机器学习的未来一定是深度学习吗？

今天与大家分享的是来自Airbnb的朱赟的一篇文章《IT江湖（一）之机器学习篇》，这篇文章讨论的是机器学习的五个部落，现在我们一起带着这些疑问，寻找这些部落后面的秘密吧。

通过上图，大家可以深度了解整个机器学习的框架。

事实上，如果把学习机器学习比作学习一门功夫，从整个程序设计来看，我们首先要学的应该是内功。这里有四大内功：存储系统、程序设计、网络通讯、操作系统。这些内功往往不是直接用来过招的，但正宗的武学必定出自于此。操作系统是在最底层的，上面可以有存储，存储之上需要有各种网络通讯，有了这些基本能力之后，你就可以写程序了。

机器学习中的五岳剑派有哪些？

所谓“五岳剑派，同气连枝”，接下来我们逐一来看以上五个剑派。

中岳符号主义派（Symbolists)

他们武功流派的核心是“符号主义-逆演绎算法”，实际上是逻辑学和哲学。

逻辑学和哲学其实就是演绎和逆演绎。那什么是演绎和逆演绎呢？比如，男人要挣钱，你是男人，那你是否要挣钱？这就是逻辑推理，下图呈现了演绎和逆演绎的一个经典问题。所以如果用一个词概括这个宗派，那就是逻辑推理。

西岳联结主义派（Connectionists）

他们的武功流派是“联结主义-反向传播算法”，起源于神经科学。看起来很高深，但其本质就是模拟神经元，构造神经网络。这是什么意思呢？其实就是有很多点，点之间互相连接，最基础的应用就是图像识别。

上图显示的是正在识别某个人。大家可以从左上方的图中看到，从上往下有很多小圆点，圆点之间有各种线连接。

这个宗派可以简单总结为正向预测，反向训练。

什么是正向预测呢？你输入很多特征值到神经网里，即正向输入，这样会不断激活里面的某些原子，一直往前传播，最后输出结果，这就叫正向预测。

什么是反向训练呢？假如你随便给出一个训练集的数据，你会预测出一个结果，根据这个结果和预想结果之间的误差，可以把误差的情况进行反向传播，也就是告诉每个节点现在的误差是多少，于是每个节点就向误差的反方向走就行了。这就叫做正向预测，反向训练。

南岳进化主义派（Evolutionaries）

第三个宗派是南岳进化主义派。所谓的进化主义，就是基因编程。

基因编程起源于生物进化学，核心是遗传算法和遗传编程。比如海星机器人，这个机器人不仅能自己学会走路，而且假如受到刺激后失去了腿，他还能重新模拟并学习新的行走方式。这看似很难，但核心点无非就是一个串，这个串的每一位可以用不同的字母表示，比如DNA就是用四个字母来表示的。

那什么叫进化？本质是自然选择。通过多次模拟自然选择，把预测结果不好的去掉，那些预测结果较好的串之间互相匹配，这就是所谓的DNA进化算法。

一句话总结起来就是：模拟自然选择。简单来说就是一串长的DNA串。DNA串通过自然选择的方式，把预测得较准确的部分进行混编，就得出新的结果了。

东岳贝叶斯派（Bayesians）

第四个宗派是东岳贝叶斯派，武功流派是概率推理。

概率推理起源于统计学。比如扔硬币，你会发现你扔了1万次后，出现正面和背面的比例大约是1:1。但如果你实际真的去扔硬币，比例可能不是1:1，可能是50.0005%到49.9995%之间，所以这个数据是基于概率统计的。

那么它最大的用处是什么呢？是反垃圾邮件。比如某个邮件来源于一个莫名其妙的地址，其中的内容还含有一些类似请付款的信息。它经过统计发现垃圾邮件很多都有这样的特征，于是推理出这是垃圾邮件，这就是基于概率的推理，也可以说是基于特征的概率估算。

北岳行为类比主义派（Analogizer）

最后一个宗派是北岳行为类比主义派。武功流派是行为类比主义 - 核机器。大家可能会发现机器学习的这些概念每个听起来都太难懂了，但如果你真的把它拆解开来，好像也并没有那么复杂。

这个宗派的核心是近邻算法和内核机，起源于心理学。那它用在哪里呢？在Netflix当年举办的百万奖金竞赛中，前期很多好的算法都是基于SVM的。

什么是SVM？核心就是，有一个空间，中间被切开了。你的目标是在这个空间里找到一条切线或切面，把它切成两半，一半是对的一半是错的，这就是分类的另外一种解法。

有人可能会觉得，只是在这个空间里切，可能切的不是很好，那怎么切呢？一种方法是变化空间，把空间变成另外一个空间。或者换一种切法，用另外一种曲线。但无论怎么做，你都是采用某种方法找到一个好的切割法，这个切割法能把空间切开，一半属于A，一半属于B，这样就解决了分类问题。当然还有很多很复杂的方法，比如降维和升维，大家可以自己去了解。

深度学习能否一统江湖呢？

最后我们有一个经典问题：深度学习能否一统江湖？个人认为还有一些距离，为什么呢？就像作者在文中总结出来的：

符号主义有一些自身的优点，比如它能提供一些知识的组合，即推理。

进化主义能够提供一些结构进化，比如人的DNA进化，就是进化主义。

贝叶斯主义能够考虑到很多不确定的情况，因为它本来就是基于概率的。

类比主义很多时候能够做一些泛化的处理。

所以虽然深度学习目前比较火，但是其他的一些支线都各有各的用处，而且都可以在现实生活中找到例子。所以更多的时候，每一种算法都有它适合的情形，针对合适的情形找到合适的算法去解决它就可以了，并没有那么复杂。

总结

万物归根。无论怎样，最后我们解决的还是一个预测问题，在不确定中找到确定性。

希望大家内外兼修。机器学习只是在外面的一种招数，内在还有很多东西，比如上文讲到的四大内功，大家也要多多修炼。

拿来主义，遇到问题就拿方法解。如果是图片识别，就选择机器学习算法。如果只是简单的判断垃圾邮件的问题，可以先用一些贝叶斯的方法。所谓拿来主义，就是不需要什么问题都要自己发明锤子，也不要想一个锤子解决所有问题，大家要针对具体的问题，运用合适的小锤子，网络上有那么多小锤子，我们都可以随时去拿。

参考文献：

https://www.kdnuggets.com/2015/11/domingos-5-tribes-machine-learning-acm-webinar.html

《吴恩达：Google人工大脑背后的那个人》http://www.pingwest.com/andrewng-deep-learning/

《Coursera，Andrew Ng的下一站是百度》http://www.pingwest.com/will-andrew-ng-join-baidu-idl/