于真实计算的神经网络，都会有很多隐藏层。
无论是简单的，还是复杂的神经网络，其中最小的单元就是感知器。
既然是白话，那么我们就用讲故事的方法来说一下。(假设读者已经阅读了上面的文章)
如果教务处说，我们是外国语学校，对于英语成绩比较看重，则我们给予这样的英语比较高的权重。
然后，由于这次考试难度比较高，则每个人都加5分 （这个其实叫做 偏置项 bias）
X0 = 1 W0 = 5
成绩 = X0 * W0 + X1 * W1 + X2 * W2 + X3 * W3
OK，这样一个简单的感知机就做成了。在权重（W0，W1，W2，W3）和 Step Function（合格标准）定下来的时候，它可以根据输入（各科成绩），求得输出（是否合格）了。
例如：
语文成绩 50 * 0.3 = 15
语文成绩 80 * 0.3 = 24
当然，一般来讲，感知机往往是激活函数（StepFunction）是事先决定的，作为训练数据的输入，输出是已知的，权重则是需要通过机器学习来获得的。我们的例子中，合格标准是事先决定的，60分及格，然后给出一部分数据：某些人的语文成绩，数学成绩，英语成绩 ，是否合格，然后通过机器学习，将各科的权重计算出来，获得一个模型。然后利用这个模型，通过输入 语文成绩，数学成绩，英语成绩，来判定是否合格。
当然，如果在训练数据比较少的时候，这个权重可能计算的不是很准确，数据越多，权重越准确。
语文成绩 50 数学成绩 40 数学成绩 40 附加分 5 合格
能够满足这样条件的权重有很多很多，所以机器学习的结果可能不是很好。
最后再回来说一下，为什么叫感知机，其实最简单的，最原始的时候，感知机的输出就是 0（不合格） 或者 1（合格）.结果能被感知，或者不能被感知。当然，随着研究的深入，则输出形式也越来越丰富了，不仅限于是否，也可以是数值或者其他形式的东西。例如，感知机做线性回归的时候，则是数值作为输出。
搜索公众号添加： weic2c
人工智能AI与大数据技术实战
长按图片，识别二维码，点关注
