什么是机器学习（Machine Learning）
- 定义：计算机程序可以在给定某种类别的任务 T 和性能度量 P 下学习经验 E ，如果其在任务 T 中的性能恰好可以用 P 度量，则随着经验 E 而提高。
- 简单来说：机器学习是能通过经验自动改进的计算机方法研究
- 通俗的理解：机器学习，是计算的反问题（逆运算） （@张江）
机器学习和人工智能以及深度学习的关系
用一张图来表示：
- 深度学习是机器学习的子集
- 而机器学习是人工智能的核心
举个简单的例子：
先说说什么是计算：
- 计算房屋售价：给定输入，得到输出，如：已知房屋售价的平米数（如下图）
- 已知计算公式：房屋价格 = 面积 * 每平米售价（5000）
- 求房屋的售价
再来说计算的反问题（逆运算）：
- 机器学习：有数据输入和输出，通过机器学习，得到模型
- 已知房屋的基础数据
- 已知房屋的售价
- 求房屋售价计算的模型
当房屋售价计算模型有了之后，就可以用户新数据的预测，例如：
当然这只是一个简单的例子，要真正预测房价，会涉及到的大量的参数，比如：几室几厅几卫，地理位置，周边环境，……等等，且机器学习得到模型也会更加复杂。
再举一个古老经典的例子
- 你去菜市场买芒果，印象中颜色靓丽的芒果，比暗淡的要好吃，于是你挑选了100个芒果，付款，开开心心回家了。
- 结果回家吃了之后，你发现其中25个芒果不好吃，觉得根据颜色来分辨太片面了，但是吃的过程中，你又发现了大个的50个芒果都好吃，小个的芒果只有25个是好吃，你总结出大个的比小个的芒果要好吃。
- 下次出门时，你要买更大个以及颜色更靓丽的芒果，结果发现常买的店铺关门了，只能去别家买，结果两家的产地不一样，买回来100个芒果，反而是小个的颜色暗淡的好吃。
- 为了吸取教训，买到更多更好吃的芒果，你采用了「机器学习」的方法，随机在市场买了1000个芒果：
- 列出芒果的属性：颜色，大小，形状，产地，经销商，等等，
- 以及对应的：甜度，成熟度，是否多汁，等等
通过1000个芒果的数据，得到了一个模型，在下次购买的时候，你只需要输入相关的数据，就可以判断出芒果是否好吃概率，通过大量的筛选，你购买了一批「好吃」概率在95%以上的芒果，结果是个个非常好吃，你也成了众人敬仰的「芒果吃货（专家）」。
通过这两个例子，是否对于机器学习有了初步的认知呢？
如上图：机器学习对于数据运用，相当于人的大脑对于经验的运用
实际项目中机器学习工作方式
- 选择数据：将你的数据分成三组：训练数据、验证数据和测试数据
- 模型数据：使用训练数据来构建使用相关特征的模型
- 验证模型：使用你的验证数据接入你的模型
- 测试模型：使用你的测试数据检查被验证的模型的表现
- 使用模型：使用完全训练好的模型在新数据上做预测
- 调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现
机器学习都有哪些学习方式？
涉及到机器学习相关知识：
- 监督学习：需要“标签”当老师，明确要预测什么。
- 无监督学习：不告诉机器正确答案，让机器自己学习，给出结果。
- 半监督学习：训练的数据，只有一小部分是标记过的，大部分是没有标记。
- 强化学习：通过反馈，边实践边学习。
- 迁移学习：在某个垂直领域训练完成后，移致去其他相关领域调优发挥作用。
以及这一波人工智能浪潮兴起的主要原因之一：
- 基于人工神经网络的深度学习。
今天先简单介绍一些机器学习的基础概念，后续会针对上述机器学习的方式进行详细一些说明。
AI PM认知系列的相关阅读：
第一篇：从0开始搭建产品经理的AI认知体系
第二篇：产品经理的AI知识框架：计算机视觉
第三篇：产品经理的AI知识框架：语音识别与合成
作者：兰枫，前腾讯游戏，新浪微博PM，Elex产品总监，连续创业者。
