2.3 理解机器学习的类型及其算法

2.3.1 机器学习的类型

机器学习是一个博大精深的领域，有多种划分方法，也有很多容易混淆的概念。产品经理要想理解机器学习，就需要从重要的分类和概念入手。机器学习的类型及其关系如下图所示。

机器学习可以分为以下5种类型。

1. 监督学习

监督学习就是机器在学习的过程中有人类进行监督。人类准备好用于训练的数据，并对数据做标记（也叫打标签），最后用做好标记的数据去训练机器。

例如，人类为了让机器能准确识别车或马，就需要准备很多张车和马的图片，并将每张图片进行标注，如图片0016是车、图片9302是马等，通过用这些标注好的图片来训练机器，可使机器具备识别车或马的能力。

监督学习有广泛的用途。以反垃圾邮件为例，人类对大量的邮件进行标注（是否属于垃圾邮件），并用这些标注数据去训练机器。机器就能从中总结出垃圾邮件的规律，从而具备识别垃圾邮件的能力。

2. 无监督学习

人类准备训练数据，但不对数据做标记，而是让机器尝试寻找出其中隐含的模式和规律。

人类不对数据做标记的原因主要有两个：一是人类对有些数据缺乏足够的先验知识，因此难以对其做出标注；二是标注成本太高。

3. 半监督学习

半监督学习是介于监督学习和无监督学习之间的一种机器学习，它使用的数据包含有标签和无标签两种。在实战中，通常无标签数据远远多于有标签数据。

4. 强化学习

不同于监督学习和非监督学习，强化学习不要求预先给定数据。它的基本过程是机器不断尝试各种行为，并且计算获得的回报，从而探索出总体回报较大的策略。

以战胜我国棋手柯洁的AlphaGo Zero为例，它就是基于强化学习的。人类只给它输入了基本的围棋规则，并没有教给它具体的下棋策略，而是让它自己去摸索。没有人类的指导也就意味着没有人类的约束，也正因如此它才摸索出一些人类都没有尝试过的下棋策略。

因为整个学习过程都没有人类监督，所以强化学习和无监督学习很容易混淆。其实两者是有本质区别的，无监督学习探索的是数据的模式和规律，而强化学习探索的是策略。

5. 深度学习

深度学习与以上4种机器学习的类型都有部分重叠。深度学习的“深”是指它的模型层次多且深。

深度学习的模型有很多种，如CNN（卷积神经网络）、RNN（递归神经网络）等。CNN是目前计算机视觉领域的主要算法。RNN衍生出了LSTM（长短期记忆网络）和GRU（门控循环单元）等算法。RNN及其衍生算法适合语音识别、机器翻译等应用场景。

不同的机器学习类型有各自适用的场景。在同一个场景中，采用不同的机器学习类型也会获得不同的效果。

以金融行业的反欺诈场景为例，针对这个场景，最初采用的是监督学习，本质就是让风险控制人员来培训机器识别欺诈。正因为依靠了人类监督，机器很难超越人的识别能力。新的欺诈方式（尤其是专业的团伙欺诈）往往不能被风险控制人员及时发现，而人类发现之后再去训练模型就会有一定延迟，这期间金融机构可能已经遭受了很大损失。其实，在这样的场景中，可以采用非监督学习，让机器自己从海量的数据中找出欺诈规律，识别出更多的欺诈行为，从而避免更多损失。

不同的机器学习类型对产品经理的工作会有不同的影响。产品经理应该重点关注的是机器学习对产品工作的影响，而不是机器学习本身的细节。例如，选定了监督学习就意味着需要准备有标注的数据，产品经理就要对数据和标注工作做出相应的规划，其所涉及的问题可能是“训练数据从哪里来”“要做哪些标注”“由谁来标注”等。

2.3.2 机器学习的算法

以上介绍的5种机器学习的类型，每一种都包含了很多具体的算法。机器学习的部分算法如下图所示。

机器学习具体的算法数以百计，就算专业的技术人员也不可能掌握如此多算法的细节，因此产品经理对算法有整体理解即可。为了便于读者理解，我专门准备了一个小例子。

想象一个场景：在一家马术俱乐部的停车场停了几辆车，俱乐部的马因为好奇走进了停车场，车和马混在了一起。我们从空中俯拍了一张照片，现在要机器把照片中的车和马区分开。人一眼就能看出来，但机器需要算法。这是一个分类问题，需要用到分类算法，下图就展示了逻辑回归、支持向量机、决策树3种分类算法及对应的结果。

上图中的矩形框代表停车场，矩形框内的图标代表车和马，虚线是算法做出的分类。

第一种算法：逻辑回归只能通过直线来分离数据。在本例中，这个算法的效果不佳——有两辆车、一匹马没有被正确区分。

第二种算法：支撑向量机没有直线限制。在本例中，这个算法完美地完成了任务——准确地区分出了车和马。

第三种算法：决策树使用自动生成的规则来分类。在本例中，这个算法也完美地完成了任务。

AI的“智能”源于算法，它是通过数值计算的方式来解决问题的，这和我们人类有很大不同。它在解决问题时，针对同一个问题可能使用多个算法来解决，一个算法也可以用于解决多个问题。