MLJAR 学院:从机器学习开始

原文：https://medium.com/hackernoon/mljar-start-with-machine-learning-d63003833474

机器学习是时下的热门话题。这是一种流行语，每个人都试图用它来显得更聪明。我问我的朋友他的公司用于分类的算法类型，他说:

“老实说我没有 ML 经验。我是技术人员。但为了听起来聪明，我可能会说:我们正在使用基于人工神经网络的复杂机器学习算法。”

事实上，这听起来很不错:-)为了帮助人们满足对机器学习知识的渴望，我将发布一系列关于机器学习的文章，特别是预测分析。

机器学习根据维基百科:

机器学习是计算机科学的子领域，它……赋予了“计算机无需显式编程就能学习的能力。”机器学习是从对人工智能中的模式识别和计算学习理论的研究演变而来的，它探索研究和构建能够从数据中学习并做出预测的算法...

简单来说，机器学习允许你建立一个不必明确定义的算法(配方)——可能吗？是的，这个算法(配方)中的一切都是从你的数据中学习的——每个条件或新步骤都是基于你的数据。作为学习的结果，你得到一个算法，但更准确地说，你得到一个模型。这个模型有一些关于你的数据的知识，并且这个模型可以基于输入数据为你提供响应。

模型总会有某种回应，因为否则就没用了。响应可以是不同的格式——可以是数字、图像、音频，或者响应可以是模型的内部结构，这可以给我们带来一些见解。根据回答，你可以采取行动。

通常，机器学习模型的生命周期有两个阶段:

你不能省略你的模型的学习步骤，因为否则它会产生一些随机的反应。然而，有时你可以购买已经学习过的模型，你可以用它来进行预测(例如 clarifai ， algorithmia )。

有许多方法可以对机器学习算法进行分类，其中一种方法取决于可用于学习的数据:

监督学习 —在老师(监督人)的指导下进行训练，你的数据应该包含将用于指导模型关于响应值的信息，你知道什么值是期望的响应值，并且你将教你的模型返回它们。一些例子:电子邮件中的垃圾邮件分类、图像中的对象识别、信用风险评估、流失预测、股票市场的价格预测。
无监督学习 —没有可用于指导模型的关于期望响应值的信息，模型需要自己算出它——它不会被监督。一些例子:用户细分，复杂的数据可视化。
强化学习 —在学习阶段，您的模型与动态环境互动，在其中它有一定的目标，可以采取行动，并从环境中获得反馈(奖励和惩罚)。一些例子:自动驾驶汽车或与对手玩游戏。

在我看来学习人类的最好方式是通过做，所以现在在一些理论之后我们将会进入分类任务(这是监督学习的一部分)。好了，来学习我们的模式吧！