深度学习从入门到精通+TensorFlow案例演示：AI学习和应用

1-2 AI的学习地图

AI
的发展划分为三个阶段，每一阶段的重点分别为人工智能、

机器学习（
Machine Learning
）、深度学习（
Deep Learning
），

每一阶段都在缩小范围，聚焦在特定的算法，机器学习是人工

智能的部分领域，而深度学习又属于机器学习的部分算法，如

图
1.3
所示。

而一般教育机构规划
AI
的学习地图即依照这个轨迹，逐步深入

各项技术，通常分为四个阶段，如图
1.4
所示。

（
1
）数据科学（
Data Science
）入门：内容包括
Python/R
程序语

言、数据分析（
Data Analysis
）、大数据平台（
Hadoop
、

Spark
）等。

（
2
）机器学习：包含一些典型的算法，如回归、
Logistic
回

归、支持向量机（
SVM
）、
K-means
聚类算法等，这些算法虽

然简单，但却非常实用，比较容易在一般企业内普遍性地导

入。通常机器学习的大致分类如图
1.5
所示。

最新的发展还有半监督学习（
Semi-supervised Learning
）、自我

学习（
Self Learning
）、联合学习（
Federated Learning
）等，不

一而足，我们千万不要被分类限制了想象。

另外，数据挖掘（
Data Mining
）与机器学习的算法大量重叠，

其间的差异在于，数据挖掘是着重挖掘数据的隐藏样态

（
Pattern
），而机器学习则着重于预测。

（
3
）深度学习：深度学习属于机器学习中的一环，所谓深度

（
Deep
）是指多层式架构的模型，如各种神经网络

（
Neural Network
）模型、强化学习

（
Reinforcement Learning, RL
）算法等，以多层的神经层或
try

and-error
的方式实现以优化（
Optimization
）或反复的方式求

解。

（
4
）实务及专题探讨（
Capstone Project
）：将各种算法应用于

各类领域、行业，强调专题探讨及产业应用实践。

1-3 机器学习应用领域

机器学习的应用其实早已在不知不觉中融入我们的生活中了，

举例如下。

（
1
）社群软件大量运用
AI
，预测用户的行为模式，过滤垃圾信

件。

（
2
）电商运用
AI
，依据每位消费者的喜好推荐合适的商品。

（
3
）还有各式的
3C
产品，包括手机、智能音箱，以人脸识别

取代登录、语音识别代替键盘输入。

（
4
）聊天机器人取代客服人员，提供营销服务。

（
5
）制造机器人（
Robot
）提供智能制造、老人照护、儿童陪

伴，凡此种种，不及备载。

AI
相关的应用领域如图
1.6
所示。

目前相对热门的研发领域如下。

（
1
）各种疾病的诊断（
Medical Diagnostics
）及新药的开发。

（
2
）聊天机器人：包括营销、销售及售后服务的支持。

（
3
）目标检测（
Object Detection
）
/
人脸辨识

（
Facial Recognition
）。

（
4
）自动驾驶（
Self Driving
）。

（
5
）制造机器人

1-4 机器学习开发流程

一般来说，机器学习开发流程（
Machine Learning Workflow
），

有许多种建议的模型，如数据挖掘流程，包括
CRISP-DM

（
Cross-Industry Standard Process for Data Mining
）、

Google Cloud
建议的流程等，个人偏好的流程如图
1.7
所示

机器学习开发流程大概分为十个步骤，这里不含较高层次的企

业需求了解（
Business Understanding
），只包括实际开发的步

骤。

（
1
）搜集数据，汇整为数据集（
Dataset
）。

（
2
）数据清理（
Data Cleaning
）、数据探索与分析

（
Exploratory Data Analysis, EDA
）：
EDA
通常是指以描述统计

量及统计图观察数据的分布，了解数据的特性、极端值

（
Outlier
）、变量之间的关联性。

（
3
）特征工程（
Feature Engineering
）：原始搜集的数据未必是

影响预测目标的关键因素，有时候需要进行数据转换，以找到

关键的影响变量。

（
4
）数据切割（
Data Split
）：切割为训练数据

（
Training Data
）及测试数据（
Test Data
），一份数据提供模型

训练之用，另一份数据则用于衡量模型效果，如准确度。切割

的主要目的是确保测试数据不会参与训练，以维持其公正性，

即
Out-of-Sample Test
。

（
5
）选择算法（
Learning Algorithms
）：依据问题的类型选择

适合的算法。

（
6
）模型训练（
Model Training
）：以算法及训练数据进行训

练，产出模型。

（
7
）模型计分（
Score Model
）：计算准确度等效果指标，评估

模型的准确性。

（
8
）模型评估（
Evaluate Model
）：比较多个参数组合、多个

算法的准确度，找到最佳参数与算法。

（
9
）部署（
Deploy
）：复制最佳模型至正式环境

（
Production Environment
），制作使用界面或提供
API
，通常以

网页服务（
Web Services
）作为预测的
API
。

（
10
）预测（
Predict
）：客户端传入新数据或文件，系统以模

型进行预测，传回预测结果。

机器学习开发流程与一般应用系统开发有何差异？最大的差别

如图
1.8
所示。

（
1
）一般应用系统利用输入数据与转换逻辑产生输出，如撰写

报表，根据转换规则将输入字段转换为输出字段；但机器学习

会先产生模型，再根据模型进行预测，重用性（
Reuse
）高。

（
2
）机器学习除了输入数据外，还会搜集大量历史数据或在

Internet
中抓取一堆数据，作为塑模的
“
饲料
”
。

（
3
）新产生的数据可回馈入模型中，重新训练，自我学习，使

模型更
“
聪明
”
。