第一周 AI 学习总结：从理论到实战

WiseZ
318 阅读5分钟

第一周 AI 学习总结：从理论到实战

引言

作为一名拥有近7年开发经验的程序员，我曾在美团工作4年，目前在字节跳动已经快3年。在应用开发领域，我已经积累了丰富的经验，但近年来逐渐感受到职业发展的瓶颈。与此同时，我所在的部门也在积极探索 AI 相关项目，这让我意识到，人工智能不仅是行业的未来趋势，也是我个人职业发展的新方向。

为了突破瓶颈、提升竞争力，我决定主动学习人工智能相关知识。第一周的学习主要集中在机器学习的基础知识和实战应用上。通过吴恩达的机器学习课程和 Kaggle 的实战项目，我对监督学习、无监督学习、线性回归、决策树等核心概念有了初步的理解，并通过房价预测项目体验了机器学习的完整流程。以下是我的学习总结和心得体会。

一、学习资料与思路

1. 学习资料

  • 文字资料： Kaggle 网站上的入门教程。
  • 视频资料： B 站上的《吴恩达机器学习》课程。

2. 学习思路

  • 理论结合实战： 通过吴恩达的课程学习机器学习的基础理论，结合 Kaggle 的实战项目巩固知识。
  • 从简单到复杂： 从线性回归、决策树等基础模型入手，逐步深入理解机器学习的核心概念。

二、核心知识总结

1. 机器学习基础

  • 机器学习是什么？

    • 机器学习是人工智能的一个子领域，核心思想是通过数据训练模型，让计算机从数据中学习，而不是通过明确的编程规则。
    • 根据数据是否有标签，机器学习可以分为：
      • 监督学习： 从带标签的数据中学习，用于预测新数据的输出。
      • 无监督学习： 从无标签的数据中学习，用于发现数据的潜在结构。

  • 监督学习 vs 无监督学习

    方面监督学习无监督学习
    数据要求需要标注数据（输入和输出）不需要标注数据
    目标预测新数据的输出发现数据中的结构或模式
    典型任务回归、分类聚类、降维
    示例房价预测、垃圾邮件分类客户分群、图像压缩

2. 监督学习：线性回归

  • 线性回归模型：

    • 用于预测连续值，目标是找到一条直线，使得预测值与真实值之间的误差最小。
    • 关键词：
      • 模型： ( y = wx + b )
      • 损失函数： 均方误差（MSE），用于衡量预测值与真实值之间的误差。
      • 目标： 通过梯度下降算法找到损失函数的最小值。

  • 梯度下降算法：

    • 通过迭代更新模型参数（( w ) 和 ( b )），逐步减小损失函数的值。
    • 学习率：
      • 学习率过小：训练速度慢。
      • 学习率过大：可能导致无法收敛。

3. 无监督学习：聚类

  • 聚类：
    • 将数据分为不同的组，使得同一组内的数据相似，不同组之间的数据差异较大。
    • 常用算法： K-Means、层次聚类。

4. 机器学习流程

  • 1. 加载数据： 使用 Pandas 读取 CSV 文件。
  • 2. 选择模型： 根据任务选择合适的模型（如决策树、随机森林）。
  • 3. 训练模型： 将训练数据传递给模型进行训练。
  • 4. 预测结果： 使用测试数据进行预测。
  • 5. 评估模型： 使用评估指标（如 MAE、MSE）衡量模型性能。

三、实战项目：房价预测

1. 项目概述

  • 目标： 预测墨尔本房价。
  • 数据集： Kaggle 提供的 Melbourne Housing 数据集。
  • 工具： Pandas、Scikit-learn。

2. 核心代码

# 导入库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_absolute_error

# 读取数据
melbourne_file_path = "../data_set/melb_data.csv"
melbourne_data = pd.read_csv(melbourne_file_path)

# 选择特征和目标变量
melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']
X = melbourne_data[melbourne_features]
y = melbourne_data.Price

# 划分训练集和测试集
train_X, val_X, train_y, val_y = train_test_split(X, y, random_state=0)

# 训练决策树模型
melbourne_model = DecisionTreeRegressor(random_state=1)
melbourne_model.fit(train_X, train_y)

# 预测并评估模型
val_predictions = melbourne_model.predict(val_X)
val_mae = mean_absolute_error(val_y, val_predictions)
print(f"Mean Absolute Error: {val_mae}")

四、学习心得

  1. 理论与实践结合：  通过吴恩达的课程学习理论，再通过 Kaggle 的实战项目巩固知识，这种学习方式非常高效。
  2. 从简单到复杂：  从线性回归、决策树等基础模型入手，逐步深入理解机器学习的核心概念。
  3. 工具的重要性：  Pandas 和 Scikit-learn 是机器学习中非常强大的工具，熟练掌握它们可以大大提高开发效率。

五、下一步计划

  1. 深入学习：  继续学习吴恩达的课程，了解逻辑回归、支持向量机等算法。
  2. 更多实战：  尝试 Kaggle 上的其他项目，如图像分类、自然语言处理。
  3. 分享与交流：  将学习笔记和项目经验分享到博客或社区，与更多人交流。

结语

第一周的 AI 学习让我对机器学习有了初步的了解，也让我意识到这是一个充满挑战和机遇的领域。希望通过持续的学习和实践，我能够在这个领域取得更大的进步。如果你也对 AI 感兴趣，欢迎一起交流学习！

avatar
文章
阅读
粉丝