[ML]机器学习分类科普

学习的两个分支：基于符号主义的专家系统（使用规则），基于链接主义的几率统计的系统（如机器学习，深度学习）

使用哪一种系统主要看数据量，没有数据或者数据量不多的时候使用专家系统，有大量数据的时候使用机器学习或者深度学习

专家系统=推理引擎+知识

专家系统的流程：

任务：搭建金融知识图谱

一、金融领域或者风控领域的专家，输出经验

二、知识图谱工程师结合专家的经验构建知识图谱，并将知识导入到知识库中

三、AI/算法工程师构建推理引擎（基于知识库），生成API

四、业务系统使用API，便可使用金融知识图谱

专家系统的特色：

• 处理不肯定性

• 知识的表示，如知识图谱，将非结构的知识表示成结构化的知识图谱

• 可解释性，由于它是基于规则来作的，规则是很好解释的，因此专家系统具备很是好的可解释性

• 能够作知识推理，由于它的可解释性较强，所以能够作推理

专家系统的缺点：

• 涉及大量的规则

• 须要领域专家来主导

• 可移植性差

• 学习能力差

• 人能考虑的范围是有限的

搭建专家系统时可能会遇到的问题：

• 逻辑推理

• 解决规则冲突，引用逻辑推理的方法：有n条已知的规则，有1条规则是须要证实的，若是能证实出来，说明规则没有冲突，不然，规则是冲突的，咱们须要删除冲突的规则

• 选择最小规则的子集，有不少的方法，如贪心方法等

解决一个难题的思路：

• 找出一个相似的“经典的”问题，如选择最小规则的子集方法，对应的经典问题能够是“set cover problem”

• 阅读相关文献

 

机器学习

一、定义：自动从已有的数据里找出一些规律，而后把学到的这些规律应用到对将来数据的预测中，或者在不肯定环境下自动的作一些决策。

二、分类：

	监督学习	无监督学习
生成模型	朴素贝叶斯方法	HMM，LDA，GMM（高斯混合模型）
判别模型	逻辑回归方法，CRF模型	无

监督学习：线性回归，逻辑回归，朴素贝叶斯，神经网络，SVM，随机森林，Adaboost，CNN等

无监督学习：K-means(聚类),PCA,ICA,MF(矩阵分解),LSA,LDA

生成模型：经过已训练好的模型，生成数据

判别模型：计算数据之间的区别

搭建一个模型的工做流程：

一、经典流程：数据——>数据清洗——>特征工程——>建模——>预测

二、端到端流程：去掉特征工程

——来源于贪心科技NLP班的笔记