机器学习基础:第1部分-什么是机器学习?

正在进行的机器学习从程序员的角度来看，革命只是这个图的重新定位。

^{机器学习图}

所以，作为程序员的我们，不要试图找出能给我们答案的规则，如果我们能在输入数据的同时输入大量的答案，然后让机器找出这些规则呢?

这就是机器学习的真正意义所在。获取大量的数据，知道这些数据的答案是什么——这是一个被称为标签的过程——然后建立将一个与另一个匹配的规则。

现在看起来可能有点模糊，所以让我们来看一个场景。想想智能手表这样的活动识别设备。如果你正在创造一个这样的东西，你在上面安装了传感器来提供数据，比如这个人移动的速度，你会写什么规则来给出答案?答案当然是这个人的行为。

例如，你可能会说，如果速度小于某一数值，答案就是这个人在走路。你可以扩展一下，如果它大于这个量，那么这个人就在跑步。现在您已经检测到两种活动——走和跑。这有点幼稚，但希望它只是用于说明。

但如果你想更进一步呢?例如，另一种健身活动是骑自行车。你可以扩展你的算法来理解这样的骑行。如果值小于4，它们就在行走。否则，如果小于12，它们就在跑。否则他们就骑自行车。这仍然是可行的，但是如果你想检测高尔夫球，会发生什么呢?哦，是的。

不仅仅是高尔夫——尽管这个算法很幼稚，但很容易看出这是一个很难用规则实现的场景。你的速度会随着你的上升或下降而变化，你的行走速度可能就是我的跑步速度，等等。有时人们不能简单地找出规则来决定像这样复杂的行为。

因此，如果我们回到机器学习的图表，并将机器学习视为数据输入的答案，并从中推断出规则，那么我们就可以改变我们的活动识别场景。

那么，如果你让很多很多人都戴着你的传感器，然后说他们在走路，你就能捕捉到数据，那会怎么样呢?跑步、骑自行车，甚至打高尔夫也一样。如果你查看这些数据并有办法找出如何将模式与标签匹配呢?你会有一个场景，说这是走路的样子，这是跑步的样子，等等。这就是机器学习的核心——拥有大量的数据，为这些数据贴上标签，然后编程让计算机找出数据中哪些不同的部分适合这些标签。

这只是一个假设的场景，但同样的概念可以应用于计算机视觉和自然语言处理等领域。在这门课中你会学到这些技巧。

让我们从一个非常简单的场景开始，我认为这就是机器学习的世界。看看这些数字。他们之间有某种联系。x和y之间有一个关系对于每对x和y都成立。当x = - 1时，y = - 3。当x = 1 y = 1，等等。你能看出规律吗?

这里的关系是每个y等于2乘以对应的x - 1。是的，我知道我们说过我们不会做很多数学运算，但我希望你能接受这个例外。

如果你知道答案，那么你是怎么得到的呢?对我来说，我看到当x增加1时y增加2，所以我猜y等于2x加上或减去什么。然后我猜测它可能是-1，因为当x = 0时，答案是-1。我回顾了所有其他的数字，我发现这种关系成立。这几乎也是神经网络的工作方式。

让我们在代码中探索一下。这是一个TensorFlow应用程序的例子它会为我们找出这种关系。

model = keras.Sequential([keras.layers。密度(单位= 1,input_shape = [1]))model.compile(优化器= sgd,损失=“mean_squared_error”)x = np.array ([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0), dtype =浮动)y = np.array ((-2.0, 1.0, 4.0, 7.0, 10.0, 13.0), dtype =浮动)模型。Fit (xs, ys, epoch =500) print(model.predict([10.0]))

我知道这里有很多新概念，所以我要一个一个地把它们拆开。

model = keras.Sequential([keras.layers。密度(单位= 1,input_shape = [1]))

这可能是最神秘的一组，所以让我们直观地解释一下。你知道你经常看到的神经网络的图片看起来有点像这样吗?红框里的每一列都是层，蓝色的每一团都是神经元。每个神经元都与其他神经元相连，这被称为密集层，因为它们之间有密集的连通性。你可以用代码定义这些类型的神经网络。让我们回顾一下我们的代码，看看我们定义了什么。

这一行的第一部分说它是akeras。顺序．Keras是一个框架TensorFlow使训练的定义和使用ML模型变得容易。我会在这门课上广泛使用它。sequential这个名字基本上告诉我们，我们要定义一个层的序列。在前面的图表中，我们有三个层。你认为我们在代码中定义的网络中有多少层?只有一行，因为我们在序列中只有一行代码。你注意到它是什么类型的层了吗?它是一种密集的，是最简单的层类型，里面有基本的神经元。稍后您将了解更多复杂的神经元类型，但密集的神经元类型是相当基本的。

我们的密度是什么样子的?在密度参数中是可见的。我们说我们只有一个单元，或者说这一层只有一个神经元。我们只有一层。参数input_shape告诉我们要训练我们的层的数据的形状，它只是一个值。我们的神经网络是这样的。这是你能得到的最简单的神经网络——一层，一个神经元。神经元能做的就是学会将数据与标签匹配。让我们看看这个是如何返回到我们的代码的。

model.compile(优化器= sgd,损失=“mean_squared_error”)

网络学习的核心在于这两个参数——优化器函数和损失函数。这就是机器学习中所有数学的来源。让我来解释一下它们是做什么的。

这个想法是，神经网络不知道数据和标签之间的关系，所以它必须做出猜测。然后它查看数据并评估猜测结果。损失函数是一种衡量猜测好坏的方法。优化器使用此结果进行另一个猜测。然后再次使用损失函数测量该猜测，其逻辑是优化器可以改进猜测。该数据被传递回优化器以获得另一个猜测，等等。这是训练神经网络的过程。在我们的代码中，我们将执行这个循环—进行猜测，用损失函数测量其有效性，优化以获得另一个猜测，并重复500次。有一些复杂的数学来测量损失和优化新的猜测，但我们现在不打算详述这个。

这里称为损失函数mean_squared_error，优化器为sgd，代表随机梯度下降。我们将使用它们编译模型。

接下来，我们将定义数据。

x = np.array ([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0), dtype =浮动)y = np.array ((-2.0, 1.0, 4.0, 7.0, 10.0, 13.0), dtype =浮动)

NP代表NumPy——一个Python库，使处理数据变得更容易，当你使用机器学习时，你会经常看到它。我们称数据为x，标签为y。

接下来是我们学习的地方。

模型。Fit (xs, ys, epoch =500)

我们告诉模型使x和y相匹配，然后做我们之前说过的循环500次，或者说500个周期。最后，神经元在一开始所做的粗略猜测有望被细化成一个好的模型，找出x和y之间的关系。

一旦模型完成训练，您就可以使用它来预测值。

print (model.predict ([10.0]))

根据我们对x和y的了解，它们之间的关系是y = 2x - 1，你认为预测10.0的答案会是什么?

你可能认为答案是19，而且你的答案非常接近正确。但由于一些原因，它不会精确到19——最显著的事实是，这个模型只在6点数据上训练，而对于这6点数据，关系是线性的。也就是y = 2x - 1。但不能保证其他点的情况也一样。数据可能会向其他方向倾斜，而神经元不知道情况是否如此，因为它只在有限的数据上进行了训练。

也就是说，它是一条直线的概率非常高，所以神经元在学习中会考虑这个因素，当被要求预测时，它会给你一个非常接近19的数字，因为当x = 10时y的值是19的概率非常高。

这是要记住的重要一课。神经网络处理概率问题。它们会给你一个答案是正确的可能性，你经常需要处理这种可能性。

如果我们回到传统的编程，你可以写一个这样的函数，它是可行的。

getResult (x) {
Return (2*x) - 1;
｝
y = getResult(x);

但它只会永远返回2*x - 1，因为这样做是硬编码的。你可以这样推广这个函数

getResult(x, p1, p2) {
返回(p1*x) - p2;
｝
y = getResult(x, 2， -1);

你在哪里传递参数2和-1，现在函数将返回2x - 1，如果您想使用其他值，也可以这样做。

神经元是这样工作的，它有参数而不是硬编码的值，但它随着时间的推移从数据中学习这些参数。因此，它是一个学习如何行为的一般函数。这就是“机器学习”这个术语的由来。我们的神经元正在学习能给出预期结果的参数，以期这些结果在未来与其他数据一起工作。

下一个:第2部分-计算机视觉的第一步