數(shù)據(jù)收集和預處理：在這一步中，需要從不同的數(shù)據(jù)源收集數(shù)據(jù)，包括結(jié)構(gòu)化數(shù)據(jù)(例如數(shù)據(jù)庫中的表格數(shù)據(jù))和非結(jié)構(gòu)化數(shù)據(jù)(例如文本、圖像和音頻)。然后需要對數(shù)據(jù)進行預處理，例如數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和特征提取等操作，以便用于模型訓練。特征工程：在這一步中，需要根據(jù)預處理后的數(shù)據(jù)選擇合適的特征，以便用于模型訓練。特征工程可以包括特征選擇、特征提取、特征轉(zhuǎn)換和特征降維等操作。模型選擇和訓練：在這一步中，需要根據(jù)特定問題的要求選擇合適的模型，并使用已經(jīng)預處理和特征工程的數(shù)據(jù)對其進行訓練。常用的模型包括線性回歸、邏輯回歸、決策樹、支持向量機、神經(jīng)網(wǎng)絡和深度學習模型等。模型評估和調(diào)優(yōu)：在模型訓練完成后，需要對模型進行評估和調(diào)優(yōu)。評估模型的常見方法包括精度、召回率、F1 值、ROC 曲線和 AUC 等指標。在評估過程中，還需要進行超參數(shù)調(diào)優(yōu)，例如學習率、正則化參數(shù)等，以優(yōu)化模型性能。模型部署：在模型評估和調(diào)優(yōu)后，需要將模型部署到實際環(huán)境中。這包括將模型集成到應用程序中、構(gòu)建 API 接口、進行批量推理或流式推理等。模型監(jiān)控和維護：一旦模型被部署到實際環(huán)境中，需要進行模型監(jiān)控和維護。這包括監(jiān)控模型的性能、更新模型、修復錯誤和改進模型等操作。部署機器學習的過程涉及多個步驟。首先選擇一個模型，針對特定任務加以訓練，用測試數(shù)據(jù)進行驗證，然后，將該模型部署到實際系統(tǒng)中并進行監(jiān)控。在本文中，我們將討論這些步驟，將每個步驟拆分講解來介紹機器學習。

機器學習是指在沒有明確指令的情況下能夠?qū)W習和加以改進的系統(tǒng)。這些系統(tǒng)從數(shù)據(jù)中學習，用于執(zhí)行特定的任務或功能。在某些情況下，學習，或者更具體地說，訓練，是在受監(jiān)督的方式下進行，當輸出不正確時對模型加以調(diào)整，使其生成正確的輸出。在其他情況下，則實行無監(jiān)督學習，由系統(tǒng)負責梳理數(shù)據(jù)來發(fā)現(xiàn)以前未知的模式。大多數(shù)機器學習模型都是遵循這兩種范式(監(jiān)督學習與無監(jiān)督學習)。

現(xiàn)在，讓我們深入研究“模型”的含義，然后探究數(shù)據(jù)如何成為機器學習的燃料。

機器學習模型

模型是機器學習解決方案的抽象化表述。模型定義架構(gòu)，架構(gòu)經(jīng)過訓練變成產(chǎn)品實現(xiàn)。所以，我們不是部署模型，而是部署經(jīng)過數(shù)據(jù)訓練的模型的實現(xiàn)(在下一節(jié)中有更加詳細的介紹)。模型 + 數(shù)據(jù) + 訓練=機器學習解決方案的實例(圖1)。

機器學習解決方案代表一個系統(tǒng)。它們接受輸入，在網(wǎng)絡中執(zhí)行不同類型的計算，然后提供輸出。輸入和輸出代表數(shù)值型數(shù)據(jù)，這意味著，在某些情況下，需要轉(zhuǎn)譯。例如，將文本數(shù)據(jù)輸入深度學習網(wǎng)絡需要將單詞編碼成數(shù)字形式，考慮到可以使用的單詞的多樣性，該數(shù)字形式通常是高維向量。同樣，輸出可能需要從數(shù)字形式轉(zhuǎn)譯回文本形式。

機器學習模型有多種類型，如神經(jīng)網(wǎng)絡模型、貝葉斯 (Bayesian) 模型、回歸模型、聚類模型等。您選擇的模型是基于著手解決的問題。

對于神經(jīng)網(wǎng)絡來說，模型從淺多層網(wǎng)絡到深度神經(jīng)網(wǎng)絡，類型豐富，而深度神經(jīng)網(wǎng)絡還包括多層特化神經(jīng)元(處理單元)。深度神經(jīng)網(wǎng)絡還有一系列基于目標應用的可用模型。例如：

如果您的應用側(cè)重于識別圖像中的對象，那么卷積神經(jīng)網(wǎng)絡 (CNN) 就是理想的模型。CNN已被應用于皮膚癌檢測，效果優(yōu)于皮膚科醫(yī)生的平均水平。

如果您的應用涉及預測或生成復雜序列(如人類語言句子)，那么遞歸神經(jīng)網(wǎng)絡 (RNN) 或長短期記憶網(wǎng)絡 (LSTM) 是理想模型。LSTM也已經(jīng)應用到人類語言的機器翻譯中。

如果您的應用涉及用人類語言描述圖像內(nèi)容，可以使用CNN和LSTM的組合(圖像輸入CNN，CNN的輸出代表LSTM的輸入，后者發(fā)出詞匯序列)。

如果您的應用涉及生成現(xiàn)實圖像(如風景或人臉)，那么生成對抗網(wǎng)絡 (GAN) 是當前最先進的模型。

這些模型代表了當今常用的部分深層神經(jīng)網(wǎng)絡架構(gòu)。深度神經(jīng)網(wǎng)絡深受歡迎，因為它們可以接受非結(jié)構(gòu)化數(shù)據(jù)，如圖像、視頻或音頻信息。網(wǎng)絡中的各層構(gòu)成一個特征層次結(jié)構(gòu)，使它們能夠?qū)Ψ浅碗s的信息進行分類。深度神經(jīng)網(wǎng)絡已經(jīng)在許多問題領(lǐng)域展示出先進的性能。但是像其他機器學習模型一樣，它們的準確性依賴于數(shù)據(jù)。接下來我們就探討一下這個方面。

數(shù)據(jù)和訓練

無論在運算中，還是在通過模型訓練構(gòu)建機器學習解決方案的過程中，數(shù)據(jù)皆為驅(qū)動機器學習的燃料。對于深度神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，探索數(shù)量和質(zhì)量前提下的必要數(shù)據(jù)至關(guān)重要。

深度神經(jīng)網(wǎng)絡需要大量數(shù)據(jù)進行訓練;按經(jīng)驗來說，圖像分類中每類需要1,000張圖像。但具體答案顯然取決于模型的復雜度和容錯度。實際機器學習解決方案中的一些示例表明，數(shù)據(jù)集有各種大小。一個面部檢測和識別系統(tǒng)需要45萬張圖像，一個問答聊天機器人需要接受20萬個問題和200萬個匹配答案的訓練。根據(jù)要解決的問題，有時較小的數(shù)據(jù)集也足夠。一個情感分析解決方案(根據(jù)書面文本確定觀點的極性)只需要數(shù)萬個樣本。

數(shù)據(jù)的質(zhì)量和數(shù)量同等重要。鑒于訓練需要大數(shù)據(jù)集，即使少量的錯誤訓練數(shù)據(jù)也會導致糟糕的解決方案。根據(jù)所需的數(shù)據(jù)類型，數(shù)據(jù)可能會經(jīng)歷一個清洗過程。此過程確保數(shù)據(jù)集一致、沒有重復數(shù)據(jù)且準確、完整(沒有無效或不完整數(shù)據(jù))。有可以支持此過程的工具。驗證數(shù)據(jù)的偏差也很重要，確保數(shù)據(jù)不會導致有偏差的機器學習解決方案。

機器學習訓練對數(shù)值型數(shù)據(jù)進行運算，因此，根據(jù)您的解決方案，可能需要預處理步驟。例如，如果數(shù)據(jù)是人類語言，其必須首先轉(zhuǎn)譯為數(shù)字形式才能處理?？梢詫D像進行預處理以保持一致性。例如，除了其他運算外，輸入深度神經(jīng)網(wǎng)絡的圖像還需要調(diào)整大小和平滑處理，以去除噪聲。

機器學習中最大的問題之一是獲取數(shù)據(jù)集來訓練機器學習解決方案。根據(jù)您的具體問題，這個工作量可能非常大，因為可能沒有現(xiàn)成的數(shù)據(jù)，需要您另外設(shè)法獲取。

最后，應該分割數(shù)據(jù)集，分別用作訓練數(shù)據(jù)和測試數(shù)據(jù)。訓練數(shù)據(jù)用于訓練模型，在訓練完成后，測試數(shù)據(jù)用于驗證解決方案的準確性(圖2)。

有工具來幫助完成這個過程，大多數(shù)框架都擁有“分割”功能，用于分割訓練和測試數(shù)據(jù)?，F(xiàn)在我們來看一些簡化機器學習解決方案構(gòu)造的框架。

框架

現(xiàn)在，不再需要從頭開始構(gòu)建機器學習模型。您可以使用包含這些模型和其他工具的框架來準備數(shù)據(jù)和驗證您的解決方案。這些框架還提供用于部署解決方案的環(huán)境。選擇哪個框架通常取決于您的熟悉程度，但在剛開始的時候可以選擇一個適合您要使用的應用與模型的框架。

TensorFlow是最好的深度學習框架。它支持所有流行的模型(CNN、RNN、LSTM等)，并允許您使用Python或C++進行開發(fā)。從高端服務器到移動設(shè)備，均可部署TensorFlow解決方案。如果您剛剛上手，TensorFlow是一個不錯的起點，它有教程和豐富的文檔。

CAFFE最初是一個學術(shù)項目，但在發(fā)布到開源后，已經(jīng)發(fā)展成為一個流行的深度學習框架。CAFFE采用C++編寫，但也支持Python模型開發(fā)。同TensorFlow一樣，它也支持廣泛的深度學習模型。

PyTorch的框架中。PyTorch是另一個很好的選擇，它基于豐富的可用信息，包括構(gòu)建不同類型解決方案的實踐教程。

R語言和環(huán)境是機器學習和數(shù)據(jù)科學的流行工具。其為交互式工具，可幫助您逐步構(gòu)建解決方案的原型，同時分階段查看結(jié)果。有了Keras(一個開源的神經(jīng)網(wǎng)絡庫)，您可以用極少量的開發(fā)投入來構(gòu)建CNN和RNN。

模型審核

一旦模型經(jīng)過訓練并滿足了準確性要求，即可部署到生產(chǎn)系統(tǒng)中。但是到了這一步就需要審核解決方案，以確保其符合要求?？紤]到?jīng)Q策是由模型來做以及對人們的影響，這一點尤為重要。

有些機器學習模型是透明的，可以理解(例如，決策樹)。但深度神經(jīng)網(wǎng)絡等其他模型被認為是“黑箱”，決策是由數(shù)百萬個無法用模型本身解釋的計算做出的。因此，過去一度可以接受定期審核，但是，連續(xù)審核正在迅速成為這些暗箱情況下的標配，因為錯誤是不可避免的。一旦發(fā)現(xiàn)錯誤，這些信息可以用作調(diào)整模型的數(shù)據(jù)。

另一個考慮是解決方案的生命周期。模型會衰退，輸入數(shù)據(jù)會發(fā)生變化，從而導致模型性能的變化。因此，必須接受解決方案隨著時間的推移會變得羸弱，機器學習解決方案必須隨著周圍世界的變化而不斷做出改變。

為了部署機器學習解決方案，我們從一個問題開始，然后考慮可能的解決模型。接下來是獲取數(shù)據(jù)，經(jīng)過正確清理和分割，就可以使用機器學習框架訓練和驗證模型。并非所有的框架都是相同的，您可以根據(jù)您的模型和經(jīng)驗來選擇和應用。然后，使用該框架部署機器學習解決方案，通過適當?shù)膶徍?，解決方案可以在真實世界中使用實時數(shù)據(jù)進行運算。

今天的人工智能，其實是把現(xiàn)實生活中的問題量化成了可計算的問題，然后用計算機算出來。數(shù)學模型則架起了中間的橋梁。

現(xiàn)實生活中，很多問題都可以通過建模解決。比如計算遠程火炮彈道問題，計算日食、月食出現(xiàn)的時間和地點等。我們只要把相應公式用計算機語言寫一遍，再代入?yún)?shù)，就能計算出來。

然而，更多問題的解決方法是不確定的。即使我們找到了相應的數(shù)學模型，也不知道應該代入什么參數(shù)。比如語音識別、人臉識別和機器翻譯等。因此，我們需要讓計算機通過自主學習，從大量數(shù)據(jù)中得到相應參數(shù)。這個過程，就是機器學習。

機器學習旨在發(fā)現(xiàn)數(shù)據(jù)存在和利用的模式，并用它們進行學習及做出預測。機器學習的過程，就是用計算機算法不斷地優(yōu)化模型，讓它越來越接近真實情況的過程。它與人類學習的道理如出一轍。

考察人的學習通常方式是考試，如果分數(shù)不及格，就需要進一步學習。機器學習也要這樣來衡量，它的目標用專業(yè)術(shù)語來說，就是“期望值最大化”。

機器學習的效果取決于兩個方面：一方面是學習的深度。機器學習并不能“一口吃成個胖子”，它的訓練算法需要迭代執(zhí)行。這如同人在學習時要通過復習來“溫故而知新”一樣。機器學習迭代的次數(shù)越多，即學習得越深入，得到的數(shù)學模型效果越好。另一方面是數(shù)據(jù)的質(zhì)與量。正如我們做大量優(yōu)質(zhì)習題，成績就會提高。機器學習也是如此，訓練數(shù)據(jù)量越大，學習效果就會越好。

根據(jù)數(shù)學模型的特點，機器學習有兩種方法：一種是利用已知模型進行訓練;另一種是在模型未知的情況下，設(shè)計一些簡單通用的模型結(jié)構(gòu)，然后使用大量的數(shù)據(jù)進行訓練，訓練成什么樣就是什么樣。這便是我們常聽到的人工智能“黑箱”問題，即使訓練有效，也不清楚里面是什么。

深度學習就是后一種機器學習的方法。人工智能涵蓋的領(lǐng)域十分廣泛，深度學習只是其中的一個分支，屬于機器學習的范疇。人工智能需要有“獨立思考”能力與機器學習技術(shù)的支持，深度學習便是幫助機器實現(xiàn)“獨立思考”的一種方式。