原文鏈接：
https://mp.weixin.qq.com/s/PB_n8woxdsWPtrmL8BbehA
機(jī)器學(xué)習(xí)下包含神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，他們之間的關(guān)系表示如圖2-7所示。

圖2-7 關(guān)系圖

那么什么是機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、他們的區(qū)別又是什么呢？

2.7.1 什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)是 人工智能 (AI) 和計(jì)算機(jī)科學(xué)的一個分支，專注于使用數(shù)據(jù)和算法來模仿人類的學(xué)習(xí)方式（構(gòu)建“學(xué)習(xí)”方法），逐步提高其準(zhǔn)確性，模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為。機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。

傳統(tǒng)機(jī)器學(xué)習(xí)的研究方向主要包括決策樹、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯學(xué)習(xí)等方面的研究。這些在2.6章節(jié)的OpenCV庫介紹中有所提及。

機(jī)器學(xué)習(xí)是通過算法使系統(tǒng)自行學(xué)習(xí)和改進(jìn)的過程。機(jī)器學(xué)習(xí)的最終目標(biāo)是設(shè)計(jì)能夠自動幫助系統(tǒng)收集數(shù)據(jù)并使用該數(shù)據(jù)來學(xué)習(xí)更多信息的算法。系統(tǒng)應(yīng)在收集的數(shù)據(jù)中尋找模式，并使用它們?yōu)樽约鹤龀鲋匾獩Q策。機(jī)器學(xué)習(xí)涉及到的7大步驟，如圖2-8所示。

圖2-8 機(jī)器學(xué)習(xí)的步驟

總的來說，機(jī)器學(xué)習(xí)正在讓系統(tǒng)像人類一樣思考和行動，展示與人類相似的智能，并賦予它們大腦。在實(shí)際應(yīng)用中，常見的機(jī)器學(xué)習(xí)用于：

? 將垃圾郵件與正常電子郵件分類；

? 物體和圖像識別；

? 檢測假新聞；

? 理解書面或口頭語言；

? 服務(wù)機(jī)器人；

? 自動駕駛汽車 ；

總之，機(jī)器學(xué)習(xí)程序可以像人類一樣從經(jīng)驗(yàn)（或者準(zhǔn)確地說是數(shù)據(jù)）中學(xué)習(xí)。當(dāng)接觸到新數(shù)據(jù)時(shí)，這些應(yīng)用程序會自行學(xué)習(xí)、成長、改變和拓展。換句話說，機(jī)器學(xué)習(xí)可以通過迭代達(dá)到預(yù)測和實(shí)際最小差距的預(yù)測。機(jī)器學(xué)習(xí)在未來將會被更多的應(yīng)用和接受。

2.7.2 機(jī)器學(xué)習(xí)如何工作？

筆者認(rèn)為，機(jī)器學(xué)習(xí)的工作原理主要分為決策和誤差損失優(yōu)化2部分。

機(jī)器學(xué)習(xí)過程首先將已標(biāo)記的訓(xùn)練數(shù)據(jù)輸入到選定的算法中。算法將將會對這些已標(biāo)記或未標(biāo)記數(shù)據(jù)進(jìn)行估計(jì)，并產(chǎn)生預(yù)測值，然后決策是否進(jìn)行參數(shù)調(diào)整。該過程稱為決策過程。

如果預(yù)測和結(jié)果不匹配，算法會被重新訓(xùn)練多次，直到數(shù)據(jù)科學(xué)家得到想要的結(jié)果。通過誤差函數(shù)（損失函數(shù)）量化預(yù)測和真實(shí)值間的差距。這使機(jī)器學(xué)習(xí)算法能夠不斷地自行學(xué)習(xí)并產(chǎn)生最佳答案，并隨著時(shí)間的推移逐漸提高準(zhǔn)確性。如果模型可以更好地?cái)M合訓(xùn)練集中的數(shù)據(jù)，則調(diào)整權(quán)重以減少真實(shí)與模型預(yù)測之間的差異。該算法將重復(fù)這個“評估和優(yōu)化”過程，自主更新權(quán)重，直到達(dá)到準(zhǔn)確度閾值。

2.7.3 機(jī)器學(xué)習(xí)有哪些不同類型？

機(jī)器學(xué)習(xí)很復(fù)雜，目前主要分為3個方法，監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。實(shí)際中，大約 70% 的機(jī)器學(xué)習(xí)是有監(jiān)督學(xué)習(xí)，而無監(jiān)督學(xué)習(xí)占 10% 到 20%。其余部分由強(qiáng)化學(xué)習(xí)承擔(dān)。

2.7.3.1.監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，我們使用已知或標(biāo)記的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。由于數(shù)據(jù)是已知的，因此被稱為監(jiān)督學(xué)習(xí)。輸入數(shù)據(jù)經(jīng)過機(jī)器學(xué)習(xí)算法并用于訓(xùn)練最后產(chǎn)出模型。根據(jù)已知數(shù)據(jù)訓(xùn)練產(chǎn)出模型后，可以將未知數(shù)據(jù)用于模型并獲得新的響應(yīng)。

特點(diǎn)：

有標(biāo)簽
有反饋
預(yù)測分類或者數(shù)值等結(jié)果

舉例，將蘋果和梨子的圖片分別標(biāo)記為0和1，便有標(biāo)簽為0的蘋果和標(biāo)簽為1的梨子，對這樣的已知圖片和標(biāo)簽進(jìn)行訓(xùn)練，然后使用模型預(yù)測水果，模型算法會嘗試確定圖片是蘋果還是梨子的百分比。

以下是目前用于監(jiān)督學(xué)習(xí)的算法列表：

多項(xiàng)式回歸
隨機(jī)森林
線性回歸
邏輯回歸
決策樹
K-最近鄰
樸素貝葉斯
支持向量機(jī)（SVM)
在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)中也會有監(jiān)督學(xué)習(xí)的應(yīng)用。智能輪式自主移動機(jī)器人也會用到監(jiān)督學(xué)習(xí)。

接下來了解一下無監(jiān)督學(xué)習(xí)。

2.7.3.2.無監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)，也稱為無監(jiān)督機(jī)器學(xué)習(xí)，使用機(jī)器學(xué)習(xí)算法對未標(biāo)記的數(shù)據(jù)集進(jìn)行分析和聚類。在無監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)是未知且未標(biāo)記的——這意味著沒有人看過這些數(shù)據(jù)。該數(shù)據(jù)被送到機(jī)器學(xué)習(xí)算法并用于訓(xùn)練模型。訓(xùn)練后的模型嘗試搜索模式并給出所需的結(jié)果。這些算法無需人工干預(yù)即可發(fā)現(xiàn)隱藏的模式或數(shù)據(jù)分組或者存在的規(guī)律。

例如，在中國有一句俗語，“物以類聚,人以群分,三觀不合,無需強(qiáng)融”，“道不同不相為謀”，將一群人放在一起，無監(jiān)督學(xué)習(xí)算法會發(fā)現(xiàn)其中因三觀造成的問題，從而將人自動分為壞人和好人。

這種方法發(fā)現(xiàn)信息相似性和差異性的能力使其成為探索性數(shù)據(jù)分析、模糊數(shù)據(jù)提取、銷售策略、客戶分類以及圖像和模式識別的理想選擇。

它還可以通過降維方法減少模型中的特征數(shù)量。主成分分析 (PCA) 和奇異值分解 (SVD) 是這方面的兩種常用方法。另外，無監(jiān)督學(xué)習(xí)中使用的其他算法包括神經(jīng)網(wǎng)絡(luò)、k 均值聚類和概率聚類方法。

特點(diǎn)：

無標(biāo)簽
無反饋
總結(jié)出潛在的規(guī)律

如上圖2-7所示的例子中，|“魚龍混雜”，未知圖像由好壞的人組成。經(jīng)過訓(xùn)練的模型試圖將它們放在一起，但算法可能通過探索分析通過 三觀后，得出不同的人群分類。

目前用于無監(jiān)督學(xué)習(xí)的前 7 種算法是：

偏最小二乘
模糊的意思
奇異值分解
K-means 聚類
先驗(yàn)的
層次聚類
主成分分析
在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)中也會有無監(jiān)督學(xué)習(xí)的應(yīng)用。
智能輪式自主移動機(jī)器人也會用到監(jiān)督學(xué)習(xí)。

2.7.3.3.強(qiáng)化學(xué)習(xí)
強(qiáng)化機(jī)器學(xué)習(xí)是一種類似于監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)模型，但該算法不是使用樣本數(shù)據(jù)進(jìn)行訓(xùn)練的。該模型通過反復(fù)試驗(yàn)不斷學(xué)習(xí)。通過獎懲機(jī)制，更多成功的結(jié)果讓程序得到加強(qiáng)，針對給定問題制定最佳建議或政策。換句話說，與傳統(tǒng)類型的數(shù)據(jù)分析一樣，算法也是通過反復(fù)試驗(yàn)來發(fā)現(xiàn)數(shù)據(jù)，然后決定哪些行動會帶來更高的回報(bào)獎勵（reward）。

強(qiáng)化學(xué)習(xí)由三個主要組成部分組成：代理、環(huán)境和動作。代理是學(xué)習(xí)者或決策者，環(huán)境包括代理與之交互的所有內(nèi)容，動作就是代理所做的。機(jī)器人就是代理。

當(dāng)代理選擇在給定時(shí)間內(nèi)最大化預(yù)期獎勵的動作時(shí)，就會發(fā)生強(qiáng)化學(xué)習(xí)。當(dāng)代理在健全的策略框架內(nèi)工作時(shí)，這是最容易實(shí)現(xiàn)的。

特點(diǎn)：

決策處理
獎懲機(jī)制
學(xué)習(xí)-行動產(chǎn)出

2.7.3.4小結(jié)
通過本節(jié)內(nèi)容可知道，機(jī)器學(xué)習(xí)種類繁多，意味著需要有一定場景甄別能力。
機(jī)器學(xué)習(xí)的運(yùn)用大大的考驗(yàn)我們的分析能力，因?yàn)橹挥袑?shù)據(jù)場景有著清晰的認(rèn)識才能選擇合適的機(jī)器學(xué)習(xí)方法。
三類學(xué)習(xí)各有優(yōu)劣，也都能同時(shí)解決同類問題，這時(shí)需要從更多的角度考慮問題，比如成本、穩(wěn)定、性能等方面。

筆者總結(jié)了一些機(jī)器人場景下的模型應(yīng)用。
機(jī)器人防碰撞 強(qiáng)化學(xué)習(xí)、監(jiān)督學(xué)習(xí)
機(jī)器人運(yùn)行模式 識別 監(jiān)督學(xué)習(xí)
機(jī)器人視覺分類 圖像SVM等
機(jī)器人IMU 9軸陀螺儀 監(jiān)督學(xué)習(xí)

2.7.4 如何決定使用哪種機(jī)器學(xué)習(xí)算法？
有數(shù)十種不同的算法可供選擇，但沒有哪種算法能夠“一勞永逸”。在許多情況下，必須進(jìn)行反復(fù)試驗(yàn)才能獲得一個理想的結(jié)果。選擇什么樣的方法可以通過一些特點(diǎn)來縮小范圍。

想獲取什么樣的結(jié)果，0或1還是具體數(shù)值或者其他？
使用的數(shù)據(jù)大小是多少，大批量或小批量？
使用什么類型的數(shù)據(jù)，維度、時(shí)間序列、圖像矩陣？
希望從數(shù)據(jù)中獲得什么樣的特征，維度、時(shí)間序列、圖像矩陣？
對數(shù)據(jù)認(rèn)識足夠清晰，這些“清晰的認(rèn)識”將如何使用？
數(shù)據(jù)量太大，是否選擇降維算法提取數(shù)據(jù)？

提示：原始數(shù)據(jù)包含大量信息——挑戰(zhàn)在于識別重要的模式和變量。決策樹、因子分析、缺失值比和隨機(jī)森林等降維算法可以幫助您找到相關(guān)細(xì)節(jié)。

2.7.5 機(jī)器學(xué)習(xí)的最佳編程語言是什么？
目前根據(jù)受歡迎的程度來看，那么 Python最 “得意”了，這要?dú)w功于許多可用的庫以及廣泛的支持。Python 是數(shù)據(jù)分析和數(shù)據(jù)挖掘的理想選擇，并支持許多算法（用于分類、聚類、回歸和降維）和機(jī)器學(xué)習(xí)模型。

機(jī)器學(xué)習(xí)是一個奇妙的新科學(xué)分支，正在慢慢接管日常生活。從定向廣告到癌細(xì)胞識別，機(jī)器學(xué)習(xí)無處不在。

例如當(dāng)前流行的框架pytorch、tensorflow keras 都是基于python擴(kuò)大根據(jù)地的。

當(dāng)然，機(jī)器學(xué)習(xí)的開發(fā)語言還有c?c++,在機(jī)器人終端，除了python之外，c/c++絕對是更合適的語言，因?yàn)闄C(jī)器人對響應(yīng)速度要求較高，而c?c++能做到這些。

2.7.6 機(jī)器學(xué)習(xí)步驟

在第2.7.1章節(jié)提到過步驟，本章節(jié)具體說明。它可以分為7個主要步驟：

2.7.6.1 收集數(shù)據(jù)
數(shù)據(jù)分為多維序列數(shù)據(jù)和圖片數(shù)據(jù)、時(shí)間序列數(shù)據(jù)。

例如：

由3個震動傳感器采集的數(shù)據(jù)組成3維的數(shù)據(jù)。
圖片是二維矩陣數(shù)據(jù)。
聲音屬于時(shí)間序列數(shù)據(jù)。

收集可靠的數(shù)據(jù)至關(guān)重要，這樣您的機(jī)器學(xué)習(xí)模型才能找到正確的工作模式。如果有不正確或過時(shí)的數(shù)據(jù)，將得到錯誤結(jié)果或預(yù)測。

例如質(zhì)量好的數(shù)據(jù)是相關(guān)的，包含很少的缺失值和重復(fù)值，沒有干擾性和隨機(jī)性，并且可以很好地表示存在的標(biāo)簽類別。

數(shù)據(jù)的收集可以采用仿真環(huán)境的模式，這樣可以收集干凈的數(shù)據(jù)，有必要，需要根據(jù)實(shí)際環(huán)境收集數(shù)據(jù)。收集數(shù)據(jù)由于量大所以需要考慮其批量處理能力和自動話能力。

2.7.6.2 準(zhǔn)備數(shù)據(jù)：
獲得數(shù)據(jù)后首先對數(shù)據(jù)進(jìn)行整理，如果是圖片需要刪除不清晰的圖片?？梢酝ㄟ^以下方式執(zhí)行優(yōu)化：

均一化。
隨機(jī)化；將您擁有的所有數(shù)據(jù)放在一起并隨機(jī)化。這有助于確保數(shù)據(jù)均勻分布，并且排序不會影響學(xué)習(xí)過程。
清理數(shù)據(jù)以刪除不需要的數(shù)據(jù)、缺失值、行和列、重復(fù)值、數(shù)據(jù)類型轉(zhuǎn)換等。
可視化數(shù)據(jù)可以方筆了解結(jié)構(gòu)并了解各種變量和存在的類之間的關(guān)系。將清理后的數(shù)據(jù)分成兩組——一個訓(xùn)練集和一個測試集。訓(xùn)練集是您的模型從中學(xué)習(xí)的集合。測試集用于在訓(xùn)練后檢查模型的準(zhǔn)確性。
例如某數(shù)據(jù)集的文件路勁為訓(xùn)練集（train）和驗(yàn)證集(val),通過via標(biāo)注工具各生成一個區(qū)域標(biāo)注的標(biāo)簽文件（后綴為json）。

lid@LAPTOP-85KPM8J9:/mnt/e/machineLearn/buildings_datasets$  tree -L 2

.

├── train

│   ├──  0000002_0003951_0000003_0000759.jpg

│   ├──  0004-0143409_p.jpg

│   ├──  0004-0143410_i.jpg

…

│   └──  via_region_data.json

└── val

    ├── P2VBr3KZuYBOF1QA-DIRrQ.jpg

    ├── P3dr3y0NZpnQsTcjIW-x9U.jpg

    ├── P4we3TZeMBwNVD2Q8KyegQ.jpg

     …

    ├── via_region_data.json

數(shù)據(jù)集存在的形式可以自定義，但最終需要通過程序讀取，所以，為了更快的讀取數(shù)據(jù)集，可以遵循常見的數(shù)據(jù)集結(jié)構(gòu)，例如pasvoc,minisit等。

2.7.6.3 選擇模型：
機(jī)器學(xué)習(xí)模型確定在收集的數(shù)據(jù)上運(yùn)行機(jī)器學(xué)習(xí)算法后獲得的輸出。選擇與手頭任務(wù)相關(guān)的模型很重要。多年來，科學(xué)家和工程師開發(fā)了適用于語音識別、圖像識別、預(yù)測、分類等不同任務(wù)的各種模型。

例如從分類還是預(yù)測的角度選擇：

例如預(yù)測房價(jià)、預(yù)測速度、預(yù)測角度等具體數(shù)值時(shí)需要回歸類的模型不需要分類的模型，對應(yīng)的激活函數(shù)也會有不同的選擇。

從數(shù)據(jù)的結(jié)構(gòu)選擇模型：

圖像數(shù)據(jù)可以選擇卷積網(wǎng)絡(luò)、聲音選擇時(shí)間序列模型等。

2.7.6.4 訓(xùn)練模型：
訓(xùn)練是機(jī)器學(xué)習(xí)中最重要的一步。在訓(xùn)練中，您將準(zhǔn)備好的數(shù)據(jù)傳遞給機(jī)器學(xué)習(xí)模型以查找模式并進(jìn)行預(yù)測。它導(dǎo)致模型從數(shù)據(jù)中學(xué)習(xí)，以便它可以完成任務(wù)集。隨著時(shí)間的推移，通過訓(xùn)練，模型在預(yù)測方面變得更好。

使用keras或者pytorch 現(xiàn)有的訓(xùn)練框架，能夠省區(qū)很多編碼訓(xùn)練模型的時(shí)間，另外訓(xùn)練時(shí)通過matlotlib可視化可以幫助分析訓(xùn)練的效果如何。

例如pytorc通過構(gòu)建迭代、優(yōu)化、反向傳播構(gòu)建訓(xùn)練器。

TrainSize,SensorNNData,SensorNNLabels  = PreprocessData()

    print ('Total Epoch %d,epoch TrainSize  %d' %(NumEpochs,TrainSize))

    loss_vals=  []

    for j in range(NumEpochs):#迭代器

        losses = 0

        for i in range(TrainSize): 

            input_values =  Variable(SensorNNData[i])

            labels =  Variable(SensorNNLabels[i])

            #print(input_values)

            #print(labels)

            # Forward + Backward + Optimize

            optimizer.zero_grad()#每次訓(xùn)練需要清除梯度

            outputs = net(input_values)#需要訓(xùn)練的網(wǎng)絡(luò)

            loss = criterion(outputs, labels)

            loss.backward()#反向傳播

            optimizer.step()#優(yōu)化器

            losses += loss.item()#損失函數(shù)

2.7.6.5 評估模型：
訓(xùn)練模型后，您必須檢查它的性能。

通過在以前看不見的數(shù)據(jù)上測試模型的性能來完成的。

這個時(shí)候測試集就起到作用了，環(huán)環(huán)相扣。

注意：不要用訓(xùn)練的相同數(shù)據(jù)進(jìn)行測試， 無法獲得準(zhǔn)確的測量結(jié)果，因?yàn)槟Ｐ鸵呀?jīng)使用了數(shù)據(jù)，并在其中找到了與以前相同的模式。

評估模型也可以通過多次訓(xùn)練設(shè)置不同的參數(shù)得到不同的結(jié)果來分析對比。

2.7.6.6 參數(shù)調(diào)優(yōu)：
創(chuàng)建并評估模型后，看看是否可以通過任何方式提高其準(zhǔn)確性。這是通過調(diào)整模型中存在的參數(shù)來完成的。參數(shù)是程序員通常決定的模型中的變量。在您的參數(shù)的特定值下，精度將是最大值。參數(shù)調(diào)整是指找到這些值。

2.7.6.7 做出預(yù)測
最后，您可以使用您的模型對看不見的數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測。文章來源地址http://www.zghlxwxcb.cn/news/detail-458434.html

到了這里，關(guān)于人工智能與機(jī)器人|機(jī)器學(xué)習(xí)的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！