很多人覺得機(jī)器學(xué)習(xí)高不可攀，認(rèn)為這是一門只有少數(shù)專業(yè)學(xué)者才了解的神秘技術(shù)。

畢竟，你是在讓運(yùn)行在二進(jìn)制世界里的機(jī)器得出它自己對現(xiàn)實世界的認(rèn)識。你正在教它們?nèi)绾嗡伎肌Ｈ欢?，本文幾乎不是你所認(rèn)為的晦澀難懂、復(fù)雜而充滿數(shù) 學(xué)公式的文章。正如所有幫助我們認(rèn)識世界的基本常識一樣（例如：牛頓運(yùn)動定律、工作需要去完成、供需關(guān)系等等），機(jī)器學(xué)習(xí)***的方法和概念也應(yīng)該是簡潔明 了的?？上У氖?，絕大多數(shù)關(guān)于機(jī)器學(xué)習(xí)的文獻(xiàn)都充斥著復(fù)雜難懂的符號、艱澀晦暗的數(shù)學(xué)公式和不必要的廢話。正是這給機(jī)器學(xué)習(xí)簡單基礎(chǔ)的思想圍上了一堵厚厚 的墻。

​現(xiàn)在看一個實際的例子，我們需要在一篇文章的末尾增加一個“你可能喜歡”的推薦功能，那么我們該如何實現(xiàn)呢？

為了實現(xiàn)這個想法，我們有一個簡單的解決方案：

• 1.獲得當(dāng)前文章的標(biāo)題并將其分割成獨(dú)立的單詞（譯者注：原文是英文，只需要依據(jù)空格分割即可，中文分詞需要用到分詞器）
• 2.獲取除當(dāng)前文章以外的所有文章
• 3.將這些文章依據(jù)其內(nèi)容與當(dāng)前文章標(biāo)題的重合程度進(jìn)行排序

def similar_posts(post) 
  title_keywords = post.title.split(' ') 
  Post.all.to_a.sort |post1, post2| 
    post1post1_title_intersection = post1.body.split(' ') & title_keywords 
    post2post2_title_intersection = post2.body.split(' ') & title_keywords 
  
    post2_title_intersection.length <=> post1_title_intersection.length 
  end[0..9] 
end 

采用這種方法去找出與博文“支持團(tuán)隊如何提高產(chǎn)品質(zhì)量”相似的文章，我們由此得到下列相關(guān)度前十的文章：

• 如何著手實施一個經(jīng)過驗證的方案
• 了解你的客戶是如何做決策的
• 設(shè)計***運(yùn)行界面以取悅你的用戶
• 如何招聘設(shè)計師
• 圖標(biāo)設(shè)計的探討
• 對歌手Ryan的采訪
• 通過內(nèi)部交流對客戶進(jìn)行積極支持
• 為什么成為***并不重要
• 對Joshua Porter的采訪
• 客戶留存、群組分析與可視化

正如你所看到的，標(biāo)桿文章是關(guān)于如何有效率地進(jìn)行團(tuán)隊支持，而這與客戶群組分析、討論設(shè)計的優(yōu)點(diǎn)都沒有太大的關(guān)系，其實我們還可以采取更好的方法。

現(xiàn)在，我們嘗試用一種真正意義上的機(jī)器學(xué)習(xí)方法來解決這個問題。分兩步進(jìn)行：

1. 將文章用數(shù)學(xué)的形式表示；
2. 用K均值(K-means)聚類算法對上述數(shù)據(jù)點(diǎn)進(jìn)行聚類分析。

1.將文章用數(shù)學(xué)的形式表示

如果我們可以將文章以數(shù)學(xué)的形式展示，那么可以根據(jù)文章之前的相似程度作圖，并識別出不同簇群：

如上圖所示，將每篇文章映射成坐標(biāo)系上的一個坐標(biāo)點(diǎn)并不難，可以通過如下兩步實現(xiàn)：

1. 找出每篇文章中的所有單詞；
2. 為每篇文章建立一個數(shù)組，數(shù)組中的元素為0或者1，用于表示某單詞在該文章中是否出現(xiàn)了，每篇文章數(shù)組元素的順序都是一樣的，只是其值有差異。

Ruby代碼如下：

@posts = Post.all 
  
@words = @posts.map do |p| 
  p.body.split(' ') 
end.flatten.uniq 
  
@vectors = @posts.map do |p| 
  @words.map do |w| 
    p.body.include?(w) ? 1 : 0 
  end 
end 

假設(shè)@words 的值為：

[“你好”,”內(nèi)部”,”內(nèi)部交流”,”讀者”,”博客”,”發(fā)布”]

如果某篇文章的內(nèi)容是“你好 博客 發(fā)布 讀者”，那么其對應(yīng)的數(shù)組即為：

[1,0,0,1,1,1]

當(dāng)然，我們現(xiàn)在沒法使用簡單的工具像二維坐標(biāo)系一樣展示這個六維度的坐標(biāo)點(diǎn)，但是這其中涉及的基本概念，例如兩點(diǎn)之間的距離都是互通的，可以通過二維推廣到更高維度(因此使用二維的例子來說明問題還是行得通的)。

#p#

2.用K均值(K-means)聚類算法對數(shù)據(jù)點(diǎn)進(jìn)行聚類分析

現(xiàn)在我們得到了一系列文章的坐標(biāo)，可以嘗試找出相似文章的群簇。這里我們采用使用一個相當(dāng)簡單聚類算法-K均值算法，概括起來有五個步驟：

1. 設(shè)定一個數(shù)K，它表示群簇中對象的數(shù)目；
2. 從所有數(shù)據(jù)對象中隨機(jī)選擇K個對象作為初始的K個群簇中心；
3. 遍歷所有對象，分別將它們指派到離自己最近的一個群簇中；
4. 更新群簇中心，即計算每個群簇中對象的均值，并將均值作為該群簇的新中心；
5. 重復(fù)3、4步驟，直到每個群簇中心不再變化。

我們接下來用圖的形式形象化地展示這些步驟。首先我們從一系列文章坐標(biāo)中隨機(jī)選擇兩個點(diǎn)（K=2）：

我們將每篇文章指派到離它最近的群簇中：

我們計算各個群簇中所有對象的坐標(biāo)均值，作為該群簇新的中心。

這樣我們就完成了***次的數(shù)據(jù)迭代，現(xiàn)在我們將文章根據(jù)新的群簇中心重新指派到對應(yīng)的群簇中去。

至此，我們找到了每篇文章對應(yīng)的群簇！很明顯，即使繼續(xù)進(jìn)行迭代群簇中心不會改變，每篇文章對應(yīng)的群簇也不會改變了。

上述過程的Ruby代碼如下：

@cluster_centers = [rand_point(), rand_point()] 
  
15.times do 
  @clusters = [[], []] 
  
  @posts.each do |post| 
    min_distance, min_point = nil, nil 
  
    @cluster_centers.each.with_index do |center, i| 
      if distance(center, post) < min_distance 
        min_distance = distance(center, post) 
        min_point = i 
      end 
    end 
  
    @clusters[min_point] << post 
  end 
  
  @cluster_centers = @clusters.map do |post| 
    average(posts) 
  end 
end 

下面是由這個方法得到的與博文“支持團(tuán)隊如何提高產(chǎn)品質(zhì)量”相似性排在前十位的文章：

• 你對此更了解了還是你更聰明了
• 客戶反饋的三個準(zhǔn)則
• 從客戶獲取你所要的信息
• 產(chǎn)品交付只是一個開始
• 你覺得功能擴(kuò)展看起來像什么
• 了解你的用戶群
• 在正確的信息和正確的時間下轉(zhuǎn)換客戶
• 與你的客戶溝通
• 你的應(yīng)用有消息推送安排嗎
• 你有試著與客戶溝通嗎
• 結(jié)果不言自明。
• 我們僅僅用了不到40行的代碼以及簡單的算法介紹就實現(xiàn)了這個想法，然而如果你看學(xué)術(shù)論文你永遠(yuǎn)不會知道這本該有多簡單。下面是一篇介紹K均值算法論文的摘要（并不知道K均值算法是誰提出的，但這是***提出“K均值”這個術(shù)語的文章）。

如果你喜歡以數(shù)學(xué)符號去表達(dá)思想，毫無疑問學(xué)術(shù)論文是很有用處的。然而，其實有更多優(yōu)質(zhì)的資源可以替換掉這些繁雜數(shù)學(xué)公式，它們更實際、更平易近人。

• Wiki百科（例如：潛在語義索引，聚類分析）
• 開源機(jī)器學(xué)習(xí)庫的源代碼（例如： Scipy’s K-Means，Scikit’s DBSCAN）
• 以程序員的角度編寫的書籍（例如：集體智慧編程，黑客機(jī)器學(xué)習(xí)）
• 可汗學(xué)院

試一試

如何為你的項目管理應(yīng)用推薦標(biāo)簽？如何設(shè)計你的客戶支持工具？或者是社交網(wǎng)絡(luò)中用戶如何分組？這些都可以通過簡答的代碼、簡單的算法來實現(xiàn)，是練習(xí)的好機(jī)會！所以，如果你認(rèn)為項目中面臨的問題可以通過機(jī)器學(xué)習(xí)來解決，那為什么還要猶豫呢？

機(jī)器學(xué)習(xí)其實比你想象得更簡單！

原文鏈接：http://blog.jobbole.com/53546/