如何看待机器学习

机器学习是一个庞大而跨学科的研究领域。

你可以通过机器学习取得令人印象深刻的成果，并找到解决非常具有挑战性问题的方法。但这仅仅是机器学习这一广阔领域中的一小部分，通常被称为预测建模或预测分析。

在这篇文章中，你将了解到如何改变你对机器学习的思考方式，以便作为一名机器学习实践者，它能最好地为你服务。

阅读本文后，你将了解：

• 什么是机器学习以及它与人工智能和统计学有何关系。
• 你应该关注的机器学习领域。
• 如何思考你的问题以及解决问题的机器学习方案。

让我们开始吧。

如何看待机器学习
照片作者：Rajarshi MITRA，保留部分权利。

概述

这篇文章分为3个部分；它们是

1. 你感到困惑
2. 什么是机器学习？
3. 你的机器学习

你感到困惑

你有一个机器学习问题要解决，但你对机器学习到底是什么感到困惑。

感到困惑是有充分理由的。这对于初学者来说确实令人困惑。

机器学习是一个庞大的研究领域，如果你专注于解决问题，其中很多内容可能与你无关。

在这篇文章中，我希望能为你 esclarecer 疑惑。

我们将首先用最广泛的术语描述机器学习，以及它与统计学和人工智能等其他研究领域的关系。

之后，我们将深入探讨你为了实际工程和解决问题而真正需要了解的机器学习方面。

什么是机器学习？

机器学习是计算机科学的一个领域，关注那些能够学习的程序。

机器学习领域关注的问题是如何构建能够通过经验自动改进的计算机程序。

— 机器学习，1997年。

这范围太广了。

有多种类型的学习，多种类型的反馈可供学习，以及多种可以学习的东西。

这可以涵盖各种类型的学习，例如：

• 开发代码以研究生物种群在进化过程中如何“学习”适应其环境。
• 开发代码以研究大脑中的一个神经元如何响应其他神经元的刺激而“学习”。
• 开发代码以研究蚂蚁如何“学习”从家到食物来源的最佳路径。

我故意给出这些深奥的例子，以帮助你真正理解机器学习是一个广泛而深远的研究项目。

你可能更熟悉的另一个例子是：

• 开发代码以研究如何“学习”历史数据中的模式。

这不那么光鲜，但却是我们作为实践者深感兴趣的机器学习领域的基础。

这个领域并非与其他例子截然不同；在学习方法、基本任务、学习评估方式等方面，它们之间可能存在很多重叠。

那么人工智能呢？

机器学习是人工智能的一个子领域。

它与机器学习重叠。

人工智能也是计算机科学的一个领域，但它关注的是开发智能程序，或者能够做智能事情的程序。

智能涉及学习，例如机器学习，但也可能涉及推理、规划、记忆等其他方面。

这可以涵盖各种类型的学习，例如：

• 开发代码以研究如何优化物流规划。
• 开发代码以研究如何理解一段文本。
• 开发代码以研究如何感知照片中的内容。

人工智能通常是在环境中代理的背景下构建的，旨在解决某个问题，但这并非必须如此。

机器学习也可以很容易地命名为人工智能学习，以保持与人工智能的一致性并帮助初学者。

界限是模糊的。机器学习问题也是人工智能问题。

那统计学呢？

统计学，或者说带计算机的应用统计学，是数学的一个子领域，关注数据的描述和理解其中的关系。

这可以涵盖各种类型的学习，例如：

• 开发模型以总结变量的分布。
• 开发模型以最佳地表征两个变量之间的关系。
• 开发模型以测试两组观测值之间的相似性。

它也与机器学习中关注数据模式学习的领域有所重叠。

许多用于统计学中理解数据的方法，也可以在机器学习中用于学习数据模式。这些任务可以被称为机器学习或应用统计学。

你的机器学习

机器学习是一个广阔的研究领域，它可以帮助你解决特定的问题。

但你不需要了解所有这些。

• 你不是在研究机器学习中那种深奥的学习类型的学者。
• 你不是在尝试像人工智能那样制造一个智能代理。
• 你对学习数据中变量之间关系的原因不感兴趣，就像统计学中那样。

事实上，在学习数据关系方面

• 你不是在研究算法的能力。
• 你不是在开发一个全新的理论或算法。
• 你不是在将现有机器学习算法扩展到新情况。

这些可能是我们可能感兴趣的机器学习领域中的活动，但它们是学术活动，而不是像你这样的实践者的活动。

那么你需要关注机器学习的哪些部分呢？

我认为有两种思考机器学习的方式

1. 从你试图解决的问题的角度。
2. 从你所需的解决方案的角度。

你的机器学习问题

你的问题可以最好地描述为：

寻找一个模型或程序，它能最佳地利用包含输入和输出的历史数据，以便在未来给定新的和未见过的输入时，熟练地预测输出。

这非常具体。

首先，它摒弃了整个机器学习子领域，例如无监督学习，转而专注于一种称为监督学习的学习类型以及所有符合该类别的算法。

这并不意味着你不能利用无监督方法；它只是意味着你不把注意力集中在那里，至少一开始不是。

其次，它给你一个明确的目标，凌驾于所有其他目标之上：即模型技能，而牺牲其他考量，如模型复杂性、模型可解释性等。

同样，这并不意味着这些不重要，只是它们是在模型技能之后或与模型技能结合考虑的。

第三，以这种方式来界定你的问题，完美地契合了另一个研究领域，即预测建模。这是一个借鉴机器学习方法，旨在开发能够熟练进行预测的模型的研究领域。

在一些商业领域，这个领域也可能被称为预测分析，它不仅包含建模部分，还包括收集和准备数据以及部署和维护模型的相关活动。

最近，这项活动也可以被称为数据科学，尽管这个短语也带有除了解决问题之外，还要发明或发现问题的含义。

我认为这项活动叫什么并不重要。但我确实认为，深入理解你对机器学习的兴趣和使用是高度具体且与学者们的其他用途不同的，这一点非常重要。

它允许你筛选阅读材料和选择工具，以便专注于你正在努力解决的问题。

你的机器学习解决方案

你所需的解决方案可最佳描述为：

一个模型或程序，它能自动创建历史数据中输入与相关输出之间未知潜在关系的最可能近似。

这又非常具体了。

你需要一个自动化的方法，它能生成一个程序或模型，你可以用它来进行预测。

你不能坐下来编写代码来解决你的问题。它完全是数据特定的，而且你有很多数据。

事实上，这类问题抵制自上而下的手工编码解决方案。如果你能坐下来编写一些if语句来解决你的问题，你就不会需要机器学习解决方案。那将是一个编程问题。

你需要的机器学习方法将学习历史数据中输入和输出之间的关系。

这种框架让你能够思考实际的、潜在的、未知的映射函数可能是什么样子，以及噪声、损坏和历史数据采样如何影响不同建模方法对该映射的近似。

如果没有这个框架，你可能会疑惑以下问题：

• 为什么没有一个超级算法或一套参数。
• 为什么专家不能直接告诉你使用哪个算法。
• 为什么你的模型预测不能达到零错误率。

它能帮助你认识到你正在解决的预测建模问题的模糊性，并设定合理的预期。

下一步

既然你已经知道如何思考机器学习，下一步就是改变你思考用机器学习解决方案解决问题的过程的方式。

提示，请参阅这篇文章：

• 将应用机器学习作为一个搜索问题的简明介绍

进一步阅读

如果您想深入了解，本节提供了更多关于该主题的资源。

文章

• 预测建模入门简介
• 机器学习算法如何工作
• 什么是机器学习？
• 将应用机器学习作为一个搜索问题的简明介绍
• 机器学习在何处适用？

文章

• 维基百科上的机器学习
• 维基百科上的预测建模
• 维基百科上的预测分析

总结

在这篇文章中，你了解了如何改变你对机器学习的思考方式，以便作为一名机器学习实践者，它能最好地为你服务。

具体来说，你学到了：

• 什么是机器学习以及它与人工智能和统计学有何关系。
• 你应该关注的机器学习领域。
• 如何思考你的问题以及解决问题的机器学习方案。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。