如何簡單理解AI與機器學習

這是《Python AI極簡入門》的第2篇

全文無碼～～

1

AI與機器學習

在網路上，AI、人工智慧、機器學習、深度學習等等名詞充斥了諸多文章中，讓很多人摸不著頭腦，到底什麼是什麼。

下面，我們來簡單梳理一下：

AI，是Artificial Intelligence的英文首字母縮寫，也就是人工智慧，所示說AI = 人工智慧；

機器學習，是人工智慧的一種實現方法，利用演算法或邏輯從數據中抽取模型；

深度學習，又是機器學習的一種技術，相對於淺層的傳統機器學習技術。

本次《Python AI極簡入門》通過Python機器學習講解Python AI預測，大部分會涉及到傳統機器學習，少部分或無部分涉及到深度學習。

2

基於機器學習方法的AI解決什麼問題

機器學習能夠從數據中找到事物的規律，並通過結果展示出來。通常而言，機器學慣用於解決下述三種問題：

分類問題：在有結果標記的情況下進行類型的預測；

回歸問題：在有結果標記的情況下進行數值的預測；

聚類問題：在沒有結果標的情況下進行種類的劃分；

分類問題和回歸問題同屬於監督學習的範疇，利用一組已標記的數據，來對陌生數據進行預測；

而聚類問題則屬於非監督學習，從大量數據中發現其共性和特性，對數據進行區分。

看上去是不是很懵逼，嗯，在現實生活中可以將機器學習解決分類問題來實現對垃圾簡訊、垃圾郵件、圖片屬性等的區分；可以將機器學習解決回歸問題來實現對各種價格進行預測；可以將機器學習解決聚類問題來實現對客戶群體的劃分等。

這樣是不是容易理解多了？

13

機器學習工作流

通常來說，一個機器學習任務可以分解成下面四個方面：

數據處理（從原始數據進行各種處理）

生成訓練集（從預處理好的數據中）

演算法的選擇、訓練和評估

部署和監控

從源數據開始，到完成一個機器學習系統，一個機器學習的解決方案通常遵循以下模式：

1

源數據

顯然，沒有機器學習系統可以建立在沒有數據的基礎上。數據收集應該是機器學習的第一個重點。

數據的收集，可以依賴於公開的數據集、或者是自己機構、組織、公司積累下來的數據，或者是自己寫爬蟲爬取下來的數據。（對爬蟲感興趣又不熟悉的同學可以看看我寫的Python爬蟲入門實戰）：

2

數據預處理

收集到手的源數據如果沒有經過預處理，基本上是不符合我們進行機器學習預測的要求的，其或者有缺失值，或者數據類型不統一，或者數據形式不支持……

3

訓練集

從預處理好的數據集中按照一定的規則，將一份數據集分割為大小不一的兩份數據，其中數據量大的為訓練集，用於接下來的機器學習模型（演算法）的訓練，其中數據量小的為測試集，用於測試評估經過訓練集訓練後的機器學習模型的效果。

4

演算法選擇、訓練和評估

根據實際需要解決的問題，選擇合適的演算法（大神可以自己設計演算法），創建一個機器學習模型，將生成的訓練集傳入進行訓練，得到一個訓練好的機器學習模型。再使用測試集對模型效果通過一些評估演算法進行效果評估。

5

開發和部署

如果模型效果很好，那麼可以將模型保存到本地，方便其他端的調用（比如Web網站、GUI程序等）。

下一篇，我們將介紹使用Python進行數據預處理的各種方法，全文多碼～

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！