科普：12大关键词让你了解机器学习

神经网络是以人类大脑为灵感的算法，虽然，这些算法对真实人脑功能的模拟程度有多少，还存在很多的争议，我们还没法说这些算法真正模拟了人类大脑。神经网络是由无数个相互连接的概念化人工神经元组成，这些神经元在互相之间传送数据，有不同的相关权重，这些权重是基于神经网络的"经验"而定的。"神经元"有激活阈值，如果各个神经元权重的结合达到阈值，神经元就会"激发"。神经元激发的结合就带来了"学习"。

　　图片来源：KDNuggets。

　　9、深度学习

　　深度学习相对来说还是个比较新的词汇，虽然在网络搜索大热之前就已经有了这个词汇。这个词汇在研究和业界都名声大噪，主要是因为其他一系列不同领域的巨大成功。深度学习是应用深度神经网络技术——具有多个隐藏神经元层的神经网络架构——来解决问题。深度学习是一个过程，正如使用了深度神经网络架构的数据挖掘，这是一种独特的机器学习算法。

　　10、增强学习

　　对于"增强学习"最好的描述来自剑桥大学教授、微软研究科学家ChristopherBishop，他用一句话精确概括："增强学习是在某一情景中寻找最适合的行为，从而最大化奖励。"增强学习中，并没有给出明确的目标；机器必须通过不断试错的方式进行学习。我们来用经典的马里奥游戏举个例子。通过不断试错，增强学习算法可以判断某些行为、也就是某些游戏按键可以提升玩家的游戏表现，在这里，试错的目标是最优化的游戏表现。

　　K层交叉检验的例子，在每一轮使用不同的数据进行测试（蓝色为训练数据、黄色为测试数据），方框下为每一轮的验证精度。最终的验证精度是10轮测试的平均数。图片来源：GitHub。

　　11、K层交叉检验

　　交叉检验是一种打造模型的方法，通过去除数据库中K层中的一层，训练所有K减1层中的数据，然后用剩下的第K层来进行测验。然后，再将这个过程重复K次，每一次使用不同层中的数据测试，将错误结果在一个整合模型中结合和平均起来。这样做的目的是生成最精确的预测模型。

　　12、贝叶斯

　　当我们讨论概率的时候，有两个最主流的学派：经典学派概率论看重随机事件发生的频率。与之对比，贝叶斯学派认为概率的目标是将未确定性进行量化，并随着额外数据的出现而更新概率。如果这些概率都延伸到真值，我们就有了不同确定程度的"学习"。