1.1 机器学习的基本原理
你试过向别人解释怎么游泳吗？描述有节奏的关节运动和水的流动模式是超级复杂的事情。同样，有些软件问题过于复杂，以至于我们很难用头脑去思考。对于这种任务，就可能使用机器学习作为工具。
全速前进
机器学习是一项相对年轻的技术，所以想象你是欧几里得时代的几何学家，为一个新发现的领域铺平了道路。或者把自己想象成牛顿时代的物理学家，可能在思考机器学习领域的广义相对论。
以手工的方式精心调整算法来完成工作曾经是构建软件的唯一方式。从一个简化的观点来看，传统编程假定每个输入都有一个确定的输出。从另一个角度来看，机器学习可以解决输入-输出之间的关系不能被很好理解的那类问题。
机器学习的特点是软件可以从以前的经验中学习。随着样本的增多，这样的计算机程序的性能也随之提高。我们的希望是，如果你向这台机器输入足够多的数据，它就会学到模式，并为新的输入产生智能的结果。
信任并解释机器学习的输出
模式识别不再是人类独有的特征。计算机频率和内存的爆炸式增长导致了一种不寻常的情况：计算机现在可以用来进行预测、捕获异常、项目排序和自动标记图像。这类新型工具为不明确的问题提供了智能的答案，但代价是信任。你会相信计算机算法给出的重要医疗建议吗？比如是否要做心脏手术，或者更重要的是，解释为什么它给出这样的重要医疗建议？
平庸的机器学习解决方案没有立足之地。人类的信任太脆弱了，我们的算法必须经得起质疑。请仔细阅读本章。
机器学习的另一个名称是归纳学习，因为代码试图仅从数据中推断结构。这个过程就像去国外度假，然后通过看当地的时尚杂志弄清楚如何着装。你可以通过人们穿着当地服装的样子来了解当地文化。你在学习归纳。
你可能从未用过这种方式进行编程，因为归纳学习并非总是必要的。考虑这样一个任务：判断任意两个数字的和是偶数还是奇数。当然，你可以设想通过数百万的样本来训练一个机器学习算法（如图1.1所示），但你肯定知道这种方法有点小题大做。有更直接的方法可以很容易完成这个任务。
图1.1 每对整数相加，结果是奇数还是偶数。清单中相对应的输入和输出称作ground-truth数据集
两个奇数的和永远是偶数。可以验证一下：任意取两个奇数并将它们相加，检查和是不是一个偶数。下面是证明这一事实的方法：
- 对于任意整数n，公式2n+1产生一个奇数。此外，任何奇数都可以写成某个n值的2n+1形式。数字3可以写成2(1)+1，数字5可以写成2(2)+1。
- 假设我们有2n+1和2m+1两个奇数，其中n和m是整数。两个奇数相加得到(2n+1)+(2m+1)=2n+2m+2=2(n+m+1)。这是一个偶数。
同样，我们还可以看到两个偶数的和还是偶数：2m+2n=2(m+n)。最后，我们得到一个奇数和一个偶数的和是一个奇数：2m+(2n+1)=2(m+n)+1。图1.2更清晰地展示了这一逻辑。
图1.2 输入对应输出背后的内在逻辑
就是这样！给你任意一对数字，在完全不使用机器学习的情况下，你也可以解决这个问题。直接使用数学规则可以解决这一问题。但是在ML算法领域，我们将其内部逻辑视为一个黑盒，这意味着内部发生的逻辑可能不容易解释，如图1.3所示。
图1.3 ML算法解决问题的方式可以理解为调整黑盒的参数，直到获得满意的结果
1.1.1 参数
有时，设计一个将输入对应到输出的最佳算法是过于复杂的事情。例如，输入是一个数字序列用以代表一个灰度图像，你可以想象编写一个算法来标记图像中的每个对象是多么困难。当其内部工作机制无法很好理解的时候，机器学习就派上了用场。它为我们提供了一个编写软件的工具包，而且无须定义算法的每个细节。程序员可以保留一些事先未确定的值，并让机器学习系统自己找出最佳值。
这些未确定的值称为参数，对问题的描述指的就是模型。你的工作是编写一个算法，该算法观察现有样本，并尝试调整出最优的参数，以实现最佳模型。哇，真是拗口！但是别担心，这个概念将是一个反复出现的主题。
机器学习解决问题时可能没有很好的可见性
掌握了运用归纳手段解决问题的艺术，我们在挥舞着一把双刃剑。虽然ML算法在解决特定任务时可能表现良好，但跟踪其推导步骤以理解结果产生的原因可能不那么清楚。一个复杂的机器学习系统会学习上千个参数，但理解每个参数背后的含义并不是首要的目标。记住这一点，我保证这将是一个神奇的世界。
练习1.1
假设你已经收集了三个月的股票市场价格。你想通过预测未来的趋势来获得收益。如果不使用ML，你将如何着手解决这个问题？（正如你将在第13章中看到的，这个问题通过ML技术得以解决。）
答案
不论相信与否，定义股市交易策略的常见方式是通过硬性设计的规则实现。比如经常使用“价格下跌5%就买入”这样的简单算法。注意这里没有机器学习——只有传统逻辑。
练习1.2
美国国家航空航天局（NASA）向太空发射卫星，这些卫星收集遥测数据。有时，收集到的数据中的异常表明仪器出了问题或收集数据的环境有问题。为简化起见，假设遥测数据是基于时间的数字序列。今天，为了检测异常，大多数方法使用简单的阈值，或者通过这些数字的最大值或最小值来触发报警。使用ML触发报警和检测异常的更好方法是什么？
答案
你可以按时间步记录一系列NASA遥测数据，比如每5秒记录数据。然后取数据值，当它们触发报警时，记录1（异常）；否则，记录0（正常）。祝贺你——你已经建立了一个ground-truth数据集，你可以将它输入到你在本书后面学习的任何预测模型中，例如回归或分类。你甚至可以建立一个深度学习模型。看，机器学习不是很有趣吗？
1.1.2 学习和推理
假设你要用烤箱烤甜点。如果你是厨房里的新手，你可能要花好几天的时间想出配料的正确组合和完美比例，才能做出美味的食物。通过记录食谱，你可以记住并重现如何做甜点。
机器学习借鉴了食谱的思想。通常，我们从两个阶段检验一个算法：学习和推理。学习阶段的目的是描述数据，也就是特征向量，并将其总结成一个模型。模型就是我们的食谱。事实上，模型是一个具有很多解释可能性的程序，而数据则用于将其明确。
注意 特征向量是对数据的实用性简化。你可以将其视为将真实对象进行充分总结出来的属性列表。学习和推理步骤依赖于特征向量，而不是直接依赖数据。
与食谱可以被其他人共享和使用的方式类似，学习到的模型也可以被其他软件重用。学习阶段是最耗时的。在第3章开始构建自己的模型时你会看到，运行一个算法就算不花几天或几周，也要几个小时，才能收敛成一个可用的模型。图1.4概述了学习流程。
图1.4 学习方法通常遵循一个结构化的方法。首先，需要将数据集转换为一个表示形式——通常是学习算法可以使用的一组特征。然后，学习选择一个算法模型并高效地探索模型参数
在推理阶段使用模型对未见过的数据做出智能的判断。这个阶段就像使用你在网上找到的食谱。推理过程通常比学习花费的时间要少几个数量级，推理速度足以处理实时数据。推理是在新数据上测试模型并观察其性能表现，如图1.5所示。
图1.5 推理过程通常使用学得或给出的模型，在将数据转换成可用的表示方式后，比如特征向量，这个过程使用模型产生预测的输出