機器學習教程：從零開始學習機器學習

人工智能 (AI) 和機器學習 (ML) 解決方案的部署繼續推進各種業務流程，改善客戶體驗是最重要的用例。

今天，機器學習有著廣泛的應用，其中大部分是我們每天都會遇到的技術。 例如，Netflix 或類似的 OTT 平台使用機器學習為每個用戶提供個性化建議。 因此，如果用戶經常觀看或搜索犯罪驚悚片，平台的機器學習推薦系統將開始推薦更多類似類型的電影。 同樣，Facebook 和 Instagram 根據用戶經常互動的帖子個性化用戶的提要。

在本 Python 機器學習教程中，我們將深入了解機器學習的基礎知識。 我們還包括一個簡短的深度學習教程，向初學者介紹這個概念。

什麼是機器學習？

“機器學習”一詞是 1959 年由計算機遊戲和人工智能的開拓者 Arthur Samuel 創造的。

機器學習是人工智能的一個子集。 它基於軟件（程序）可以從數據中學習、破譯模式並在最少人為乾擾的情況下做出決策的概念。 換句話說，ML 是一個計算科學領域，它使用戶能夠將大量數據提供給算法，並讓系統根據輸入數據進行分析並做出數據驅動的決策。 因此，ML 算法不依賴於預先確定的模型，而是直接從輸入的數據中“學習”信息。

資源

這是一個簡化的例子——

我們如何編寫一個基於顏色、花瓣形狀或其他屬性來識別花朵的程序？ 雖然最明顯的方法是製定核心識別規則，但這種方法不會制定適用於所有情況的理想規則。 然而，機器學習採取了一種更實用、更穩健的策略，而不是製定預先確定的規則，而是通過向系統提供不同花朵的數據（圖像）來訓練系統。 因此，下次系統顯示玫瑰和向日葵時，它可以根據先前的經驗對兩者進行分類。

閱讀如何學習機器學習 - 一步一步

機器學習的類型

機器學習分類基於算法如何學習變得更準確地預測結果。 因此，機器學習有三種基本方法：監督學習、無監督學習和強化學習。

監督學習

在監督機器學習中，算法提供有標記的訓練數據。 另外，用戶定義他們希望算法評估的變量； 目標變量是我們要預測的變量，特徵是幫助我們預測目標的變量。 所以，這更像是我們向算法展示魚的圖像並說“它是一條魚”，然後我們展示一隻青蛙並指出它是一隻青蛙。 然後，當算法在足夠多的魚和青蛙數據上進行訓練時，它將學會區分它們。

無監督學習

無監督機器學習涉及從未標記的訓練數據中學習的算法。 因此，只有特徵（輸入變量），沒有目標變量。 無監督學習問題包括聚類，其中具有相同特徵的輸入變量被分組並關聯以破譯數據集中有意義的關係。 聚類的一個例子是將人們分為吸煙者和非吸煙者。 相反，發現使用智能手機的客戶也會購買手機殼是一種聯想。

強化學習

強化學習是一種基於提要的技術，機器學習模型學習根據他們收到的行動反饋做出一系列決策。 對於每一個好的動作，機器都會得到正反饋，對於每一個壞動作，它都會得到懲罰或負反饋。 因此，與監督機器學習不同，強化模型使用反饋而不是任何標記數據自動學習。

另請閱讀，什麼是機器學習及其重要性

為什麼使用 Python 進行機器學習？

機器學習項目與傳統軟件項目的不同之處在於前者涉及不同的技能集、技術堆棧和深入研究。 因此，實施一個成功的機器學習項目需要一種穩定、靈活並提供強大工具的編程語言。 Python 提供了一切，因此我們主要看到基於 Python 的機器學習項目。

平台獨立性

Python 的流行很大程度上是因為它是一種獨立於平台的語言，並且受到大多數平台的支持，包括 Windows、macOS 和 Linux。 因此，開發人員可以在一個平台上創建獨立的可執行程序並將它們分發到其他操作系統，而無需 Python 解釋器。 因此，訓練機器學習模型變得更易於管理且成本更低。

簡單性和靈活性

每個機器學習模型的背後都是複雜的算法和工作流程，這些算法和工作流程可能會讓用戶感到恐懼和不知所措。 但是，Python 簡潔易讀的代碼讓開發人員可以專注於機器學習模型，而不用擔心語言的技術問題。 此外，Python 易於學習，可以處理複雜的機器學習任務，從而可以快速構建和測試原型。

廣泛的框架和庫選擇

Python 提供了廣泛的框架和庫選擇，可顯著減少開發時間。 此類庫具有開發人員用來完成一般編程任務的預先編寫的代碼。 Python 的軟件工具庫包括用於機器學習的 Scikit-learn、TensorFlow 和 Keras、用於通用數據分析的 Pandas、用於數據分析的 NumPy 和 SciPy，以及用於科學計算、用於數據可視化的 Seaborn 等等。

還要學習機器學習中的數據預處理：7 個簡單的步驟

實施 Python 機器學習項目的步驟

如果您不熟悉機器學習，那麼與項目達成協議的最佳方式是列出您需要涵蓋的關鍵步驟。 完成這些步驟後，您可以將它們用作後續數據集的模板，在您進入高級階段時填補空白並修改您的工作流程。

以下是如何使用 Python 實現機器學習項目的概述：

1. 定義問題。
2. 安裝 Python 和 SciPy。
3. 加載數據集。
4. 總結數據集。
5. 可視化數據集。
6. 評估算法。
7. 作出預測。
8. 呈現結果。

什麼是深度學習網絡？

深度學習網絡或深度神經網絡 (DNN) 是基於模仿人腦的機器學習的一個分支。 DNN 包含組合多個輸入以產生單個輸出的單元。 它們類似於通過突觸接收多個信號並向其神經元發送單個動作電位流的生物神經元。

資源

在神經網絡中，類似大腦的功能是通過由一個輸入層、一個或多個隱藏層和一個輸出層組成的節點層來實現的。 每個人工神經元或節點都有一個相關的閾值和權重並連接到另一個。 當一個節點的輸出高於定義的閾值時，它被激活並將數據發送到網絡中的下一層。

DNN 依賴於訓練數據來隨著時間的推移學習和微調其準確性。 它們構成了強大的人工智能工具，可以高速進行數據分類和聚類。 深度神經網絡最常見的兩個應用領域是圖像識別和語音識別。

前進之路

無論是使用面部 ID 解鎖智能手機、瀏覽電影還是在 Google 上搜索隨機主題，現代數字驅動的消費者都需要更精巧的推薦和更好的個性化。 無論在哪個行業或領域，人工智能已經並將繼續在提升用戶體驗方面發揮重要作用。 此外，Python 的簡單性和多功能性使人工智能項目的開發、部署和維護跨平台變得方便高效。

從世界頂級大學學習 ML 課程。 獲得碩士、Executive PGP 或高級證書課程以加快您的職業生涯。

如果您發現這個面向初學者的 Python 機器學習教程很有趣，請通過upGrad 的機器學習與人工智能理學碩士課程深入了解該主題。 該在線課程專為希望學習高級 AI 技能（如 NLP、深度學習、強化學習等）的在職專業人士而設計。

課程亮點：

• LJMU 碩士學位
• 來自 IIIT 班加羅爾的執行 PGP
• 750 多個小時的內容
• 40+ 場直播
• 12+ 案例研究和項目
• 11個編碼作業
• 深入涵蓋 20 種工具、語言和庫
• 360 度職業協助