1 一個例子說明什麼是機器學習

機器學習是指利用計算機模擬或實現人類的學習行為。那機器是怎麼學習的呢？

馬上要過年，一部鬥智鬥勇的賀歲劇《相親》就要上映，我們就舉個相親的栗子。現有一妙齡女郎相親，候選人有青年 A、B、C 和 D，四個青年的屬性分別為：

A：『高，帥，富』

B：『高，帥，窮』

C：『高，醜，富』

D：『矮，醜，富』

經過一番篩選，女子將 [A C D] 分為適合婚戀組，將 [B] 劃分為不適合婚戀組。上述就是人類的學習過程。

由於相親物件實在過多，妙齡女郎相不過來了，於是她找來機器幫忙。首先，她要培訓下機器，告訴機器如下資訊：

A：屬性『高，帥，富』— 標籤 『適合婚戀組』

B：屬性『高，帥，窮』— 標籤 『不適合婚戀組』

C：屬性『高，醜，富』— 標籤 『適合婚戀組』

D：屬性『矮，醜，富』— 標籤 『適合婚戀組』

機器一番學習，建立起了「屬性」和「標籤」的對應關係，這就是機器學習建模過程。現在有青年 E、F、G …… 的屬性值，妙齡少女把這堆屬性值告訴機器，機器返回哪些是可以繼續發展的物件，哪些是淘汰的物件。這就是 有監督機器學習 ，即告訴機器訓練資料的「屬性」和「標籤」，機器利用某種演算法建立「屬性」和「標籤」的關係，利用該關係，就可以根據新資料的「屬性」得到新資料的「標籤」，如下圖。

圖1. 有監督的機器學習

說到 有監督機器學習 ， 肯定就有 無監督機器學習 。 無監督機器學習 是指沒有「標籤」的監督，機器自動將資料聚類為若干類或其他處理，如下圖。

圖2. 無監督的機器學習

既然說道了聚類，就提一下分類。聚類是指將資料聚為若干類，但每個類的標籤是什麼不知道，如上述例子中將 [A C D] 聚為一類，[B] 聚為令一類，但是不知道那個類是適合婚戀組。分類就是講資料劃分到某一類中，如將 [A C D] 劃分為 適合婚戀組 類。

2 常用機器學習演算法

面對茫茫多的演算法種類總是很迷茫，這裡列一些常用演算法，有個大體框架。

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。 它是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。

簡單來說，機器學習，就是一套學習演算法，但是這種演算法和我們平時所學的數學又有點不一樣。

機器學習演算法就是把每一步每一個可能，都經過精心的計算，得出最好的結果。

機器人下象棋，就是把下象棋中，所以的象棋每走一格，每一步，都經過很多次訓練，得出最佳的路徑，相當於幾百個幾千個象棋大師，跟你一個人下象棋，你說這樣的機器人下象棋厲害不。

機器學習是指在不提供直接指令的情況下，使用資料的數學模型來幫助計算機學習的過程。機器學習使用演算法來識別資料中的模式，然後使用這些模式建立一個可以進行預測的資料模型。隨著資料和經驗的增加，機器學習的結果會更加準確，這跟人類透過不斷練習來提高能力的過程非常相似。

過程可簡述為三步:

把問題抽象成數學模型用數學方法對這個數學模型求解評估這個數學模型，是否解決這個問題，解決得如何？方法是否最優

回到問題當然下象棋，下圍棋很厲害的原理當然就是借鑑了專業象棋和圍棋棋手的思維，也就是俗話說的“走一步，看三步”。機器首先會判斷可以在哪幾個地方可以下子，勝算比較大; 然後下子後，在透過演算法的計算，算出n步後面的結局會是怎麼樣。

再細講就是面對當前棋局，機器會摸擬(推演)棋局N次，從而選取N次模擬中某步走法的佔比最高，就確定為最優走法。

那機器模擬過程大概是怎樣的呢？

機器模擬的過程就類似於棋手在腦袋中的推演。機器面對當前棋局，會用到某種策略或者是模型，自己和自己下，往後下幾步或者一直下到終局。當然在這個過程中機器會去模擬多次，不止一次。越來越多的模擬會使機器推演的“越來越深”(一開始可能推算幾步，後面可能是幾十步)，對當前棋局判斷會越來越準，從而使後面的模擬“越來越強”(更接近於正解)。所以機器學習很強，它不斷地學習別人下棋的走法，透過演算法來從而不斷最佳化自己的走法。