普通众测也不用众测计划了，那么我们来简单说说机器学习吧

一、前言

写这篇文章之前，我很犹豫，这个和买买买貌似没有丝毫关系嘛，可以发布嘛？我不知道，那个就试试吧。

首先，在最新的普通众测中，有个新的福利，就是目前普通众测也无需众测计划啦。所以想借此简单说说人工智能机器学习这块。

大家可能值得alpha go，这个单身狗打败了柯洁，前阵子又冒出一个zero，闹到轰轰烈烈，那么zero到底比go牛逼嘛？

此篇文章适合初学者，那些研究过的同胞就直接忽视吧，我没有系统的研究过神级网络等人工智能比较经典的各类算法。

二、什么是人工智能？

搜一下百度，度娘会给你这么一个定义

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

人工智能的范畴很多，比如iPhone X很火的特性之一，人脸识别，我们日常使用的siri或者打字软件的语音识别。扫地机器人的路径规范等等。

而这篇文章，我准备看看大家是否对这方面有兴趣，所以先写一篇简简单单的文章试试水。由于最近手头在做机器学习的事情，所以就借众测这事情，聊聊机器学习。那么问题又来了，什么是机器学习？

（最常见的扫地机器人的算法就是人工智能的一种。）

机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”

再引用一下，其实银行比较常用的反欺诈，包括谷歌的alpha go，zero都是通过机器学习成长的。

三、简单描述下机器学习

我用一句话概况一下，机器学习需要做的事情。就是让机器自己学习，自己成长。

机器学习任务往往可以被划分为三种大类，取决于可从训练系统获得的信号量或者反馈的属性。

监督学习：计算机获得简单的输入给出期望的输出，过程是通过一个“训练模型”，学习通用的准则来从输入映射到输出。无监督学习：没有给出标记用来学习算法，让它自己去发现输入的结构。

无监督学习:自己可以被当成一个目标或者一个实现结果的途径（特征学习）。

alpha go就是监督学习，它阅读了大量的人类棋谱，知道哪些招数是有用的，哪些是愚蠢的招数。而ZERO就是无监督学习，它的意义在于左右手互博，如何通过算法让计算机知道，怎么做是有意义的，怎么做属于错误的。

机器学习最重要的一个步骤就是抓特征，有些类似人类的大脑，人类是怎么判断这是一个天鹅的？那么我们只要把特征拿出来，告诉电脑不就行了嘛？如上图，白色羽毛是一个干扰特征。

电脑会通过训练集训练，提高自己的识别水平，从而帮助人类完成某些事情。

那么如何评估一个模型的好坏？

比较常见的就是召回率，准确率。一般做样本训练完毕之后，会让它识别一组新的数据，看它有没有把某一类标记找回来，是否正确。

同时，还要参考另一个参数，是否拟合！图片很生动的说明了什么是过拟，什么是欠拟。这都是算法好坏决定的。

四、那么众测可以做些什么？

首先我们看看一个众测产品有些什么特征！

我觉着基本属性就是，它的类别，可以这样分 数码--》NAS 大类小类，它的数量，决定算法取TOP几，还要就是这是个什么类别的众测。

再看看我们自己有什么资料，简单的有自己的信用积分，自己写过多少原创，有多少众测产品等等。

好了，接下来我们要一步一步提取重要的特征了。

（什么时候能够提供表格编辑呀）

第一步，我们总结简单的离散值，比如是否有过原创，是否有芝麻评分。这些简单非否既是的特征！

这或许就可以删选掉一些人。

第二步，我们开始总结一个规律。比如是否有过相关原创，比如这是一个NAS的众测，显然值得买要对我的历史原创打标签，总结一些关键字出来。

第三部，开始总结连续值，比如我个人历史的原创文章质量怎么样，这可以通过小编打分+热度，评论相结合的方式进行打分。

通过这样的总结抽取一些特征值，直接过滤到一部分值友，减轻小编压力的模型就这样诞生了。

五、小结

在大数据环境下，机器学习越来越平常了，其实机器学习最深奥的是算法，比如逻辑回归，k-means聚类等等，但是说白了都是数学算法。怕大家没有兴趣，所以这篇文章就这样先简单聊聊，看看大家有没有兴趣，再决定是否深入写一篇。或许这篇文章会被人工智能领域的大神批判吧。