下载掌阅APP，畅读海量书库
立即打开
1.3 机器学习该如何学 |
|
为何人工智能（AI）首选Python？读完这篇文章你就知道了。Python虽然是脚本语言，但是因为容易学，迅速成为了科学家的工具（MATLAB也能搞科学计算，但是软件要钱，而且很贵），从而积累了大量的工具库、架构。人工智能涉及大量的数据计算，用Python是非常自然，且简单高效。
Python有非常多优秀的深度学习库可用，现在大部分深度学习框架都支持Python，不用Python用谁？人生苦短，就用Python吧。Python现在的确已经很火了，这已经是一个不需要争论的问题了。Facebook公司开源了PyTorch之后，Python作为AI时代头牌语言的位置基本确立了。
你只要有一门编程语言基础，如C或VB，三天之内就能掌握了Python的使用技能。哪怕你是第一次接触编程语言，看看Python在线入门课程，花一周时间也会学得差不多了。因为Python比其他编程语言更加简单、易学，其面向对象特性甚至比Java、C#、.NET更加彻底。
Python是一种解释型语言，这意味着Python可以节省大量的项目开发时间，因为开发者完全不需要任何类型的编译和连接。在Python中，开发者可以用交互方式来使用解释器，无须耗费大量的时间和精力，这才是程序员最想要的。毕竟，时间就是金钱。
关于Python安装也非常简单，请一定要选择Python3版本，将本书附赠的Python软件资源包复制到硬盘上并解压缩，双击资源包中的Python-3.6.4-md64.exe文件，它会自动安装好Python 3.6.4版本，安装的时候注意要在安装界面上选择“Add Python 3.6 to PATH”复选框（添加环境变量），然后再选择中间的“Install Now”选项，如图1-1所示。
图1-1
在Python软件安装好之后，然后双击install.bat文件，系统会自动安装好本书会用到的一些依赖包，如大名鼎鼎scikit-learn机器学习工具包（本书机器学习项目案例会用到）、Dlib人工智能工具包（本书人脸识别项目案例会用到），等等。
IDLE是Python自带的程序编辑器，打开之后会出现如图1-2所示的界面，这个界面叫shell。选择File菜单下的“New File”命令，你就可以快乐地敲入程序代码，代码输入后选择“Run”菜单中的“Run Module F5”命令，就能看到运行结果了。
图1-2
当你掌握Python基本语法之后，需要再花一点时间去学习处理数据与操作数据的方法，熟悉一下Pandas、NumPy和Matplotlib这些工具包的使用方法。Pandas工具包可以处理数据帧，数据帧类似于Excel文件当中的信息表，有横行和纵列。这种数据就是所谓的结构化数据。NumPy工具包可以基于数据进行数值运算，机器学习可以把能想象到的一切事物转化为数字，再建立出这些数字中的模型。Matplotlib工具包可以制图，实现数据可视化。对读者来说，理解表格中的一堆数据可能很难，相信大家会更喜欢那种有线条贯穿始终的图表，实现数据可视化是交流成果的重要环节。
对于学习使用过程中，需要安装相应的工具包，推荐使用pip程序来安装。举例说明，比如安装matplotlib模块，进入到CMD窗口下，执行python -m pip install matplotlib进行自动安装，系统会自动下载安装包，如图1-3所示。
安装完成后，可以使用python -m pip list查看本机安装的所有模块，确保Matplotlib工具包已经安装成功，如图1-4所示。
图1-3
图1-4
非常重要的机器学习工具包scikit-learn已经成为机器学习领域当中最知名的Python模块了。scikit-learn简称sklearn，支持包括分类、回归、降维和聚类等机器学习算法，还包含了特征提取、数据处理和模型评估三大模块。sklearn涵盖了几乎所有主流机器学习算法的实现，它具有BSD许可证授权（BSD只要求你对软件原作者的工作进行必要的认可和尊重就行了，所以这是适合商业应用的），可以将项目应用于商业开发。
sklearn官网网址http://scikit-learn.org/stable/index.html，里面讲解了基于sklearn对所有算法的实现和简单应用。在工程应用中，用Python手写代码来从头实现一个算法的可能性非常低，这样不仅耗时耗力，还不一定能够写出结构清晰、稳定性强的模型。更多情况下，是分析采集到的数据，根据数据特征选择适合的算法，在工具包中调用算法，调整算法的参数，获取需要的信息，从而实现算法效率和效果之间的平衡。而sklearn正是这样一个可以帮助我们高效实现算法应用的工具包。
总结起来，scikit-learn工具包有以下几个优点：
（1）官方文档齐全，更新及时。
（2）针对所有的算法提供了一致的接口调用规则。
（3）涵盖主流机器学习任务的算法，包括回归算法、分类算法、聚类分析、数据降维处理等。
“工欲善其事，必先利其器”，我更喜欢安装一些功能强大的Python软件来辅助我编写程序。就像在学习Java时，正常情况选择安装JDK，然后配置环境变量，用记事本编写程序，再到终端编译运行即可，而我一般选择安装JDK+MyEclipse。将Python和Java进行类比的话，在Python中使用PyCharm或Anaconda好比是在Java中使用MyEclipse。以下分别介绍PyCharm和Anaconda。
PyCharm作为一款针对Python的编辑器，配置简单、功能强大、使用起来省时省心，对初学者友好。PyCharm官网提供免费的社区版与付费的专业版，如图1-5所示，个人学习Python使用免费的社区版已足够用了。安装过程照着提示一步步操作即可。
图1-5
启动PyCharm，选择创建新的项目“Create new Project”，选择“Existing interpreter”已经存在的Python解释器（之前已经安装的Python 3.6，PyCharm没有内置的Python解释器，需要我们自己下载Python解释器），如图1-6所示。
图1-6
如图1-7所示，在“File”菜单下的“Settings”选项中，PyCharm的各种配置都需要在这里配置。比如进入“Editor”→“Font”或“Color Schema”对字体以及IDE主题进行更改，在“Project Interpreter”中设置本地已安装的Python解释器。这个地方一定要注意，在选择Python解释器的时候，一定要选择python.exe这个文件，而不是Python的安装文件夹。
图1-7
PyCharm基础配置到这就完成了，接下来我们就可以开始创建Python脚本文件，如图1-8所示。
图1-8
这里示例的Python脚本文件名是“example1.py”，开始敲入代码，最后在界面单击鼠标右键，选择“Run example1”，就可以看到代码的运行结果，如图1-9所示。
总之，PyCharm是JetBrains打造的一款Python IDE（集成开发环境）。它具备调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制等功能。可以帮助程序员节约时间，提高生产效率。
图1-9
Anaconda是一个基于Python的数据处理和科学计算平台，相当于一个“全家桶”。它已经内置了许多非常有用的第三方库。安装好Anaconda，就相当于把Python和一些如NumPy、Pandas、Scrip、Matplotlib等常用的库自动安装到位，使得安装比常规Python安装要容易。如果选择安装Python的话，那么还需要pip install逐个安装各种库，安装起来比较痛苦。
首先访问Anaconda官网下载对应的软件，根据自己的计算机配置选择不同的操作系统，一定要选择Python 3版本，下载后安装，如图1-10所示，非常简单。
图1-10
安装完成后，如果是Windows系统，可以在“开始”菜单看到如图1-11所示的安装结果。
图1-11
可以选择“Anaconda Prompt”，打开一个命令行窗口，你可以输入“conda list”命令，可以查看目前已经安装的各种工具包库函数，如图1-12所示。如果需要额外安装一些其他的工具包，则可以使用“pip install”命令。如果在安装过程中报错，可以先尝试下载安装包，然后再进行安装。
图1-12
还有一个好用的工具是Jupyter Notebook，Jupyter Notebook相当于在浏览器中完成编程任务，不仅可以写代码，做笔记，而且还可以得到每一步的执行结果。它是一个在浏览器中使用的交互式的笔记本，可以将代码、文字完美地结合起来。
启动Jupyter Notebook，它将在你的默认网页浏览器中打开一个新的标签，如图1-13所示。创建一份新的Notebook，选择“New”下面的“Python 3”选项，即可进入Python的操作和执行窗口，在其中可以运行Python代码，这个过程其实很简单，因为Python代码都是在cell单元格中编写的。在cell单元格中编写好Python代码，然后单击运行，就可以直接在下面看到结果。仔细观察一下，我们可以发现，第一个cell前面有“In [1]:”提示符，第二个cell前面有“In[2]:”提示符，同时也有“Out[2]:”输出符（见图1-14），这是因为如果没有print语句的话，Notebook会将当前cell的最后一条语句的结果以“Out[?]:”的方式输出。
图1-13
图1-14
总的来说，Jupyter Notebook是一个在线编辑器，可以在网页上编辑程序，在编辑的过程中，每次编辑一行代码就可以运行一行代码，运行的结果也就直接显示在代码的下方，方便查看。当所有的程序编写和运行完毕之后，还可以直接把编辑和运行之后的所有信息保存在文件中。这些工具软件的使用不需要死记硬背，在使用过程中需要什么就去查，多用用就能记住了。
很多人会认为工具包已经很成熟了，是不是只要将相应的数据输入工具、框架中，用几行代码指定模型的类型和参数，就能自动计算出结果。既然如此，何必再去学习其中的原理，一步步推导呢？
我的意见是机器学习的原理和数学推导一定要学！此处举个直观的例子：工具就像是武器，学会使用某种工具，只是学会了这种武器最基本的招式和套路。而理论学习即策略学习，决定了在未来真实对战中，遇到对手攻击时，你选取哪些招式套路，如何组合起来去迎敌。
这里有两点建议：
● 熟悉算法原理比实现算法重要：机器学习的本质是数学和统计学的结合，搞懂这些才是王道。我们知道一个模型可能有好多参数，不同参数的设置带来的模型效果可能截然不同，我们只有弄懂了理论原理，才能更好地指导我们选择合适的参数。如果你只是实现了算法，却没有让算法发挥最大的效果，那又有什么意义呢？学习的过程是有些枯燥，本书强调机器学习极简入门，把枯燥的算法用通俗的白话演绎出来，同时又渗透高等数学知识，保持你对数据科学的兴趣和动力。
● 熟悉掌握一个机器学习软件库：成熟的软件库一般包含了绝大多数的机器学习算法，并且在实现上使用了许多的数值计算优化技巧。为了实现自己的需求，我们不必从头实现算法，即使你实现了，你的计算效率也一定没有软件库实现的高，所以我们要熟练使用一个软件库。
机器学习是人工智能的一个重要的子集，深度学习又是机器学习的一个重要的子集，如图1-15所示。机器学习与深度学习都是需要大量数据来“喂”的，同时深度学习还需要更高的运算能力支撑，如GPU。
图1-15
深度学习（Deep Learning，简称DL）属于机器学习的子类。它的灵感来源于人类大脑的工作方式，是用于建立、模拟人脑进行分析学习的神经网络，也是模仿人脑的机制来解释数据的一种机器学习技术。它的基本特点是试图模仿大脑的神经元之间传递、处理信息的模式。最显著的应用是计算机视觉和自然语言处理（NLP）领域。显然，“深度学习”与机器学习中的“神经网络”是强相关的，我们可以将“深度学习”称之为“改良版的神经网络”算法，可理解为包含多个隐藏层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如文本、图像、声音。
神经网络的计算量非常大，事实上在很长时间里由于基础设施技术的限制进展并不大。而GPU的出现让人们看到了曙光，也造就了深度学习的蓬勃发展，“深度学习”才一下子火热起来。
用机器学习的技术，开发算法来感知图像，例如识别图像是不是一个停止标志牌，但是它太容易受环境条件的干扰。如果遇到阴雨天，标志牌变得不是那么清晰可见，算法就难以成功了，但是随着时间的推移，学习算法的发展改变了一切。
人工神经网络（Artificial Neural Network）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构—互相交叉相连的神经元启发。例如：我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们仍以识别停止（Stop）标志牌为例，用神经元进行“检查”，神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测。因为它还是很容易出错的。它最需要的就是几千、上万甚至几百万张图像来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。只有这个时候，我们才可以说神经网络成功地自学习到一个停止标志。
深度学习（Deep Learning）加入了“深度”（Deep）。这里的“深度”就是说神经网络中众多的层。层数非常多，神经元也非常多，然后给系统输入海量的数据来训练。现在，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到识别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与自己下棋进行训练。它训练自己神经网络的方法，就是不断地与自己下棋，反复地下，永不停歇。
机器学习和深度学习都是AI的具体技术实现，但两者区别明显。机器学习更是一种通用型的技术，包括决策树、贝叶斯、支持向量机等算法，也包括神经网络算法。而深度学习深耕神经网络，是深度神经网络算法技术，包括深度卷积网络、深度循环网络等。
机器学习能够适应各种数据量，特别是数据量较小的场景。如果数据量迅速增加，那么深度学习的效果将更加突出，这是因为深度学习算法需要大量的数据才能完美理解。另外，深度学习算法需要高端GPU在大量数据的合理时间内进行训练。这些GPU非常昂贵，但是如果没有它们训练深层网络来实现高性能，这在实践上就不可行。高性能的GPU才能够实现快速计算，在建模上才能花更少时间来分析所有的图像。相对而言，传统的机器学习算法只需要一个CPU就可以训练得很好，而不需要最好的硬件。