今天开始咱们就正式聊聊机器学习。
首先说到传统机器学习，是源自50年代纯统计学的方法。旨在解决复杂的数学任务，即通过探索数据间的Pattern，评估数据，探索向量的方向及大小。
现如今，很多企业正在研究这些传统算法。比如，当你在国外旅游时境外刷了第一笔信用卡，这时银行客服会联系你，并与你确认是否为本人操作。这背后其实就是机器学习模型，因为它捕捉到了和你平时消费习惯不同的异常情况。金融领域我们通常称之为Fraud Detection（反欺诈），常见算法有GBDT，Logistic等。
虽然大型科技公司对神经网络青睐有加。因为对他们来说，提高2％的模型准确率意味着可能获得巨大的利润。但对于中小企业来讲，我觉得没有太大意义。比如与其花费一年的时间构建电商平台的推荐算法，倒不如把精力投入到客户分析和品牌分析，专注于提高用户触点上。因为你用神经网路搭建的推荐算法准确率再高，大多数用户甚至可能连你的电商平台主页都不点开看一次，何来推荐？何来Cross Selling？
有点扯远了，咱们再回到传统机器学习分类，可以参照如下树状结构。
监督学习（Supervised Learning）
传统机器学习通常分为两类，监督学习和无监督学习。
监督学习 你可以认为，机器有一个“主管”或“老师”，它给机器提供所有答案。比如在所有图片数据中，这位非常有责任心的“老师”已经标记出了这张图片是猫还是狗。那么机器要做的事情就是根据“老师”已经划分（标记）为猫的数据样本中，提取猫的数据特征，再根据划分（标记）为狗的数据样本中，提取狗的数据特征，然后再有新的图片数据进入时，就可以根据猫和狗的数据特征去判断这个动物是猫还是狗。
无监督学习是说机器只留下一堆动物照片，你不知道都有哪些动物，你的任务是从中找出谁是谁。数据没有标记，没有“老师”告诉你答案，机器试图自己找到数据模式。
对于第一次接触机器学习的人，可能听起来还是有点云里雾里...
不要紧，我们再细化一下，先聊聊监督学习中的分类和回归。
1. 分类
“根据已知的属性，分割对象。如根据颜色将袜子做分类，把苹果和梨做分类”
主要应用于：
– 垃圾邮件过滤
– 语言检测
– 搜索类似文件
– 情感分析
– 识别手写字符和数字
– 反欺诈
常见算法：朴素贝叶斯，决策树，Logistic回归，K-邻近法，支持向量机
顾名思义分类学习主要是处理关于事物的分类问题。 机器就好比一个学习分类玩具的婴儿，它对世间万物都是一窍不通的，你需要逐一告诉机器，红颜色的是苹果，黄颜色的是梨。之所以把分类问题称之为监督学习，是因为所有训练数据都有数据标签（Label）的，即红颜色的数据已经标记成了苹果，黄颜色的数据已经标记成了梨。机器可以根据标记的结果直接做分类。
世间所有都是可以被分类的，基于兴趣的用户分类，基于语言和主题的文章分类（对搜索引擎很重要），基于流派的音乐分类（Spotify播放列表），甚至是您的电子邮件。
朴素贝叶斯（Naive Bayes）是历史上作为最优雅和最初使用的一个在垃圾邮件过滤器。这种算法是计算垃圾邮件和普通邮件中的“广告性文字”提及的数量，然后使用贝叶斯方程将两个概率相乘，再对结果进行求和。
后来，垃圾邮件发送者也变得越来越狡猾，他们通过在电子邮件末尾添加了大量的“好”字，来应付贝叶斯过滤器，这种方法被称为Bayesian Poisoning（贝叶斯中毒）。所以现在其他算法也用于垃圾邮件过滤。
我们再举一个分类的例子。假设你需要一些信贷资金。银行如何判断你是否会按时还款？确切的说，他们也不知道你会不会按时还款。但是银行有很多过去借贷人的数据。他们有关于年龄，教育，职业和工资的数据，还有最重要的，这些人是否还款，yes or no的数据。有了这些数据，银行就可以通过模型探索数据的Pattern，并评估出你按时还款的概率，再决定是否放款。还有一个问题是银行不能盲目信任模型预测的结果。如果出现系统故障或者黑客攻击，该怎么办？
为了解决这个问题，我们会使用决策树，所有数据会自动分为是/否问题。例如，借款人的收入是否超过1万元？机器通过提出这样的问题，以便在每一步中最好地分割数据。这就是树的训练方式。任何分析师都可以接受并解释的万金油算法。有的时候他可能不理解模型，但却很容易解释！所以决策树广泛用于高责任范围：如诊断，医学和财务。其中比较常用的CART（分类回归树）和C4.5。
支持向量机（SVM）是最流行的经典分类方法之一。
SVM背后的原理很简单，它试图在数据点之间绘制两条线，让它们之间的间距最大。
分类中还有一个常见的应用，异常检测。当某个功能不属于任何一个分类时，我们可以High light它。比如可以在医学领域的MRI上，计算机High light所有可疑区域或测试的偏差。股票市场可以用它来检测交易者的异常行为，以找到具体问题。
而现如今，神经网络更常用于分类问题。这其实也是神经网络被发明出来的原因之一。
通常来讲，数据越复杂，算法也越复杂。
对于文本，数字和表格，一般选择传统机器学习算法。模型也比较小，它们学得更快。而像对于图片，视频和所有其他复杂的大数据事物，可以考虑神经网络。
就在五年前，我们还可以找到基于SVM构建的人脸分类器。 而如今，从数百个经过预先训练的神经网络中进行选择变得更加容易。不过，垃圾邮件过滤器使用SVM编写的还是比较多。
2. 回归
“通过已知的数据点画一条线。这就是回归”
主要应用于：
– 股票价格预测
– 需求和销量分析
– 医学诊断
– 任何数字时间相关预测
常见算法：线性回归、多项式回归
与分类问题不同，回归问题我们预测的是数字而不是类别。例如，按行驶里程预测的汽车价格，按时间预测的交通量等。当某些事情取决于时间时，回归是完美的。从事金融和分析相关工作的人一般都会比较喜欢回归。因为他们总是和数打交道，回归甚至内置于Excel中...
当预测值为直线时我们称之为线性回归，当预测值为曲线时我们称之为多项式回归。这是两种主要的回归类型，而Logistic回归就好比羊群中的一只黑羊。因为它是一种分类方法，而不是回归方法。
不过，事实上其实也可以不把回归和分类区分的那么清楚。经过一些调整后，许多分类器可以变成回归。我们不仅可以定义对象的类，还可以计算对象的接近程度。这是回归。这部分可参照如下文档
https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab
今天的机器学习部分就到这里，下期我们接着来讲传统机器学习的无监督学习部分！
