形而上的機器學習

Part 1: 機器學習的前世今生.

既然說機器學習，就從什么機器學習開始，相對而言，機器學習是一個比較泛的概念

初看的話，會覺得機器學習和人工智能，數據挖掘講的東西很像，實際他們之間的關系可以概括為：

• 機器學習是人工智能的一個子方向
• 機器學習是數據挖掘的一種實現方式
</ul>






舉個簡單的例子，給一些蘋果和香蕉，人會通過特征的判斷做區分，并且記憶這些特征，下次來了一個新的蘋果或者香蕉的時候，就可以判斷是香蕉還是蘋果了

作為任意一個算法或者說用程序執行的數學問題，總需要一些輸入，一些輸出

對于機器學習而言，輸入就是特征所構成向量的向量，或者說是一個矩陣

如果只有一個特征，輸入就是一個向量了，當然，向量是一個弱化的矩陣概念，統一稱作矩陣

? 目前機器學習的核心技術是基于矩陣的優化技術

• 輸入:矩陣 – 待學習的信息
• 輸出:模型 – 總結出的規則
</ul>

因此，目前主流的機器學習技術就可以形式化為

? 輸入:特征矩陣 X、標注向量 y

• X 是特征矩陣,不包括“樣本名稱”和“樣本 標注”
• y 是標注向量,即“樣本標注”那列
</ul>

? 輸出:模型向量 w

? 期望:X·w 盡可能接近 y

多種優化算法可以解 w,區別在于如何定義 “盡可能接近”

舉個例子來說，要計算廣告的CTR



這個例子中

目標是要根據已知的auc特征，猜測這個目標廣告是否會被點擊

例子中特征只有兩個，query關鍵詞和“是否飄紅”，判斷結果是是否點擊

好了，現在問題和輸入輸出都有了，具體解決這個問題，就可以選用相關的算法了

前面定義里面有這么一個隱含的關鍵點：X w 盡可能接近 y

如何定義這個“接近”，思路不同，算法就不同

比如對于LR (Logistic Regression)和SVM（Support Vector Machine）是不同的，作為樣例，可以按照下圖理解



數學形式表示，就是



具體算法細節不是這里討論的重點，在這兩個算法中，“接近”的定義不同

學術的講，就是“優化目標不同”

無論是否相同，我們都至少可以選一個優化目標了

有了優化目標，下面要做的就是如何求解這個優化目標了

一般現在用的思路主要是

L-BFGS，CDN，SGD這一些

把上面這一些要素放在一起，就有了完整的一個機器學習問題



Part 2: 如果你要用機器學習的方法去解決問題

就需要注意三個方面的優化了：

算法，數據，特征

我們下面分開來說

算法，就是優化目標 + 優化算法

從優化目標的角度，工業界往往沒有那個資源或者實力去研究新的算法，大多是在使用已有算法或者在已有算法的基礎上做擴展

從優化算法的角度，主要是三點：

• 更小的計算代價
• 更快的收斂
• 更好的并行
</ul>

這三點也比較好理解，對于一個工程問題，計算代價小，機器就可以做別的事情，更快的收斂，就可以更好的把結果投入使用，更好的并行，就可以用現有的大數據框架解決問題

訓練數據，就是盡可能和實際同分布的數據 + 盡可能充分的數據

機器學習算法中，由于期望的往往是總的誤差最小，所以很可能講數據量小的類目判別錯誤

如果樣本數據和實際數據分布差異大的話，對于實際的算法效果一般都不好

充分的數據，這個就好解釋了，數據越充分，訓練就越充分，就好比考試前做的練習越多，一般效果越好

特征，就是盡可能包含足夠多的需要識別對象的信息

一個簡單的例子，如果只有一個特征，對于水果的判斷往往偏頗，就會造成下面的結果



隨著特征的增多，訓練就會準確


往往對于一個工程問題來說，特征是決定最多的方面

一個算法方面的優化，可能只是優化了2~3%的效果，但是特征可能就是50~60%了，一個工程項目七八成的精力往往都是畫在特征選取上的，比如百度CTR預測，特征數據目前就是100億級別的。

最后來說一點關于deep learning 的東西

Deep learning和目前的機器學習算法（Shallow Learning）最大的區別在于特征層數


目前的機器學習算法主要是一層的，就是從特征直接推斷是結果；

而Deep Learning和人類的處理問題的結果更接近，是由特征推斷出一些中間層的結果，進而推斷出最終結果的；

比如視覺是由一些點，進而判斷出一些邊，進而判斷出一些形狀，然后才是整體的物體的。



之前大量使用Shallow learning 主要是因為 Shallow Learning有很好的數學特征

• 解空間是凸函數
• 凸函數有大量的求解方法
</ul>

凸函數優化可以參考

**Convex Optimization
**http://book.douban.com/subject/1888111/
**http://www.stanford.edu/~boyd/cvxbook/

而Deep Learning則容易找到局部最優解，而非全局最優解



Deep Learning解法可以參考

G. Hinton et al., A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 2006.

也可以看Andrew NG最近的課程

這里有最新的中文翻譯

http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程

本文整理自@戴文淵 機器學習簡介 講座

End.







來自36大數據（36dsj.com)