机器如何学习？

当我们进入机器学习的内部运作时，我们将探索用于创建极具专业AI程序的过程。这是机器学习的过程。

什么是机器学习？

一组使用数据来训练AI算法的工具和实践，以产生更好，更准确的输出。

您可以将机器学习视为使程序能够创建自己完成任务的规则的过程。

最终产品称为一个模型。学习完成后，您部署该模型进入了知道如何解释结果的AI程序。

机器学习过程

尽管每个机器学习项目都不同，但它们都遵循相同的周期。

输入

第一步是收集相关数据并使用数据科学清理。然后，您可以将数据拆分为训练和测试套。

火车

该模型将反复分析训练数据，并尝试产生所需的输出，并随着变得更加准确而调整。

测试

在测试过程中，该模型暴露于测试数据，该数据以前从未见过。如果您的模型适合培训数据但未能通过测试，则您的模型一直是过度拟合。如果该模型尚未受过足够的培训，则在培训和测试数据上都不准确 - 这就是称为不足。

机器学习模型通常包括信心得分与他们的预测。您可以使用这些来评估训练模型的训练程度，并确定不确定的数据点。

如果您对结果不满意，则可以通过培训将模型放回原处。当您这样做时，您通常会在培训集中包含新示例，以纠正测试过程中发现的错误。

如何训练您的机器

机器学习的培训过程可能会取决于问题的类型，但几乎所有问题都会遵循相同的模式。

预测

该模型将包含有关如何处理数据中不同功能的规则。初始规则通常是随机的，以便将算法从某个地方开始。

然后，该模型将使用这些规则来预测每个数据点的结果。要使用一个较早的示例，即您的岩石，纸，剪刀模型，它将查看每个训练图像，并就岩石，纸或剪刀进行预测。

它可能不会一次使用所有数据，而是将其分解为批次您可以控制批量大小在大多数机器学习系统中。如果模型必须检查每个错误并在每个数据点后进行调整，则训练过程将要慢得多，因此，每批次后都会更新模型。当您的模型查看所有数据点时 - 称为时代。在典型的训练过程中，有多个时期，因为重复该过程，直到误差尽可能小为止。

错误/丢失

在模型做出预测之后，该算法将检查模型的准确性。此过程称为错误/丢失。该模型需要某种得分的方式；通常，这是通过使用返回单个值的错误或损失函数生成的，该值显示了模型的预测与实际结果的不同。

在绘制Airbnb租赁图上的一条线的较早示例中，误差函数总和每个点的误差值（距线的垂直距离）。

调整

在下一次迭代之前，该算法将调整模型的规则。该更改的大小将由误差量和学习率您在训练开始之前设置。学习率决定了步长该算法用于更改模型的规则；迭代中的误差越高，算法将用于调整模型的步骤越多。

大型学习率将使训练过程更快，因为大步迅速导致了错误量的高原。但是，找到理想的最佳点需要进行良好的调整，因此，尽管可能需要更长的时间，但较低的学习率往往会导致更准确的模型。

知道何时停止

有两个因素将决定您何时停止培训过程；

1. 模型的准确性
2. 时代的数量

最终，您的模型将达到调整的点，仅导致错误的变化可忽略不计。您可能还会设置最大数量的迭代（或时期），然后您将停止训练。

关键术语

这是机器学习中术语的回顾：

学期	定义
模型	通过机器学习训练的算法
部署	将模型导入另一个程序，该程序可以解释其结果
信心得分	伴随预测的百分比；它显示了该模型在其输出中有多信心
批	调整模型之前检查的数据点数
时代	训练集的完整通行证，因此每一个数据点已经检查一次
学习率	用于修复错误的模型的调整步骤的大小