非码农也能看懂的“机器学习”原理.pdfVIP

非码农也能看懂的 机器学习“ ”原理 我们先来说个老生常谈的情景：某天你去买芒果，小贩摊了满满一车芒果，你一个个选好，拿给小 贩称重，然后论斤付钱。 自然，你的目标是那些最甜最成熟的芒果，那怎么选呢？你想起来，啊外婆说过，明黄色的比淡黄 色的甜。你就设了条标准：只选明黄色的芒果。于是按颜色挑好、付钱、回家。啊哈，人生完整了 ？ 呵呵呵。 告诉你吧人生就是各种麻烦 等你回到家，尝了下芒果。有些确实挺甜，有些就不行了。额～显然，外婆教的金科玉律还不够用 ，光看颜色不靠谱哪。 闭关研究大半天以后，你得出结论：大个的明黄色芒果必然甜，小个的，就只有一半几率会是甜 的了。 于是下次，你满意地带着这个结论再去买芒果，却发现你经常光顾的那个小贩关门度假去了。好吧 ，换家店，结果人家的进货渠道还不一样，那芒果是另一个地方种的。你这套法则不管用了，又得 从头再来。好吧，这家店里每种芒果你都尝了下，总结出来小个淡黄色的最甜。 还没结束。你远房表妹又来找你玩了。要招待些好的吧？但她说了，她无所谓芒果甜不甜，汁水多 就行。好呗，你还得再做一次实验，找到芒果越软汁水越多的规律。 接着你又移民了。一尝这边的芒果，咦，新世界的大门打开了。绿色的芒果居然比黄色的好吃 …… 最后，你结婚了，领导表示不爱吃芒果，要吃苹果。于是你所有关于芒果的知识都没用了。只能按 老方法再重新研究遍苹果的物理特征跟它味道好不好之间的关系。苹果吃到吐？没办法，你爱老 婆嘛。 有请码农 好了，现在想象下，这一路辛酸曲折的，你写了组程序帮忙减轻负担。那程序逻辑基本应该类似 这样： 预设变量 颜色、大小、店家、硬度 如 颜色 = 明黄 大小 =大 店家 =经常光顾的小贩 则 芒果 =甜 如 硬度 =软 则 芒果 = 多汁 用着很爽吧，你甚至可以把这套玩意儿发给你小弟，他挑来的芒果也包你满意。 但每做一次新实验，你就得人肉改一次程序逻辑。而且你得首先保证自己已经理解了选芒果那套错 综复杂的艺术，才能把它写进程序里。如果要求太复杂、芒果种类太多，那光把所有挑选规则翻译 成程序逻辑就够你出一身大汗，相当于读个 芒果学“ ”博士了。 不是所有人都有 读博“ ”的功夫的。 有请 机器学习“ ”算法 机器学习算法其实就是普通算法的进化版。通过自动学习数据规律，让你的程序变得更聪明些。 你从市场上随机买一批芒果（ 训练数据 ），把每只芒果的物理属性列一个表格出来，比如颜色、 大小、形状、产地、店家，等等（ 特征 ），对应芒果的甜度、汁水多少、成熟度，等等（ 输出变 量 ）。然后把这些数据扔给机器学习算法（ 分类 /回归 ），它就会自己计算出一个芒果物理属性与其 品质之间的相关性模型。 等下一次你去采购时，输入店里在卖的芒果的物理属性（ 测试数据 ），机器学习算法就会根据上次 计算出来的模型来预测这些芒果品质如何。机器用的算法可能跟你人肉写的逻辑规则类似（比如决 策树），也有可能更先进，但反正基本上你不用多虑。 好啦，现在你可以信心满满去买芒果了，颜色大小啥的都是浮云，交给机器去操心呗。更妙的是， 你的算法还会逐渐进化（ 强化学习 ）：根据其预测结果的正误，算法会自行修正模型，那么随着训 练数据的积累，到后来它的预测就会越来越准确。最妙的来了，用同一个算法，你可以做好几个 模型，苹果桔子香蕉葡萄各给爷来上一套，不要说老婆有令，就是七大姑八大婶各有所好，也再不 用发愁了。 用一句话总结 机器学习 就是：走自己的屌丝路，让你的算法牛逼去吧 人人都是产品经理（ ）中国最大最活跃的产品经理学习、交流、分享平台