1

随着AlphaGo在围棋上战胜李世石，战胜柯洁，人工智能的概念火遍全球。那么人工智能来源于何处呢？

人类的智慧来源于学习，机器的智能同样也需要从学习中获得。

什么是机器学习？

有人（Arthur Samuel）曾经把它描述为：

让计算机在没有明确编程的情况下，获得学习能力的领域

后面又有人（Tom Mitchell）提出了一个更加现代化的表述：

计算机程序从一系列以（P）为结果的任务（T）中得到经验（E），在大量经验（E）的累积下，最终表现的结果（P）得以改善。

其中：P为performance，T为task，E为experience。

例如，下围棋（T）有输有赢（P），AlphaGo通过大量地下围棋（T），得到了丰富的经验（E），最终赢了李世石（P）。

这一个过程就是机器学习。

目前机器学习存在几种不同类型的学习算法，主要的两种类型被称之为监督学习和无监督学习。

2

所谓的监督学习，其实就是我们明确知道正确输出结果应该是怎样的，或者对结果有一个基本的预期。

例如我们在下围棋之前，就知道什么样的情况是输，什么样的情况是赢。

而监督学习的问题又分为两种类型，分别是连续型问题（regression）与离散型问题（classification）。

例如我们有市场中一些房子真实的面积数据，想要通过一个房子的面积，来预测这个房子的价格，这其实就是连续型的问题。

例如我们有一些病人得到癌症的案例，想要通过一个肿瘤的大小，来判断癌症到底是恶性的还是良性的，这其实就是离散型问题。

所以，如果我们通过监督学习的方式，利用股票的历史数据，来预测股票的未来价格，其实就是要解决连续型问题；而利用股票的历史数据，来判断股价下一次是涨还是跌，就是要解决离散型问题。

3

那什么是无监督学习呢？

有些问题，我们可能不清楚明确的答案，甚至对结果也没有什么概念。

在这样的情况下，我们没有办法告诉机器对与不对，也就是说机器学习的预测结果不会得到反馈，这就是无监督学习。

有时候，我们希望通过无监督学习，从一片混乱的信息中得到结构性的特征。

例如我们有一系列人脸的数据，我们可能从中得到年龄、职业、阶层等不同类型的特征数据。

然后根据这些特征，我们就可以把具备相似结构的数据归类到一起。

例如搜索引擎里面，我们搜索石油泄露，可能会找到的相关的图片、新闻事件、危害性等等。

并且根据这些特征，我们也可以将不同结构的数据区分开来。

例如在一个鸡尾酒会上，人声和音乐声交杂，我们希望将这两种声音区分开来。

无监督学习如果应用到股票上，在我的理解中我们得到的，可能是股价的涨跌情况、公司盈利情况、公司的行业类型等等，然后我们可以利用这些不同的特征，区分开不同的情况公司，从而找到能够给我们带来超额收益的股票。

文章提前发布在**：止一之路