xDev Asia

將人工智慧/機器學習/深度學習與現實生活中的例子進行比較。引入端到端工作流程和實踐導向的機器學習學習思維。

機器學習：從基礎到高級

第 0 部分：新手入門（第 0 週）

亞洲開發網

簡介

如果你是機器學習新手，最難的往往不是程式碼，而是感覺一切都太廣泛：模型、資料、指標、訓練/測試，然後加入人工智慧、深度學習、法學碩士。本文的使命是做一件非常明確的事情：創建一個整體地圖，讓您了解自己在學習什麼、學習的目的以及學習的順序，這樣您就不會不知所措。

課程目標

區分人工智慧、機器學習、深度學習和資料科學
直觀地了解端到端的機器學習流程
知道哪些問題應該使用機器學習來解決，哪些問題不需要機器學習

1.什麼是機器學習？

機器學習是電腦從資料中學習規則的一種方式，而不是我們手動編寫所有規則。

例如：

垃圾郵件問題：我們沒有編寫數百條規則，例如“如果有一個詞是空閒的，那麼它就是垃圾郵件”，而是為模型提供數千封標記為垃圾郵件/非垃圾郵件的電子郵件，以便它可以自行學習模式。
房價預測問題：模型學習面積、地點、房間數量、房屋年齡和售價之間的關係。

重要的一點：機器學習不像人類那樣「智能」。只有數據夠好、目標夠明確，它才善於發現統計規律。

2. 區分容易混淆的概念

概念	簡短意義	範例
人工智慧	最廣泛的概念：讓機器表現得像智慧	聊天機器人、人工智慧遊戲
機器學習	從資料中學習的人工智慧分支	流失預測、詐欺偵測
深度學習	ML 使用多層神經網路	影像辨識、語音辨識
資料科學	挖掘資料以獲得洞察力和決策支援	儀表板、群組分析

快速記憶法：

人工智慧是「大盒子」。
ML 是一種流行的人工智慧方式。
深度學習是機器學習中的一組技巧。
資料科學與機器學習並不完全相同，但它使用機器學習作為強大的工具。

3. 端對端機器學習管道

真正的機器學習專案通常遵循以下流程：

識別業務問題。
將業務問題轉化為預測問題。
收集和理解數據。
選擇評估指標。
建立基線。
比基線更好地訓練模型。
檢查錯誤並解釋結果。
將模型投入使用。
監控漂移並在需要時重新訓練。

流失問題範例：

業務問題：哪些客戶即將離開服務？
機器學習公式：預測客戶在未來 30 天內取消預訂的機率。
輸入特徵：登入次數、支援票數、服務套餐、使用時間。
輸出：流失機率或流失/無流失標籤。

4. 什麼時候該使用 ML，什麼時候不該使用？

機器學習適用於以下情況：

有足夠的歷史數據。
學習有明確的輸出。
困難的規則寫在硬規則中。
如果預測優於目前預測，則具有實用價值。

在以下情況下不應使用機器學習：

問題只需要一些固定的規則即可解決。
沒有資料或資料太髒。
衡量模型的方法沒有正確/錯誤。
實施機器學習的成本高於效益。

沒有機器學習的範例：

根據固定法律計算增值稅。
自動為發票號碼。
檢查欄位是否為空。

5. ML 問題的基本類型

回歸

預測一個實數。

例如：

房價
下週收入
溫度

聚類

沒有內建標籤，模型本身會將資料分組。

例如：

客戶區隔
根據購買行為將產品分組

異常檢測

發現異常情況。

例如：

異常交易
設備產生錯誤訊號

6. 什麼是基準以及為什麼需要它？

基準是最簡單的比較模型或策略。

例如：

使用訓練集的平均價格預測房價。
預測所有客戶「不會流失」。

如果新模型沒有超過基線，那麼該項目就沒有價值。新手經常會犯這樣的錯誤：直接跳入 XGBoost 或神經網絡，而不知道複雜模型是否真的能改進任何東西。

7. 一個非常簡短的 scikit-learn 範例

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

model = LogisticRegression(max_iter=300)
model.fit(X_train, y_train)

pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, pred))

這段程式碼中重要的不是記住每個函數，而是理解結構：

有數據 X, y
單獨的訓練/測試
將模型安裝到火車上
測試評估

它是大多數機器學習工作流程的支柱。

8.新手應該按照什麼順序學習？

系列的合理順序是：

1.了解大局。 2. 了解如何使用 Pandas 操作資料。 3.快速製作第一個模型。 4. 儘早學習指標和過度擬合。 5. 然後進入管道、調整和生產。

如果你向後學習，例如在理解基線之前就開始調整，你將很容易「死記硬背地從筆記本上學習」。

練習練習

用自己的話寫出人工智慧、機器學習和深度學習的差異。
選擇工作或生活中的 3 個問題，並分類它們是回歸、分類、聚類或不應該使用 ML。
找到一個可以使用基於規則而不是 ML 更好地解決的範例問題。

常見錯誤

在了解業務問題之前先學習演算法。
使用機器學習來解決過於簡單的問題。
只關心模型，忽略數據和指標。

完成標準

用日常語言解釋什麼是 ML
區分 4 種基本類型的問題
概括地描述端到端 ML 工作流程

第 1 課：什麼是機器學習？如何學習而不被淹沒

簡介