Python与机器学习之文章研读(二)

虽然听说知乎都在吹牛逼，但无妨我们来研读其中的一些精彩。今天我们来总结机器学习中的一些方法以及她的应用领域，学习方法论指引着我需要先远观整棵大树之美。

机器学习方法(常见)

• 决策树学习：决策树学习使用了一个决策树作为预测性模型，映射一个对象的观察结果并给其目标价值一个推论

• 深度学习：个人不能承受硬件的价格和GPU的发展推动了这些年深度学习的进步，深度学习是由人工神经网络中的多个隐藏层组成的。这条道路试图去模拟人脑的过程，光、声进入视觉和听觉。一些成功的应用有计算机视觉和演讲识别。

• 人工神经网络:(NN)。计算结构是由连接的人工神经元组所构成，通过连接式的方法来传递信息和计算。现在最火的tensorflow则尝试了该方法。现代神经网络是非线性的统计学数据模型工具。它们通常被用来在输入和输出之间模拟复杂关系，找到数据中的关系，或者在观测变量中从不知道的节点捕获统计学结构。

• 支持向量机：支持向量机是一系列关于监督学习在分类和回归上的应用。给出训练样本的数据集，每一个标记属于两类中的一类，一个SVM训练算法构成了一个模型，可以用来预测一个新的样本是否进入一个类别或者是另一个。比如0，1分类

• 贝叶斯网络：一个贝叶斯网络，信任网络或者有向无环图模型是一个概率性图的模型，它通过有向无环图代表了一系列的随机变量和他们的条件独立性。举例，一个贝叶斯网络代表着疾病和症状可能的关系。给出症状，网络可以被用来计算疾病出现的可能性。有效的算法存在于执行推理和学习的过程中。

机器学习方法(以后再看)

• 关联规则学习
• 归纳逻辑编程
• 集群
• 增强学习
• 特征学习
• 相似度量学习
• 稀疏字典学习
• 遗传算法
• 基于规则的机器学习
• 学习分类系统

应用领域

真的有兴趣的人完全可以选择一个领域去深挖
正所谓一法通万法通

• 情感计算
• 生物信息学
• 脑机接口
• 自适应网站
• 化学信息学
• DNA序列分类
• 计算解剖学
• 计算机视觉，包括物体识别
• 信用卡欺诈检测
• 博弈
• 信息检索
• 网络欺诈检测
• 市场营销
• 机器学习控制
• 机器感知
• 医疗诊断
• 经济学
• 自然语言处理
• 自然语言理解
• 优化和启发式算法
• 在线广告
• 推荐系统
• 机器人移动
• 搜索引擎
• 情绪分析
• 序列挖掘
• 软件工程
• 演讲和手写识别
• 金融市场分析
• 健康监测
• 句法模式识别
• 用户行为分析
• 翻译

机器学习最难的是什么？

机器学习最难的部分，就是把现实生产生活中的问题，提炼成一个机器学习问题。这需要的是你对问题本身的深刻洞察。有一天也许整个数据清洗到模型选择和交叉验证都自动化了。但始终有一个东西不能完全被机器搞定，那就是你如何从一个全新的领域，去提取机器学习可以有助解决的最重要的问题。再有，无论机器的预测，多准确它的结果如果不是在解答人的需求，也是一个没用的或至少不令人喜欢的东西。 比如我发明一个算法能够特别准的预测老人的寿命，或者根据女生现在的长相推测她80岁的长相，即使算法十分牛掰，这样的产品估计也不是客户喜闻乐见的。
简单来说，如何应用机器学习真正解决行业痛点？

有个比较有趣的答案

如果有感兴趣的读者

原文：什么是机器学习？

如果您看到这篇文章有收获或者有不同的意见，欢迎点赞或者评论。python群:190341254丁。