聊一下机器学习和数据挖掘的关系

 

在开篇之前，想和大家聊一下机器学习和数据挖掘的关系。

数据挖掘只是机器学习中涉猎的领域之一，机器学习还有模式识别、计算机视觉、语音识别、统计学习以及自然语言处理等。

机器学习即 ML，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习作为人工智能研究较为年轻的分支，机器学习也分监督学习和非监督学习，同时随着人工智能越来越被人们重视和越热，深度学习也是机器学习的一个新的领域。

机器学习，从知识清单开始

我们第一天学开车的时候一定不会直接上路，而是要你先学习基本的知识，然后再进行上车模拟。

只有对知识有全面的认知，才能确保在以后的工作中即使遇到了问题，也可以快速定位问题所在，然后找方法去对应和解决。

所以我列了一个机器学习入门的知识清单，分别是机器学习的一般流程、十大算法、算法学习的三重境界，以此来开启我们的学习之旅。

一、机器学习的基本流程

引用大佬的解释：

A computer program is said to learn fromexperience E with respect to some task T and some performance measure P,if itsperformance on T,as measured by P,improves with experience E.   —Tom Mitchell

简单来说，机器学习就是针对现实问题，使用我们输入的数据对算法进行训练，算法在训练之后就会生成一个模型，这个模型就是对当前问题通过数据捕捉规律的描述。然后我们将模型进一步导入数据，或者引入新的数据集进行评估，根据结果的好坏反过来调整算法，形成反馈和优化闭环。整个过程机器在不断的学习、训练和优化迭代，这个也是机器学习强大的地方。

二、机器学习的十大算法

为了进行机器学习和数据挖掘任务，数据科学家们提出了各种模型，在众多的数据挖掘模型中，国际权威的学术组织 ICDM（the IEEE International Conference on Data Mining）评选出了十大经典的算法。

按照不同的目的，我可以将这些算法分成四类，以便你更好的理解。

分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART

聚类算法：K-Means，EM

关联分析：Apriori

连接分析：PageRank

1. C4.5

C4.5 算法是得票最高的算法，可以说是十大算法之首。C4.5 是决策树的算法，它创造性地在决策树构造过程中就进行了剪枝，并且可以处理连续的属性，也能对不完整的数据进行处理。它可以说是决策树分类中，具有里程碑式意义的算法。

2. 朴素贝叶斯（NaiveBayes）

朴素贝叶斯模型是基于概率论的原理，它的思想是这样的：对于给出的未知物体想要进行分类，就需要求解在这个未知物体出现的条件下各个类别出现的概率，哪个最大，就认为这个未知物体属于哪个分类。

3. SVM

SVM 的中文叫支持向量机，英文是 SupportVector Machine，简称 SVM。SVM 在训练中建立了一个超平面的分类模型。

4. KNN

KNN 也叫 K 最近邻算法，英文是 K-Nearest Neighbor。所谓 K 近邻，就是每个样本都可以用它最接近的 K 个邻居来代表。如果一个样本，它的 K 个最接近的邻居都属于分类 A，那么这个样本也属于分类 A。

5. AdaBoost

Adaboost 在训练中建立了一个联合的分类模型。boost 在英文中代表提升的意思，所以 Adaboost 是个构建分类器的提升算法。它可以让我们多个弱的分类器组成一个强的分类器，所以 Adaboost 也是一个常用的分类算法。

6. CART

CART 代表分类和回归树，英文是 Classificationand Regression Trees。像英文一样，它构建了两棵树：一颗是分类树，另一个是回归树。和C4.5 一样，它是一个决策树学习方法。

7. Apriori

Apriori 是一种挖掘关联规则（association rules）的算法，它通过挖掘频繁项集（frequentitem sets）来揭示物品之间的关联关系，被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合，关联规则暗示着两种物品之间可能存在很强的关系。

8. K-Means

K-Means 算法是一个聚类算法。你可以这么理解，最终我想把物体划分成 K 类。假设每个类别里面，都有个“中心点”，即意见领袖，它是这个类别的核心。现在我有一个新点要归类，这时候就只要计算这个新点与K 个中心点的距离，距离哪个中心点近，就变成了哪个类别。

9. EM

EM 算法也叫最大期望算法，是求参数的最大似然估计的一种方法。原理是这样的：假设我们想要评估参数 A 和参数 B，在开始状态下二者都是未知的，并且知道了 A 的信息就可以得到 B 的信息，反过来知道了 B 也就得到了 A。可以考虑首先赋予A 某个初值，以此得到 B 的估值，然后从 B 的估值出发，重新估计 A 的取值，这个过程一直持续到收敛为止。

EM 算法经常用于聚类和机器学习领域中。

10. PageRank

PageRank 起源于论文影响力的计算方式，如果一篇文论被引入的次数越多，就代表这篇论文的影响力越强。同样 PageRank 被 Google 创造性地应用到了网页权重的计算中：当一个页面链出的页面越多，说明这个页面的“参考文献”越多，当这个页面被链入的频率越高，说明这个页面被引用的次数越高。基于这个原理，我们可以得到网站的权重划分。

算法可以说是机器学习的灵魂，也是最精华的部分。这 10 个经典算法在整个机器学习领域中的得票最高的，后面的一些其他算法也基本上都是在这个基础上进行改进和创新。今天你先对十大算法有一个初步的了解，你只需要做到心中有数就可以了。

三、机器学习的三大境界

1. 掌握算法入口出口

第一重境界，将算法本身是做黑箱，在不知道算法具体原理的情况下能够掌握算法的基本应用情景（有监督、无监督），以及算法的基本使用情景，能够调包实现算法。

2. 理解原理，灵活调优

第二重境界则是能够深入了解、掌握算法原理，并在此基础上明白算法实践过程中的关键技术、核心参数，最好能够利用编程语言手动实现算法，能够解读算法执行结果，并在理解原理的基础上对通过调参对算法进行优化。

3. 融会贯通，设计算法

最后一重境界，实际上也是算法（研发）工程师的主要工作任务，即能够结合业务场景、自身数学基础来进行有针对性的算法研发，此部分工作不仅需要扎实的算法基本原理知识，也需要扎实的编程能力。

编辑：黄飞