前言

每一次變革都由技術(shù)驅(qū)動(dòng)?？v觀人類歷史，上古時(shí)代，人類從采集狩獵社會(huì)，進(jìn)化為農(nóng)業(yè)社會(huì)；由農(nóng)業(yè)社會(huì)進(jìn)入到工業(yè)社會(huì)；從工業(yè)社會(huì)到現(xiàn)在信息社會(huì)。每一次變革，都由新技術(shù)引導(dǎo)。

在歷次的技術(shù)革命中，一個(gè)人、一家企業(yè)，甚至一個(gè)國(guó)家，可以選擇的道路只有兩條：要么加入時(shí)代的變革，勇立潮頭；要么徘徊觀望，抱憾終生。

要想成為時(shí)代弄潮兒，就要積極擁抱這次智能變革，就要掌握在未來(lái)社會(huì)不會(huì)被淘汰的技能，強(qiáng)大自己，為社會(huì)、為國(guó)家貢獻(xiàn)自己的力量。而在以大數(shù)據(jù)為基石的智能社會(huì)，我們就要積極掌握前沿技術(shù)，機(jī)器學(xué)習(xí)就是信息時(shí)代人工智能領(lǐng)域核心技術(shù)之一。

像個(gè)優(yōu)秀的工程師一樣使用機(jī)器學(xué)習(xí)，而不要像個(gè)機(jī)器學(xué)習(xí)專家一樣使用機(jī)器學(xué)習(xí)方法。

——Google

寫(xiě)在前面

機(jī)器學(xué)習(xí)中算法眾多，原理復(fù)雜，需要大量知識(shí)儲(chǔ)備才能真正理解，也不需要完全理解，在今后的學(xué)習(xí)過(guò)程中逐漸積累，自然會(huì)逐漸掌握。因此本系列不會(huì)著重介紹算法原理，而側(cè)重于如何“像一個(gè)優(yōu)秀的工程師一樣使用機(jī)器學(xué)習(xí)”。

1.什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)（Machine Learning，ML）是一門(mén)多領(lǐng)域的交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、線性代數(shù)、算法等多門(mén)學(xué)科。它專門(mén)研究如何使計(jì)算機(jī)模擬和學(xué)習(xí)人的行為，以獲取新的知識(shí)和技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷完善自身的性能，

機(jī)器學(xué)習(xí)擁有十分廣泛的應(yīng)用，例如：數(shù)據(jù)挖掘、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)診斷、檢測(cè)信用卡欺詐、證券市場(chǎng)分析、DNA序列測(cè)序、語(yǔ)音和手寫(xiě)識(shí)別等。

機(jī)器學(xué)習(xí)算法可分為兩大類：監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。

下圖是機(jī)器學(xué)習(xí)相關(guān)概念的思維導(dǎo)圖：

1.1 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)即在機(jī)器學(xué)習(xí)過(guò)程中提供對(duì)錯(cuò)指示。一般是在數(shù)據(jù)組中包含最終結(jié)果(0,1)，通過(guò)最終結(jié)果來(lái)讓機(jī)器自己減小誤差。

這一類學(xué)習(xí)主要應(yīng)用于分類和回歸(Regression & Classify)。監(jiān)督學(xué)習(xí)從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)目標(biāo)函數(shù)，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求包括輸入和輸出（只要有標(biāo)簽的均可認(rèn)為是監(jiān)督學(xué)習(xí)），也可以說(shuō)包括特征和目標(biāo)，訓(xùn)練集中的目標(biāo)是認(rèn)為標(biāo)注的。

常見(jiàn)的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計(jì)分類。

1.2無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)又稱為歸納性學(xué)習(xí)（Clustering），利用K方式（KMean）建立中心（Centriole）,通過(guò)循環(huán)和遞減運(yùn)算（Iteration&Descent）來(lái)減小誤差，達(dá)到分類的目的。

2.Python中的機(jī)器學(xué)習(xí)

本文將通過(guò)項(xiàng)目來(lái)介紹基于Python的生態(tài)環(huán)境如何完成機(jī)器學(xué)習(xí)的相關(guān)工作。

利用機(jī)器學(xué)習(xí)的預(yù)測(cè)模型來(lái)解決問(wèn)題共有六個(gè)基本步驟：

• 定義問(wèn)題：研究和提煉問(wèn)題的特征，以便我們采用相應(yīng)的思路和方法來(lái)解決問(wèn)題。
• 數(shù)據(jù)理解：通過(guò)統(tǒng)計(jì)性描述和可視化方法來(lái)分析現(xiàn)有的數(shù)據(jù)。
• 數(shù)據(jù)準(zhǔn)備：對(duì)數(shù)據(jù)進(jìn)行格式化，以便構(gòu)建預(yù)測(cè)模型。
• 評(píng)估算法：利用測(cè)試集來(lái)評(píng)估算法模型，并選取一部分代表數(shù)據(jù)進(jìn)行分析，以改善模型。
• 優(yōu)化模型：通過(guò)調(diào)參和集成算法來(lái)提升結(jié)果的準(zhǔn)確度。
• 結(jié)果部署：完成模型，并執(zhí)行模型來(lái)預(yù)測(cè)結(jié)果和展示。

這也是本文寫(xiě)作的順序。閱讀完本文，讀者能夠基本了解機(jī)器學(xué)習(xí)的基本步驟、實(shí)現(xiàn)方法，以便在自己的項(xiàng)目中利用機(jī)器學(xué)習(xí)來(lái)解決問(wèn)題。

3.必須環(huán)境安裝

機(jī)器學(xué)習(xí)需要用到的相關(guān)模塊包括SciPy，NumPy，Matplotlib，Pandas，Scikit-learn。

SciPy是在數(shù)學(xué)運(yùn)算、科學(xué)和工程學(xué)方面被廣泛應(yīng)用的Python類庫(kù)。它包括統(tǒng)計(jì)、優(yōu)化、整合、線性代數(shù)、傅里葉變換、信號(hào)和圖像處理、常微分方程求解器等，被廣泛運(yùn)用在機(jī)器學(xué)習(xí)的項(xiàng)目中。

NumPy(Numerical Python) 是 Python 語(yǔ)言的一個(gè)擴(kuò)展程序庫(kù)，支持高維度數(shù)組與矩陣運(yùn)算，此外也針對(duì)數(shù)組運(yùn)算提供大量的數(shù)學(xué)函數(shù)庫(kù)。

Matplotlib是Python中最著名的2D繪圖庫(kù)，十分適合交互式地繪圖，也可方便地將它作為繪圖控件，嵌入GUI應(yīng)用程序中。

Pandas 是Python的核心數(shù)據(jù)分析支持庫(kù)，提供了快速、靈活、明確的數(shù)據(jù)結(jié)構(gòu)，旨在簡(jiǎn)單、直觀地處理關(guān)系型、標(biāo)記型數(shù)據(jù)。

Scikit-learn (sklearn) 是基于 Python 語(yǔ)言的機(jī)器學(xué)習(xí)工具，可以實(shí)現(xiàn)數(shù)據(jù)預(yù)處理、分類、回歸、降維、模型選擇等常用的機(jī)器學(xué)習(xí)算法。

Anacodna安裝

Anaconda 個(gè)人版是一個(gè)免費(fèi)、易于安裝的包管理器、環(huán)境管理器和 Python 發(fā)行版，包含 1,500 多個(gè)開(kāi)源包，并提供免費(fèi)社區(qū)支持。其中的虛擬環(huán)境真的非常Nice，可以方便地針對(duì)不同項(xiàng)目安裝不同模塊。

安裝Anaconda時(shí)會(huì)自動(dòng)地安裝機(jī)器學(xué)習(xí)需要地所有庫(kù)，無(wú)需再通過(guò)Pip逐個(gè)安裝。

Anaconda的安裝十分簡(jiǎn)單，但Anaconda官網(wǎng)安裝非常慢，推薦到清華鏡像下載：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

next

I Agree

Just Me

更改安裝路徑到其他盤(pán)

勾選Register Anaconda3 as my default Python3.7，不推薦勾選第一個(gè)

點(diǎn)擊Install

安裝完成之后可以使用以下命令檢驗(yàn)是否安裝成功：

import scipy
import numpy
import matplotlib
import pandas
import sklearn
print('scipy:{}'.format(scipy.__version__))
print('numpy:{}'.format(numpy.__version__))
print('matplotlib:{}'.format(matplotlib.__version__))
print('pandas:{}'.format(pandas.__version__))
print('sklearn:{}'.format(sklearn.__version__))

結(jié)果如下：

scipy:1.4.1
numpy:1.21.0
matplotlib:3.4.2
pandas:1.0.1
sklearn:0.22.1

總結(jié)

到此為止，我們已經(jīng)了解了機(jī)器學(xué)習(xí)的基本概念并完成了環(huán)境的安裝，接下來(lái)將完善數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、選擇模型、優(yōu)化模型、結(jié)果部署以及項(xiàng)目實(shí)戰(zhàn)。

到此這篇關(guān)于Python機(jī)器學(xué)習(xí)入門(mén)(一)序章的文章就介紹到這了,更多相關(guān)Python機(jī)器學(xué)習(xí)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論