如何简单理解AI与机器学习

这是《Python AI极简入门》的第2篇

全文无码～～

1

AI与机器学习

在网络上，AI、人工智能、机器学习、深度学习等等名词充斥了诸多文章中，让很多人摸不着头脑，到底什么是什么。

下面，我们来简单梳理一下：

AI，是Artificial Intelligence的英文首字母缩写，也就是人工智能，所示说AI = 人工智能；

机器学习，是人工智能的一种实现方法，利用算法或逻辑从数据中抽取模型；

深度学习，又是机器学习的一种技术，相对于浅层的传统机器学习技术。

本次《Python AI极简入门》通过Python机器学习讲解Python AI预测，大部分会涉及到传统机器学习，少部分或无部分涉及到深度学习。

2

基于机器学习方法的AI解决什么问题

机器学习能够从数据中找到事物的规律，并通过结果展示出来。通常而言，机器学习用于解决下述三种问题：

分类问题：在有结果标记的情况下进行类型的预测；

回归问题：在有结果标记的情况下进行数值的预测；

聚类问题：在没有结果标的情况下进行种类的划分；

分类问题和回归问题同属于监督学习的范畴，利用一组已标记的数据，来对陌生数据进行预测；

而聚类问题则属于非监督学习，从大量数据中发现其共性和特性，对数据进行区分。

看上去是不是很懵逼，嗯，在现实生活中可以将机器学习解决分类问题来实现对垃圾短信、垃圾邮件、图片属性等的区分；可以将机器学习解决回归问题来实现对各种价格进行预测；可以将机器学习解决聚类问题来实现对客户群体的划分等。

这样是不是容易理解多了？

13

机器学习工作流

通常来说，一个机器学习任务可以分解成下面四个方面：

数据处理（从原始数据进行各种处理）

生成训练集（从预处理好的数据中）

算法的选择、训练和评估

部署和监控

从源数据开始，到完成一个机器学习系统，一个机器学习的解决方案通常遵循以下模式：

1

源数据

显然，没有机器学习系统可以建立在没有数据的基础上。数据收集应该是机器学习的第一个重点。

数据的收集，可以依赖于公开的数据集、或者是自己机构、组织、公司积累下来的数据，或者是自己写爬虫爬取下来的数据。（对爬虫感兴趣又不熟悉的同学可以看看我写的Python爬虫入门实战）：

2

数据预处理

收集到手的源数据如果没有经过预处理，基本上是不符合我们进行机器学习预测的要求的，其或者有缺失值，或者数据类型不统一，或者数据形式不支持……

3

训练集

从预处理好的数据集中按照一定的规则，将一份数据集分割为大小不一的两份数据，其中数据量大的为训练集，用于接下来的机器学习模型（算法）的训练，其中数据量小的为测试集，用于测试评估经过训练集训练后的机器学习模型的效果。

4

算法选择、训练和评估

根据实际需要解决的问题，选择合适的算法（大神可以自己设计算法），创建一个机器学习模型，将生成的训练集传入进行训练，得到一个训练好的机器学习模型。再使用测试集对模型效果通过一些评估算法进行效果评估。

5

开发和部署

如果模型效果很好，那么可以将模型保存到本地，方便其他端的调用（比如Web网站、GUI程序等）。

下一篇，我们将介绍使用Python进行数据预处理的各种方法，全文多码～