Android 和 iOS 開發者如何轉型做機器學習？

今天給大家介紹一個免費的專欄《 5 分鐘機器學習》，每天花五分鐘了解機器學習的基礎知識，言語通熟易懂，作者從事過 iOS 和 Android 開發，現在成功轉型正在某大型醫藥網際網路公司做機器學習相關工作。相信對各位從事 Android 和 iOS 開發又想轉型的同學具有非常大參考價值。

關于專欄：每個人學習都應該有一個屬于自己的思維模型，我的思維模型就是把一個東西拆分，拆分，再拆分，直到不能拆分後再進行學習，運用這種思維模型，把機器學習拆分為5分鐘一段的文章，每一篇都是一個知識點，多個知識點組成一個子產品，可以利用碎片化學習，也可以系統的按子產品來學習。 

關于作者：90後網際網路老兵，就職于國内大型醫藥網際網路公司，專注于機器學習中的圖像識别領域，法國蒙彼利埃大學EMBA在讀。2010年開始從事 iOS 開發。 2014年同時進行 Android 開發。 2016年初開始運用機器學習開發的時候才發現，這就是我後半輩子要做的事情，也是能讓我尖叫的技術。 目前在一家電子商務公司工作，已經開發出公司的推薦系統，包括商品詳情頁的大家關注，商家推薦，以及App的精準推送，App首頁的個性化展示，購物車中的“猜你喜歡”等。

在這裡我還是要推薦下我自己建的iOS開發學習群：680565220，群裡都是學ios開發的，如果你正在學習ios ，小編歡迎你加入，今天分享的這個案例已經上傳到群檔案，大家都是軟體開發黨，不定期分享幹貨（隻有iOS軟體開發相關的），包括我自己整理的一份2018最新的iOS進階資料和進階開發教程

希望你能夠做的：這份專欄目前為免費，不排除以後會改為收費，是以先到先得，大家訂閱之後别忘了關注小專欄平台服務号，專欄最新更新，服務号都會通知。另外，如果你覺得不錯，别忘了轉發分享給更多朋友。

接下來稍微介紹下機器學習方面的基礎知識：目前機器學習主流分為：監督學習，無監督學習，強化學習。

監督學習：

監督學習可分為“回歸”和“分類”問題。

在回歸問題中，我們會預測一個連續值。也就是說我們試圖将輸入變量和輸出用一個連續函數對應起來；而在分類問題中，我們會預測一個離散值，我們試圖将輸入變量與離散的類别對應起來。

每個資料點都會獲得标注，如類别标簽或與數值相關的标簽。一個類别标簽的例子：将圖檔分類為「蘋果」或「橘子」；數值标簽的例子如：預測一套二手房的售價。監督學習的目的是通過學習許多有标簽的樣本，然後對新的資料做出預測。例如，準确識别新照片上的水果（分類）或者預測二手房的售價（回歸）。

無監督學習：

在無監督學習中，我們基本上不知道結果會是什麼樣子，但我們可以通過聚類的方式從資料中提取一個特殊的結構。

在無監督學習中給定的資料是和監督學習中給定的資料是不一樣的。資料點沒有相關的标簽。相反，無監督學習算法的目标是以某種方式組織資料，然後找出資料中存在的内在結構。這包括将資料進行聚類，或者找到更簡單的方式處理複雜資料，使複雜資料看起來更簡單。

強化學習：

Alphago用的就是強化學習，強化學習是一種學習模型，它并不會直接給你解決方案——你要通過試錯去找到解決方案。

強化學習不需要标簽，你選擇的行動（move）越好，得到的回報越多，是以你能通過執行這些行動看是輸是赢來學習下圍棋，不需要有人告訴你什麼是好的行動什麼是壞的行動。

給我影響最深的就是參加混沌大學的線下課，是AI的重量級人物Michael I. Jordan講的，其中有一段視訊是一個模拟的人，利用強化學習的算法，從站不起來到最後能夠正常跑步的過程，而且真正實作的代碼連100行都不到，一頁ppt而已。

應用：

監督學習：目前主要應用在分類，像我們公司，會根據使用者行為，購買資料，訂單，商品等次元打标簽和模組化，當一個新使用者來的時候，可能根據他的資料來劃分使用者類别，如小單交易，中單交易，大單交易，周期性下單，随機性下單使用者等等，這樣根據每個使用者的分類，就會有不同的推薦商品，發放優惠券的政策。

無監督學習：我們公司沒有用到，但是我聽朋友說他們公司在用無監督學習來做反欺詐，在網際網路金融領域應用比較多，把使用者去聚類，因為新的欺詐手段很多可能之前從來沒有遇到過，無法打标簽，但是可能通過相似性來聚類，進而達到目的。

強化學習：和深度學習結合最緊密，可以看作是深度強化學習，應用領域主要有圖像識别，語音識别，像Face++和科大訊飛。

總結：

目前用到最多是監督學習和無監督學習，尤其是監督學習，因為應用場景多能給公司創造直接價值，如果找工作可以多關注。

但是強化學習是未來，因為能學習到的能力沒有資料限制。