深度学习3:机器学习类型及应用_被称为第三类学习机器的是

通常意义下，编程是正确组织一些步骤来使程序达到预期的效果。但是机器学习反转了这一过程，通过机器学习，我们预先定义结果，程序自己去学习步骤以达到目的。

如果你想做一个识别车牌的程序，不需要代码去识别车牌的数百个特征，比如某些字母的形状和颜色，我们只需要给一些车牌的样例，让程序自己去学习识别车牌识别所需的步骤。

或者，你想做一个可以击败超级马里奥的机器人，不需要为每一种可能的情景写代码，比如当一个乌龟向你跑来时需要跳，我们只需要定下目标，活着达到终点，程序自己学习步骤从而实现目标。

有时，我们甚至不知道步骤会是什么，比如我是一个银行家，我怀疑有欺诈行为发生，但是不知道如何侦察，甚至毫无头绪，这里有一个用户活动的日志，找到有异常的用户，机器学会步骤来检测异常。

机器学习在互联网上早已经无处不在，主流都在使用它，事实上，当你在看一个视频时，YouTube就用它来预测你可能喜欢的其他视频，而且它的能力随时间不断增强，它将被嵌入所有的互联网设备，从冰箱、汽车到个人助理，都将不断学习和适应我们的需求。

你知道1万小时学习定律吗？我们只需要将学习时间交给机器，它会立即赋予我们超能力，任何人都可以谱写交响音乐，任何人都可以导演电影，有了机器学习，只有想不到，没有办不到。这个领域目前进步很快，研究者们基于相互的成果进行深入研究。

已经有了许多机器学习模型，其中之一被称为神经网络，当我们使用多层而不只是1层或2层的神经网络来做预测时，我们称之为深度学习。深度学习是机器学习的一类算法，它在处理很多不同任务时，几乎胜过所有其他模型。

我们将机器学习分为三类：监督学习、无监督学习、强化学习。

第一类是监督学习，给模型一个有标签的数据集，如汽车图集，它会得到何为正确或者错误的反馈，它只需要学习标签和数据之间的映射关系，就能解决一些给定的任务，比如根据图中车的模型来给车分类。这相对来说，我们已经取得了不错的成果。

第二类学习是无监督学习，给一个模型一组没有标签的数据，它得不到正确性的反馈，它需要自学习数据集中的结构，来解决一些特定的任务，它实现难度大，但更有利，因为不是每个人都有一个完美标签过的数据集，大多数数据是没有标签的，数据混乱而复杂。

第三类是强化学习，它不会立即给模型反馈，除非它达到了目的，如果我们想创造一个强化学习的机器人，可以学棋来击败人类，它只会在赢得了比赛的情况下给予反馈，而监督学习每一步都会得到反馈，在无监督学习中，即使赢得了比赛也不能得到反馈。不同于其他两种学习方式，强化学习通过试错与环境产生交互连接。

当我们有一个ibutong动物测量值的数据集，如下图：

 

想要在给定大脑重量的情况下预测其体重，由于我们的数据有标签，这属于监督学习。这个任务用到的机器学习的回归方法，我们写了10行python代码来实现这个目标，具体代码如下：

 

#pandas 读取数据集
import pandas as pd
#本文中用到的机器学习库
from sklearn import linear_model
#matplotlib实现模型和数据的可视化
import matplotlib.pyplot as plt
 
#read data
#将固定格式的数据转换为pandas的DataFrom对象
dataframe = pd.read_fwf('D:/workpace/DeepLearning/brain_body.txt')
x_values = dataframe[['Brain']]
y_values = dataframe[['Body']]
 
#train model
#用sklearn的线性模型对象来初始化线性回归参数
body_reg = linear_model.LinearRegression()
#使用x,y值来训练这个模型
body_reg.fit(x_values,y_values)
 
#visualize results
#在散点图上面画出x,y点
plt.scatter(x_values,y_values)
#画直线
plt.plot(x_values, body_reg.predict(x_values))
plt.show()

代码中的第 10 行， Pandas 的 read_fwf 读取 txt 文件中的数据，它可以将固定格式的数据转换为 Pandas 的 DataFrame 对象， DataFreame 是一个二维数据表结构，可以很容易的分析数据。

我们的目标是给定一个大脑重量来预测身体重量，怎么办？使用线性回归拟合曲线，遭到大脑重量与体重的相关性。

 

简单来说，传统编程是定义每一步来达到目标，机器学习是定义目标，我们的程序将会学习步骤来达到目标；机器学习包括三大类：监督学习、无监督学习、强化学习；线性回归模型显示了应变量与自变量间的关系，创造最佳拟合线，我们可以使用拟合线做预测。

参考资料：

　网易云课堂，《硅谷大牛带你入门深度学习》第一讲

更多更好文章，欢迎关注微信公众号：深圳程序媛（updatedaybyday）