盲目学习如何解决人工智能的困境

来源：CPDA数据分析师网　/　时间：2021-06-02

机器学习在我们的日常生活中根深蒂固
它是我们垃圾邮件过滤器机制、语音命令智能手机解释和任何在搜索引擎上搜索的一部分，现在几点了？机器学习很有可能在你生活的某个地方帮助你，那么什么是机器学习？机器学习存在于计算机科学和统计学的交叉点，定义问题，在研究机器学习模型甚至开始收集数据之前，应该先定义需要解决的问题，请记住终计算机程序应该查看数据、测量值并预测一些结果。明确的问题定义将防止使用错误的机器学习工具或数据集。

清理/转换数据
在使用之前准备和理解数据集总是很重要的。在处理机器学习和大数据时，它变得至关重要，每一个小错误都可能导致对预期结果的巨大影响。更多的数据并不总是更好的结果，选择正确的工具，机器学习利用一组工具和技术来解决多种类型的问题，一旦您定义了问题并确定了现有数据集，就必须选择正确的工具，请记住机器学习始终是关于估计和做出猜测，所以不要期望的结果，始终存在误差、噪声、相关系数和其他此类缺陷，所以机器学习也是关于试错的。

了解机器学习算法
以下是一些您应该注意的技术机器学习 101 术语，监督学习——当数据点具有分配给它们的“标签”以“教导”每个输入的预期输出时，该算法将对标记数据进行训练并预测新输入的标签，无监督学习——没有可用于训练算法的标签，让它自己在输入中寻找结构。

分类与回归
分类是指结果应该是 n 个值中的 1 个，并且每个错误的预测都同样错误。例如，如果您尝试对物品的图像进行分类，将猫识别为房子并不比将狗识别为房子更好或更差，通过分类，输出变量采用类别标签，当值之间存在某种距离感时使用回归。例如，如果市场股票的实际价值为 150 元，而您预测为 149.4 元，这是一个非常好的预测，而 10 元的预测要差得多。通过回归，输出变量采用连续值（在我们的示例中应该是市场股票价值）。

聚类
与分类类似，在聚类中我们试图对数据进行分组，只是数据没有预先标记。聚类查看相关性，看看是否可以根据相似性将数据分组，由于聚类没有预定义的标签，它在训练期间使用无监督学习方法。

降维
许多现代机器学习问题采用多个维度的数据来构建使用许多系数的预测。降维通过将数据映射到低维空间来简化数据处理。在许多情况下，在进行降维阶段之前，应将非数字值转换为数字值。

展示结果/预测
机器学习的一课是：展示你的结果！确保以视觉上引人注目、易于理解的方式呈现它们。

证实
无论你得到什么结果，都要在真实的“外部”数据上验证这些结果，内部测试不能替代实际的生产环境。

简化
在大多数情况下，机器学习“消费者”不是数据科学家，他们也没有任何统计专业知识，甚至没有数据集知识。他们想要的就是一个答案。结果的示例可能是“77 具有 30% 的误差幅度”、“10/90 比率”、“真/假”等。尝试玩弄结果，并用简单的英语单词与复杂的公式或无意义的数字来呈现它们。

改善结果
考虑模型在哪些方面不能正常工作或模型没有回答哪些部分。回到初的问题定义并将其与结果进行比较。大多数机器学习算法可以接受强化和调整参数，以改善未来预测的结果。

报告

就像大多数算命先生都知道的那样，呈现预测与预测本身一样重要，可视化是呈现机器学习结果的方式之一，带有仪表板和向下钻取功能的交互式报告可以更好地了解结果，在教我们任何东西之前，机器学习应该“学习”，因此应该很好地实现问题定义、数据清理、模型使用和呈现，结果将是惊人的！

开班信息

【武汉28期】CPDA数据分析师线下培训开班公告

https://www.chinacpda.com/openclass/detail/?id=2681

【北京108期】CPDA数据分析师线下培训开班公告

https://www.chinacpda.com/openclass/detail/?id=2645

【上海60期】CPDA数据分析师线下培训开班公告

https://www.chinacpda.com/openclass/detail/?id=2706

CPDA企业内训

https://www.cpda.cn/trainning/

大数据人才培养优秀合作机构受邀参会交流经验

https://www.chinacpda.com/data/detail/?id=2729