什么是机器学习?

1. 什么是机器学习?

1.1. 目录

• 1. 什么是机器学习?

• 1.1. 目录

• 1.2. 什么是机器学习?

• 1.3. 确实性场景和不确定性场景

• 1.3.1. 确定性场景

• 1.3.1.1. 明天太阳从什么地方升起

• 1.3.2. 不确定性场景

• 1.3.2.1. 下个季度公司的销量怎么样? 会涨还是会跌? 如果涨了, 涨幅是多少?

• 1.4. 机器学习如何解决不去定场景的问题?

• 1.5. 机器学习如何获得规律?

• 1.6. 机器学习和数据分析的关系

• 1.6.1. 都是从历史数据中心寻找规律, 他们两者之间有什么不同?

• 1.7. 机器学习依赖数据

• 1.8. "规律"到底是什东西? 具体落地的表现是什么?

• 1.8.1. 如何从数据中寻找规律? 它到底是怎么找的?

• 1.8.2. 这些规律如何落实到程序中?

• 总结

1.2. 什么是机器学习?

利用计算机从历史数据中找出规律, 并把这些规律用到对未来不确定场景的决策.

1.3. 确实性场景和不确定性场景

1.3.1. 确定性场景

1.3.1.1. 明天太阳从什么地方升起

这就属于确定性场景, 因为这个问题的答案是独一无二的, 不需要猜测也可以知道准确的答案.

1.3.2. 不确定性场景

1.3.2.1. 下个季度公司的销量怎么样? 会涨还是会跌? 如果涨了, 涨幅是多少?

在这个场景中, 问题的答案会受到很多客观因素影响和决策的, 即存在不确定性. 而机器学习就是对这种不去定的性的问题做判断和决策.

1.4. 机器学习如何解决不去定场景的问题?

机器学习依靠规律解决问题

1.5. 机器学习如何获得规律?

依靠计算机从历史数据挖掘而来

1.6. 机器学习和数据分析的关系

数据分析就是靠人力(即数据分析师)驱动从历史数据中寻找规律, 以解决问题

而机器学习就是依靠机器驱动从历史数据中寻找规律, 以解决问题

1.6.1. 都是从历史数据中心寻找规律, 他们两者之间有什么不同?

数据分析驱动的学习效果更多的是依赖从事工作的个体的经验以及知识水平, 而机器学习就是想要抛弃对数据分析师领域专家的依赖, 完全依靠机器从数据中挖掘规律.

1.7. 机器学习依赖数据

机器学习只是解决问题的算法或者框架, 本身不能做无米之炊(巧妇难为无米之炊是一句谚语, 意思是即使是聪明能干的妇女, 没米也做不出饭来), 必须为其提供原材料.

而这个原材料就是历史数据.

并且原材料越多, 找出的规律就更精确, 甚至能找到一些微妙的规律!

1.8. "规律"到底是什东西? 具体落地的表现是什么?

1.8.1. 如何从数据中寻找规律? 它到底是怎么找的?

这个找规律的过程, 或者说找规律的实现, 其实就是机器学习的算法

不同的算法, 找出的规律形式是不一样的

另外, 算法的落地, 可以理解成其实就是找到了一个数据函数或者说数学公式.

类似于 y = x 这种公式

当输入自变量x, 就可以产出结果y

这其实就是所谓的寻找规律

1.8.2. 这些规律如何落实到程序中?

找到的规律需要程序员转换成if else这样的代码吗

答案是不需要的, 这个落实的过程也是机器学习一套一系统去自动完成的.

总结

机器学习就是一门依赖于历史数据, 来推测未来不确定性事务的一门工具.