机器学习的步骤

首页 > 教育 > 作者:YD1662024-07-07 23:31:04

在学习人工智能之前,我们大多都需要提前了解一些有关机器学习的内容。这篇文章里,作者就阐述了机器学习训练“模型”的几个步骤,一起来看看。

机器学习的步骤,(1)

学习人工智能,必须要了解机器学习。

我们可以把机器学习比喻成大脑学习。

大脑学习的成果是“智慧”,机器学习的成果就是模型”。

机器学习训练“模型”有四个步骤:

一、收集数据

机器学习的基本理念是使用过去学习到的经验知识来预测新的问题,这个和大脑学习过程很像,我们需要见多识广,收集大量数据。

为训练模型收集到的数据随机分成两部分:

  1. 训练数据集:用于“消化理解”的题目
  2. 测试数据集:用于“考试打分”的题目

这些题目在机器学习里称之为“样本”。

“token”则是指数据集中最小有意义单元,如:一个单词、一个数字、一个汉字。

一般用token量来表示所用到的数据集大小;据说GPT4用了13万亿token用于训练。

二、训练模型

“智慧”从题目中的“信息”中推理出“答案”;

“模型”从样本中的“特征”中推理出“标签”。

以一个预测冰激凌销售收入的模型为案例:

特征:气温x1、降雨量x2、是否节假日x3…

标签:收入y

y = f(x1,x2,x3….)

机器学习最神奇的事情就是科学家们会选择合适的数学算法,这种算法可以从大量由x和y组成的样本里自行推导出f。

那些天才科学家们发明过很多算法,还起了让人一脸懵逼的算法名称比如:“随机森林”、“k近邻算法”、“生成对抗”、“支持向量机” 等等。

除了算法,我们还常听到模型的“参数”,它是指那些可调整的变量,用于控制模型的行为和性能。

最常见的一种参数是“权重参数”;

可以理解为是函数里的a、b、c

y = f(ax1,ax2,cx3….)

据说GPT4参数量达到了恐怖的1.8万亿。

三、模型评估

很多时候我们自以为对知识“消化理解”了,但真正要用的时候却经常出错,我们需要“考试打分”这一环节帮我们把把关,这不仅仅是为了向社会证明我们应该具备了某种能力,更重要的是可以指导我们如何进行查漏补缺。

在机器学习里,用“测试数据集”去考验“f”并给出一个评价分数的过程就是模型评估。

常见的术语有:

1)过拟合:训练高分但考试低分

模型在训练集上的表现好,但是在测试集上的表现不佳。

2)泛化:能够举一反三的能力

指训练好的模型对未见过的数据的适应能力。

3)精度:答对的题目数/题目总数

模型预测正确的样本数占总样本的比例。

所谓的“模型迭代”就是通过不断优化或新增训练数据集,选择更合适的“算法”或者“参数”去训练出新的“f”,以便能在测试数据集中拿到一个更高的分数。

四、模型部署

就像“考试打分”不是我们学习最终目的,模型评估的分数就算再高也要“走进社会”去部署运用才能发挥模型真正的价值。

学海无涯,机器学习同样如此,模型部署是下一轮机器学习的开始。对于已部署生产环境的模型需要建立监控机制,定期监测模型性能和预测结果,及时发现并解决模型退化或失效的问题,在使用者允许的情况下在生产环境所遇到的新情况也会是下一轮“收集数据”的样本,以便不断提高模型的准确性。

本文简单概述了机器学习的四个步骤。

机器学习和大脑学习很像;

八字口诀:“收集训练评估部署”。

世界变化只会越来越快,我们一起学习AI知识,紧跟时代潮流~

栏目热文

文档排行

本站推荐

Copyright © 2018 - 2021 www.yd166.com., All Rights Reserved.