近日，著名機(jī)器學(xué)習(xí)教材《Pattern Recognition and Machine Learning》的作者Christopher Bishop教授更新了他的機(jī)器學(xué)習(xí)新書：Model-Based Machine Learning。

Christopher Bishop

微軟研究院在英國(guó)劍橋的實(shí)驗(yàn)室主任，愛丁堡大學(xué)教授

在這本書中介紹了一種新穎的基于模型的機(jī)器學(xué)習(xí)方式——model based machine learning，將具體問題所面臨的假設(shè)精確地用模型的方式表達(dá)出來，隨后利用這一模型來建立適用于特定情況的算法，從而定制化地解決問題。由于算法可以被解耦成模型和推理使得構(gòu)建的算法的過程可以部分的自動(dòng)化。

近年來機(jī)器學(xué)習(xí)逐漸成為技術(shù)舞臺(tái)的主角，在各個(gè)廣泛的領(lǐng)域得到了應(yīng)用。然而有效的使用機(jī)器學(xué)習(xí)，特別是對(duì)于初學(xué)者來說不是一件容易的事情。很多同學(xué)在利用機(jī)器學(xué)習(xí)解決真實(shí)世界的問題時(shí)常常會(huì)遇到下面一些疑惑：

“機(jī)器學(xué)習(xí)的方法和技術(shù)常常讓我感到不知所措、要學(xué)的東西實(shí)在太多啦！”

“到底該用哪個(gè)算法呀？為啥這個(gè)的結(jié)果會(huì)比哪個(gè)好呢？”

“我面對(duì)的問題不滿足任何標(biāo)準(zhǔn)算法的要求??！”

······

還有很多各式各樣的疑問充滿了機(jī)器學(xué)習(xí)的歷程和工程實(shí)踐中。但這本書為我們帶來了一個(gè)對(duì)機(jī)器視覺的全新視角：model-based 機(jī)器學(xué)習(xí)?；谀Ｐ偷臋C(jī)器學(xué)習(xí)將會(huì)給你不同的視角解答上面的問題，并將幫助你創(chuàng)造出更加有效的算法，當(dāng)然算法也更加透明。

那么，什么是基于模型的機(jī)器學(xué)習(xí)呢？

在過去的五年里，研究人員們構(gòu)建了很多機(jī)器學(xué)習(xí)算法。工程師如果希望利用機(jī)器學(xué)習(xí)解決一個(gè)問題，要么選擇其中的一個(gè)或幾個(gè)來嘗試，要們就創(chuàng)造自己的新算法。而在選擇算法的時(shí)候，工程師們很大程度上都會(huì)選擇自己熟悉的算法，同時(shí)選擇也會(huì)收到響應(yīng)軟硬件條件的限制，最后選擇的算法并不是最適合解決問題的算法。

然而基于模型的方法則為每一個(gè)問題尋求定制化的解決方案。與其將所面對(duì)的問題轉(zhuǎn)換為適配于標(biāo)準(zhǔn)算法的形式，基于模型的機(jī)器學(xué)習(xí)則會(huì)設(shè)計(jì)出一種精確匹配問題的算法。

基于模型的機(jī)器學(xué)習(xí)，其核心觀點(diǎn)在于與問題相關(guān)的所有假設(shè)都能通過模型的形式來構(gòu)成。實(shí)際上，一個(gè)模型也正是由一系列假設(shè)所構(gòu)成的，并用精確的數(shù)學(xué)形式表達(dá)出來。 這些假設(shè)包含了問題中變量的個(gè)數(shù)與類型以及變量之間的相互關(guān)系。例如，在本書中將以離奇的謀殺案為例建立一個(gè)模型來尋找兇手。這一模型的假設(shè)包含了嫌疑人的名單、可以的兇器以及不同嫌疑人使用不同兇器的可能。

這一模型隨后被用于解決這一特定的機(jī)器學(xué)習(xí)問題?；谀Ｐ偷臋C(jī)器學(xué)習(xí)幾乎可以被用于解決任何種類的問題，這種通用的思路意味著你無須學(xué)習(xí)種類繁多的機(jī)器學(xué)習(xí)算法和技術(shù)。

那么為什么模型中的假設(shè)起到了如此重要的作用呢？難道它會(huì)證明機(jī)器學(xué)習(xí)不能單純從數(shù)據(jù)中得到結(jié)果么？我們需要明白的是：任何算法都建立在一系列假設(shè)之上，盡管很多時(shí)候這些假設(shè)看起來不那么明顯。不同的算法對(duì)應(yīng)著不同的假設(shè)，當(dāng)假設(shè)不是那么清晰的時(shí)候評(píng)判算法表現(xiàn)的唯一方法就是通過比較來獲得經(jīng)驗(yàn)結(jié)果。

做過項(xiàng)目的小伙伴對(duì)于這項(xiàng)工作一定深有體會(huì)，會(huì)耗費(fèi)大量的時(shí)間，同時(shí)也不精確。如果嘗試的算法都不滿足要求的話，創(chuàng)造一個(gè)更好的算法更是難上加難。

模型還是算法？

讓我們進(jìn)一步分析模型和算法?？梢园褬?biāo)準(zhǔn)的機(jī)器學(xué)習(xí)算法看成是一個(gè)功能模塊，輸入數(shù)據(jù)輸出結(jié)果。算法一定需要假設(shè)來將它從數(shù)千種不同算法中區(qū)分出來，然而在算法中這種假設(shè)很多時(shí)候是隱含且朦朧的。

從基于模型的觀點(diǎn)來看，它包含了我們對(duì)特定問題所作的一系列假設(shè)。為了從模型中進(jìn)行預(yù)測(cè)，我們需要讀入數(shù)據(jù)并計(jì)算我們希望得到的變量。這一計(jì)算過程通常稱為推理，將模型與推理結(jié)合起來就可以定義出一個(gè)機(jī)器學(xué)習(xí)算法，如下圖所示：

按照基于模型的觀點(diǎn)，算法是有一特定的模型和推理方法組成的，而模型則又由一系列假設(shè)組成，改變假設(shè)就可以——甚至在保持推理方法不變的情況下——得到不同的機(jī)器學(xué)習(xí)算法。

雖然推理的方法很多，但這一教科書為了解耦推理方法的影響，選擇使用了相同的推理方法來與不同的模型組合。

基于模型的機(jī)器學(xué)習(xí)可應(yīng)用與任何標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)任務(wù)，包括分類、聚類等，同時(shí)還將幫助更好地理解和掌控算法的表現(xiàn)，這些都將在書的后續(xù)章節(jié)中呈現(xiàn)。這種方式還可以通過改變模型來拓展任務(wù)的適用范圍和提高精度。

此外模型的假設(shè)十分清晰，這也為模型的可解釋性做出了貢獻(xiàn)，既有利于理解性能增強(qiáng)的原因，有利于溝通與交流，同時(shí)還可以幫助我們?cè)诔霈F(xiàn)問題的時(shí)候更好地解決，也有利于與適應(yīng)、拓展和結(jié)合他人的解決方案。

一個(gè)例子

假設(shè)我們有一個(gè)任務(wù)是預(yù)測(cè)游戲中玩家技能的變化情況，機(jī)器學(xué)習(xí)參考書會(huì)告訴你有一個(gè)稱為卡爾曼濾波的算法可以用于處理這一類問題。為了使用卡爾曼濾波，首先你需要將技能預(yù)測(cè)問題轉(zhuǎn)換為標(biāo)準(zhǔn)卡爾曼濾波器可以處理的形式。如果運(yùn)氣好的話，將轉(zhuǎn)換后的結(jié)果輸入到卡爾曼濾波器中就可以得到較好的結(jié)果。

但很多情況是，這種現(xiàn)成算法的精度往往滿足不了實(shí)際要求。那么你該如何去改造算法和軟件來獲得更好的結(jié)果呢？也許你應(yīng)該成為卡爾曼濾波器方面的專家才能更好地改進(jìn)算法，并實(shí)現(xiàn)更好的軟件來解決問題。

然而如果用基于模型的觀點(diǎn)來看，我們會(huì)從一系列解決方案必須滿足的假設(shè)開始來定義模型，隨后利用這一模型來創(chuàng)造對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法。如果你的假設(shè)恰好和卡爾曼濾波中隱含的假設(shè)對(duì)應(yīng)的話，你的算法很可能得到精確的卡爾曼濾波器。不過你的模型可能在假設(shè)上有所不同，在這個(gè)例子中你得到了可能是一個(gè)卡爾曼濾波器的變種來解決問題。無論這個(gè)算法是否存在是否是一個(gè)新的算法，都沒關(guān)系。你的目標(biāo)是為問題找到最好的解決方案。

基于這些你就能得到一個(gè)改進(jìn)結(jié)果的框架，可以通過檢視和改造假設(shè)來得到更好的模型，同時(shí)也得到了更好的算法。作為一個(gè)領(lǐng)域的專家，理解和改變問題的假設(shè)比改進(jìn)機(jī)器學(xué)習(xí)算法容易多了。即使你的目標(biāo)是理解卡爾曼濾波器，那么從模型的假設(shè)出發(fā)也是一條更為清晰和簡(jiǎn)單的路徑來學(xué)習(xí)算法那并理解它是如何運(yùn)行的。

工具

這本書和其他教材一樣也提供了有力的工具供大家使用學(xué)習(xí)。由于算法被分解成了模型和相應(yīng)的推理方法，只需要定義模型和選擇相應(yīng)的推理方法即可定義算法。這樣研究人員可以聚焦于創(chuàng)造專業(yè)問題的模型，而不是糾結(jié)于各種推理方法和算法本身。作者在微軟研究院工作期間開發(fā)了一套稱為Infer.NET的工具，通過將假設(shè)表示成簡(jiǎn)潔的代碼隨后自動(dòng)化生成復(fù)雜的算法代碼。作者提供了一系列模型源碼和infer模塊。

http://research.microsoft.com/infernet

如何閱讀？

這本書面向所有想要使用機(jī)器學(xué)習(xí)算法解決現(xiàn)實(shí)問題的技術(shù)人員，是一本應(yīng)用導(dǎo)向的書。（但對(duì)于想要理解數(shù)學(xué)原理的讀者，作者提供了Deep-dive章節(jié)）。書中的每一章都是對(duì)于一個(gè)案例的解決過程，對(duì)于一個(gè)真實(shí)世界的案例，作者將帶領(lǐng)我們從數(shù)據(jù)獲取、知識(shí)分析、可視化、構(gòu)建模型、推理、驗(yàn)證、發(fā)現(xiàn)問題和改進(jìn)系統(tǒng)等方面來學(xué)會(huì)如何通過基于模型的方式構(gòu)建出更好的算法來解決問題。

主要分為以下幾個(gè)章節(jié)的內(nèi)容：

第一章：通過破解一個(gè)離奇謀殺案來介紹基于模型機(jī)器學(xué)習(xí)的基本概念；

第二章：基于測(cè)試答案來判斷個(gè)人能力的例子用于介紹如何使用model-based方法；

第三章：model-based方法的真實(shí)應(yīng)用，匹配在線游戲的玩家；

第四章：構(gòu)建一個(gè)模型幫助人們處理雜亂的收件箱；

第五章：構(gòu)建一個(gè)推薦系統(tǒng)，匹配用戶和喜歡的電影；

第六章：通過為過敏建模來理解兒童哮喘病；

第七章：治理擁堵；

第八章：其它模型。