Reading7主要了解機器學習的一些常見概念，主要分類、了解常用算法的原理及其用途。

機器學習（Machine Learning）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性能。從實踐的意義上來說，機器學習是一種通過利用數據，訓練出模型，然后使用模型預測的一種方法。

相比于傳統(tǒng)統(tǒng)計學方法（回歸分析）依賴于假設和先驗性的限制性條件，機器學習可以沒有假設的情況下訓練模型，機器學習的一個計算原理是“find the pattern， apply the pattern”。

根據數據類型的不同，機器學習通用的分類為：監(jiān)督學習（Supervised Learning）、非監(jiān)督學習（Unsuperviese Learning）、深度學習和強化學習（Deep Learning & Reinforcement Learning）。

樣本分類

在機器學習中，訓練模型的算法數據集包括：訓練樣本（Trainning Sample），檢驗樣本（validation sample）、驗證樣本（TesTIng Sample）。訓練樣本用于訓練得出模型，檢驗樣本用于修正模型，驗證樣本用于檢驗模型的有效性。

監(jiān)督學習和非監(jiān)督學習的主要區(qū)別在于訓練樣本是否已經標定了結果，。打個簡單的類比來說，監(jiān)督學習就是給你一堆習題，這些習題是有標準答案的，學習（算法）完之后給一張考卷，測驗考試成績。而非監(jiān)督學習，就是給你 一堆數據，自己去發(fā)現規(guī)律，然后將規(guī)律應用到新的數據中，類似于給一堆樂高積木，自己去發(fā)現規(guī)律， 考試就給另外一堆樂高積木，看能否應用之前發(fā)現的規(guī)律。

監(jiān)督學習算法

監(jiān)督學習可應用于回歸和分類問題，回歸和分類的區(qū)別在于輸出的結果是連續(xù)變量還是分類變量。常見的回歸算法有懲罰性回歸算法，LASSO。常用的分類算法有支持向量機（Support vector machine （SVM））、近鄰算法（K-nearest neighbor （KNN） 、分類回歸樹（ClassificaTIon and Regression Tree （CART）），以及集成算法，集成算法為將多種不同的算法或模型集成到一起，將各個不同模型的結果放到一起，按模型結果的最大值作為整個算法的結果，如Bootstrap AggregaTIng （Bagging）、隨機森林（random forest）

非監(jiān)督學習算法

非監(jiān)督學習用于解決降維和聚類問題，降維是一種減少特征數量的方法，選出對結果影響最大的特征。聚類問題就是把含相似特征的數據放到一起。

降維主要的算法是主成分分析（PCA）算法，聚類問題的算法包括k-means clustering、分層聚類hierarchical clustering、樹狀圖Dendrograms。

深度學習

第三類深度學習，既可能是監(jiān)督學習，也可能是非監(jiān)督學習。包括神經網絡（Neural Networks，NN/ANN）、深度學習（deep learning nets ，DLNs）和強化學習（Reinforcement learning ，RL）

神經網絡由輸入層（Input layer）、隱藏層（hidden layers）和輸出層（Output layer）構成。深度學習是至少有3個，一般超過20個的隱藏層。