一、AI與機器學習
在網絡上，AI、人工智能、機器學習、深度學習等等名詞充斥了諸多文章中，讓很多人摸不着頭腦，到底什么是什么。
下面，我們來簡單梳理一下：
- AI，是Artificial Intelligence的英文首字母縮寫，也就是人工智能，所示說AI = 人工智能；
- 機器學習，是人工智能的一種實現方法，利用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。
本套《Python AI極簡入門》講的是Python的機器學習，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。
二、基於機器學習方法的AI解決什么問題
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，機器學習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划分；
分類問題和回歸問題同屬於監督學習的范疇，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短信、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划分等。
這樣是不是容易理解多了？
三、 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）
- 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：
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）
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……
生成訓練集
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（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后的機器學習模型的效果，
算法選擇、訓練和評估
根據實際需要解決的問題，選擇合適的算法（大神可以自己設計算法），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算法進行效果評估。
開發和部署
如果模型效果很好，那么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Python AI預測——機器學習數據預處理。
文章版權所有：州的先生博客，轉載必須保留出處及原文鏈接