作者提供的图片

传统与变革：回顾与展望

传统上，计算机通常遵循一组明确的指令。例如，如果您希望计算机执行将两个数字相加的简单任务，则必须拼写出每个步骤。然而，随着我们的数据变得更加复杂，这种针对每种情况给出指示的手动方法变得不够。

这就是机器学习作为游戏规则改变者出现的地方。我们希望计算机能够从示例中学习，就像我们从经验中学习一样。想象一下，教一个孩子如何骑自行车，先展示几次，然后让他摔倒，弄清楚并自己学习。这就是机器学习背后的想法。这种创新不仅改变了行业，而且已成为当今世界不可或缺的必需品。

学习基础知识

现在我们对“机器学习”这个术语有了基本的了解，让我们熟悉一些基本术语：

数据

数据是机器学习的命脉。它指的是计算机用来学习的信息。这些信息可以是数字、图片或计算机可以理解的任何其他信息。这进一步分为2类：

• 训练数据：该数据是指我们用来教授计算机的示例。
• 测试数据：学习后，我们使用一些新的、未见过的数据（称为测试数据）来测试计算机的性能。

标签和特点

想象一下，您正在教一个孩子如何区分不同的动物。动物的名称（狗、猫等）将是标签，而帮助您识别它们的这些动物的特征（腿的数量、毛皮等）是特征。

楷模

它是机器学习过程的结果。它是数据中模式和关系的数学表示。这就像探索一个新地方后制作地图一样。

机器学习的类型

机器学习有四种主要类型：

监督机器学习

它也被称为引导学习。我们将标记的数据集提供给我们的机器学习算法，其中正确的输出是已知的。基于这些示例，它学习数据中的隐藏模式，并可以预测或正确分类新数据。监督学习中的常见类别是：

• 分类：将事物分类为单独的不同类别，例如将图片分类为猫或狗，将电子邮件分类为垃圾邮件或非垃圾邮件等。
• 回归：它涉及根据某些特征预测数值，例如房屋价格、GPA 或销售数量。

无监督机器学习

在这里，计算机在没有事先提示的情况下获得未标记的数据，并自行探索隐藏的模式。想象一下，你收到一盒没有图片的拼图，你的任务是将相似的图片分组以形成完整的图片。聚类是最常见的无监督学习类型，其中相似的数据点被分组为一组。例如，我们可以采用聚类来对类似类型的社交媒体帖子进行分组，并且用户可以关注他们感兴趣的子主题。

半监督机器学习

半监督学习包含标记和未标记数据集的混合，其中标记数据集充当识别数据模式的指导点。例如，您向厨师提供了要使用的主要成分的列表，但没有提供完整的食谱。因此，尽管他们没有食谱，但一些提示可能会帮助他们入门。

强化学习

强化学习也称为边做边学。它与环境相互作用并获得奖励作为对其行为的惩罚。随着时间的推移，它学会了最大化奖励并表现良好。想象一下，你正在训练一只小狗，当它表现良好时，你会通过奖励它来给予积极反馈，而当它表现良好时，你会通过不奖励的形式给予负面反馈。随着时间的推移，小狗学会了哪些行为会带来奖励，哪些行为不会带来奖励

高级机器学习过程

机器学习就像烹饪艺术一样，拥有将原始的、不同的元素转化为深刻见解的神奇能力。正如一位熟练的厨师巧妙地结合各种食材，烹制出一道道美味佳肴。以下是用于执行机器学习任务的 6 个基本步骤：

作者提供的图片

1. 数据收集

数据是一种重要资源，其质量至关重要。多样化、更相关的数据会产生更好的结果。你可以把它想象成厨师从不同市场收集各种食材。

2. 数据预处理

我们的大多数数据都不是所需的形式。就像烹饪前清洗、切碎和准备食材一样，数据预处理涉及清理和组织学习过程中的数据。您可能面临的一些常见问题包括数据丢失、异常值、格式不正确等。

3. 选择算法

与选择特定菜肴的食谱类似，您可以根据要解决的问题选择算法。此选择也可能受到您拥有的数据类型的影响。

4. 训练模型

把它想象成烹饪过程，我们等待直到味道融合在一起。同样，我们让模型从训练数据中学习。学习率的一个重要概念也在这里发挥作用，它决定了模型在每次训练迭代期间采取的步骤有多大。如果你一次添加太多的盐或香料，这道菜可能会变得难以忍受。相反，如果添加太少，风味可能无法充分发挥。学习率找到了逐渐增强风味的完美平衡。

5. 测试与评估

学习过程结束后，我们会使用特殊的测试数据对其进行测试，就像在与他人分享之前品尝一道菜并检查其外观一样。常见的评估指标包括准确度、精确度、召回率和 F1 分数，具体取决于当前的问题。

6. 调优和迭代

调整调味料或配料以完善菜肴，您可以通过引入更多变量、选择不同的学习算法以及调整参数或学习率来微调模型。

包起来

当我们结束对机器学习基础知识的探索时，请记住，这一切都是为了让计算机能够以最少的人为干预来学习和做出决策。保持好奇心并关注我们的下一篇文章，我们将深入探讨各种类型的机器学习算法。以下是一些适合初学者的资源供您进一步探索：
Kanwal Mehreen是一位有抱负的软件开发人员，对数据科学和人工智能在医学中的应用有着浓厚的兴趣。Kanwal 被选为 2022 年亚太地区 Google Generation Scholar。Kanwal 喜欢通过撰写有关热门话题的文章来分享技术知识，并热衷于提高女性在科技行业的代表性。