如何入门机器学习？

写个简单的入门贴：

机器学习，机器运用一套通用的算法——泛型算法，自动建立起数据逻辑。

For example：

用于分类的泛型算法是能够把一组数据分门别类的，比如识别手写输入和区分垃圾邮件都可以用分类的泛型算法来实现，

此时，可以把机器学习算法看成一个黑盒子，两个任务输入的数据不一样，中间经过机器学习算法的作用，输出不同的结果。

机器学习可以分为有监督学习、无监督学习、半监督学习、强化学习等。这里的监督其实是指用来训练机器学习模型的数据是有标注的，而无监督学习就是没有标注数据，半监督学习是二者的结合，强化学习是对外界环境给的激励或惩罚信号学习自身的策略。下面咱们先从有监督学习开始：

假设，你现在是房地产经纪人，需要对房子进行相对准确的估价。你有一些所在城市三个月内房产交易的信息数据，包括房间数目、房子大小、周边地区环境，以及交易价格等。因为涉及了几个因素，你可能需要一个程序来帮你做这件事情，输入这些相关的信息，程序就能预估出房子的价格。

那么建立一个能预估房价的应用程序，你需要把关于每间房子的数据信息——“训练数据”——输入你的机器学习算法中，算法就会得出用于解决这些数据关系的一套数学公式。这就有点像一份数学考试的答案纸被涂掉了所有的算术符号，就像下面这张图。

现在我们试试编写那个房屋估价的程序吧！

假设你现在对“机器学习”一无所知，你大概会写一些房屋估价相关的一些基本规律和规则吧？就像这样：它是上面那些元素互相作用的一个结果，会有一些如果、否则的逻辑，最后都会形成一个数学公式，不管是简单的还是复杂的。

其实，这里面的逻辑就可以让机器学习算法来帮我们实现，那我们需要怎么做呢？

第一步：

把各个指标设置为1.0

第二步：

运用所有你了解的房产价格信息来测试你的程序，检查你求得的函数输出的结果与实际房价的偏差。

第三步：

运用所有可能的指标组合重复第二步。找到能让你函数的“成本费用”最大程度地降至零的指标组合，那你的问题就解决了。

根据上面提到的步骤二中的数据信息写一个简单的等式关系：

这个就是你的“成本费用函数”

现在，试着用机器学习的数学术语把这个等式关系重写一次

θ代表你当前的指标数，J(θ)代表在当前的指标数下你的成本费用。这个等式关系就代表着我们现在的价值预估函数与实际的偏差程度。

我们的成本费用函数曲线图图像呈现一个碗状，纵坐标表示成本费用。这个图像中蓝色的最低点就是我们成本费用的最低值，意味着我们的函数偏差值最小。相反，最高点就是我们函数偏差值达到最大。所以，当我们找到能使这个图像达到最低点的指标值的时候，问题就解决了。

如果你还记得微积分学的一些知识的话，你应该会记得如果你求出了函数的导数，就相当于知道了这个函数在各个点的切线斜率。换句话来说，就是知道了哪个方向角度能使我们在图像上呈下降趋势，我们可以借助这些知识来接近图像最低点。这个称之为“梯度下降法”。

怎样进一步了解机器学习呢？建议从Andrew Ng在Coursera开设的免费机器学习课程开始学习，还可以下载安装SciKit-Learn，基本上有大多数算法的python实现，可以对各种不同的机器学习算法进行实践和研究。