# 如何思考機器學習 > 原文： [https://machinelearningmastery.com/think-machine-learning/](https://machinelearningmastery.com/think-machine-learning/) 機器學習是一個龐大的跨學科研究領域。 通過機器學習，您可以獲得令人印象深刻的結果，并找到解決非常具有挑但這只是更廣泛的機器學習領域的一個小角落，通常稱為預測建模或預測分析。 在這篇文章中，您將了解如何改變您對機器學習的看法，以便最好地為您作為機器學習從業者。 閱讀這篇文章后，你會知道： * 機器學習是什么以及它與人工智能和統計數據的關系。 * 你應該關注的機器學習的角落。 * 如何考慮您的問題和機器學習解決方案的問題。 讓我們開始吧。  如何看待機器學習 攝影： [Rajarshi MITRA](https://www.flickr.com/photos/tataimitra/16798141516/) ，保留一些權利。 ## 概觀 這篇文章分為 3 部分;他們是： 1. 你很困惑 2. 什么是機器學習？ 3. 你的機器學習 ## 你很困惑 你有一個機器學習問題要解決，但你對機器學習究竟是什么感到困惑。 有充分的理由感到困惑。這對初學者來說很困惑。 機器學習是一個很大的研究領域，如果你專注于解決問題，并不是所有這些都與你有關。 在這篇文章中，我希望能為你解決問題。 我們將從最廣泛的術語描述機器學習開始，以及它與統計和人工智能等其他研究領域的關系。 之后，我們將放大您真正需要了解的實際工程和解決問題的機器學習方面。 ## 什么是機器學習？ 機器學習是計算機科學領域，涉及學習的程序。 > 機器學習領域涉及如何構建自動改進經驗的計算機程序的問題。 - [機器學習](http://amzn.to/2svq4dV)，1997。 這是超級廣泛的。 有許多類型的學習，許多類型的反饋可供學習，以及許多可以學習的東西。 這可以涵蓋不同類型的學習，例如： * 開發代碼以研究生物種群在進化時間如何“學習”以適應其環境。 * 開發代碼以研究大腦中的一個神經元如何“學習”以響應來自其他神經元的刺激。 * 開發代碼來研究螞蟻如何“學習”從家到食物源的最佳路徑。 我故意提供這些深奧的例子，以幫助你真正確定機器學習是一個廣泛而深遠的研究計劃。 您可能更熟悉的另一個案例是： * 開發代碼以研究如何“學習”歷史數據中的模式。 這不那么迷人，但它是機器學習的一個小角落的基礎，我們作為從業者非常感興趣。 這個角落與其他例子沒有區別;在學習方法，基本任務，評估學習方法等方面可能存在很多重疊。 ### 人工智能怎么樣？ 機器學習是人工智能的一個子領域。 它與機器學習重疊。 人工智能也是計算機科學的一個領域，但它關注的是開發智能或可以做智能事物的程序。 智力涉及學習，例如機器學習，但可能涉及其他問題，如推理，計劃，記憶等等。 這可以涵蓋各種類型的學習，例如： * 開發代碼以研究如何優化物流計劃。 * 開發代碼以研究如何推理一段文本。 * 開發代碼以研究如何感知照片的內容。 人工智能通常在環境中的代理環境中構建，旨在解決某些問題，但事實并非如此。 機器學習可以很容易地被命名為人工學習，以與人工智能保持一致并幫助初學者。 線條模糊。機器學習問題也是人工智能問題。 ### 統計怎么樣？ 統計數據或計算機應用統計數據是數學的一個子領域，涉及描述和理解數據中的關系。 This could encompass diverse types of learning such as: * 開發模型以總結變量的分布。 * 開發模型以最好地表征兩個變量之間的關系。 * 開發模型以測試兩組觀察結果之間的相似性。 它還與對學習數據模式感興趣的機器學習的角落重疊。 用于理解統計中的數據的許多方法可以用于機器學習以學習數據中的模式。這些任務可稱為機器學習或應用統計。 ## 你的機器學習 機器學習是一個很大的研究領域，它可以幫助您解決具體問題。 但是你不需要知道所有這些。 * 你不是一個學術研究機器學習中深奧的學習類型。 * 你不是要像人工智能一樣創造智能代理。 * 您不想了解更多關于變量在數據中如何與統計數據相關的原因。 實際上，在學習數據關系方面： * 您沒有調查算法的功能。 * 你沒有開發出全新的理論或算法。 * 您沒有將現有的機器學習算法擴展到新案例。 這些可能是我們可能感興趣的機器學習的角落里的活動，但是學術界的活動，而不是像你這樣的從業者。 **那么你需要關注機器學習的哪些部分？** 我認為有兩種方法可以考慮機器學習： 1. 就你要解決的問題而言。 2. 就您需要的解決方案而言。 ### 你的機器學習問題 您的問題最好描述如下： > 找到一個模型或程序，充分利用由輸入和輸出組成的歷史數據，以便在將來給出新的和看不見的輸入時巧妙地預測輸出。 這是超級具體的。 首先，它拋棄機器學習的整個子領域，例如無監督學習，專注于一種稱為監督學習的學習以及適合該斗的所有算法。 這并不意味著您無法利用無監督的方法;它只是意味著你不要把注意力集中在那里，至少不要開始。 其次，它為您提供了一個明確的目標，支配所有其他目標：這是模型技能而犧牲了其他問題，如模型復雜性，模型可解釋性等。 同樣，這并不意味著這些并不重要，只是在模型技能之后或與模型技能相結合時考慮它們。 第三，以這種方式構建問題非常適合另一個稱為預測建模的研究領域。這是一個研究領域，它借鑒了機器學習的方法，目的是開發出能夠進行技巧預測的模型。 在某些業務領域，該領域也可稱為預測分析，并且不僅包括建模組件，還包括收集和準備數據以及部署和維護模型的相關活動。 最近，這項活動也可稱為數據科學，盡管該短語除了將其用于解決方案外，還具有發明或發現問題的內涵。 我認為你稱之為活動并不重要。但我認為重要的是要深刻理解您對機器學習的興趣和使用是非常具體的，并且與學術界的其他用途不同。 它允許您過濾您閱讀的材料和您選擇的工具，以便專注于您嘗試解決的問題。 ### 您的機器學習解決方案 您需要的解決方案最好描述如下： > 一種模型或程序，可自動創建歷史數據中輸入和相關輸出之間未知基礎關系的最可能近似值。 同樣，這是超級具體的。 您需要一個自動方法來生成可用于進行預測的程序或模型。 你不能坐下來編寫代碼來解決你的問題。它完全是針對特定數據的，并且您擁有大量數據。 實際上，這種類型的問題抵制了自上而下的手工編碼解決方案。如果你可以坐下來寫一些 if 語句來解決你的問題，你就不需要機器學習解決方案了。這將是一個編程問題。 您需要的機器學習方法類型將學習歷史數據中輸入和輸出之間的關系。 這種框架允許您考慮真實的基礎但未知的映射函數可能是什么樣的，以及歷史數據的噪聲，損壞和采樣如何影響不同建模方法對此映射的近似。 沒有這個框架，你會想到這樣的事情： * 為什么不只有一個超級算法或一組參數。 * 為什么專家不能只告訴你使用什么算法。 * 為什么您無法通過模型中的預測實現零錯誤率。 它可以幫助您查看您嘗試解決的預測建模問題的不明確性質，并設定合理的期望。 ### 下一步 既然您已經知道如何考慮機器學習，那么下一步就是改變您對機器學習解決方案解決問題的過程的思考方式。 有關提示，請參閱帖子： * [應用機器學習作為搜索問題的溫和介紹](https://machinelearningmastery.com/applied-machine-learning-as-a-search-problem/) ## 進一步閱讀 如果您希望深入了解，本節將提供有關該主題的更多資源。 ### 帖子 * [預測建模的溫和介紹](https://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/) * [機器學習算法的工作原理](https://machinelearningmastery.com/how-machine-learning-algorithms-work/) * [什么是機器學習？](https://machinelearningmastery.com/what-is-machine-learning/) * [應用機器學習作為搜索問題的溫和介紹](https://machinelearningmastery.com/applied-machine-learning-as-a-search-problem/) * [機器學習適合哪里？](https://machinelearningmastery.com/where-does-machine-learning-fit-in/) ### 用品 * [維基百科上的機器學習](https://en.wikipedia.org/wiki/Machine_learning) * [維基百科上的預測建模](https://en.wikipedia.org/wiki/Predictive_analytics) * [維基百科上的預測分析](https://en.wikipedia.org/wiki/Predictive_analytics) ## 摘要 在這篇文章中，您發現了如何改變您對機器學習的看法，以便最好地為您提供機器學習從業者。 具體來說，你學到了： * 機器學習是什么以及它與人工智能和統計數據的關系。 * 你應該關注的機器學習的角落。 * 如何考慮您的問題和機器學習解決方案的問題。 你有任何問題嗎？ 在下面的評論中提出您的問題，我會盡力回答。