在學習人工智能之前，我們大多都需要提前了解一些有關機器學習的內容。這篇文章里，作者就闡述了機器學習訓練“模型”的幾個步驟，一起來看看。

學習人工智能，必須要了解機器學習。

我們可以把機器學習比喻成大腦學習。

大腦學習的成果是“智慧”，機器學習的成果就是“模型”。

機器學習訓練“模型”有四個步驟：

• 第一步：“收集數據”好比“收集知識”
• 第二步：“訓練模型”好比“消化理解”
• 第三步：“模型評估”好比“考試打分”
• 第四步：“模型部署”好比“走進社會”

一、收集數據

機器學習的基本理念是使用過去學習到的經驗知識來預測新的問題，這個和大腦學習過程很像，我們需要見多識廣，收集大量數據。

什么是B端产品经理？和C端产品经理有什么区别？

B端产品经理中的B是Business，商业的意思，B端产品经理首先就要理解这个职位的重要性，要设计出更适合这个项目需求的产品方案，B最终产品经理在日常工作中...

查看详情 >

為訓練模型收集到的數據隨機分成兩部分：

1. 訓練數據集：用于“消化理解”的題目
2. 測試數據集：用于“考試打分”的題目

這些題目在機器學習里稱之為“樣本”。

“token”則是指數據集中最小有意義單元，如：一個單詞、一個數字、一個漢字。

一般用token量來表示所用到的數據集大小；據說GPT4用了13萬億token用于訓練。

二、訓練模型

“智慧”從題目中的“信息”中推理出“答案”；

“模型”從樣本中的“特征”中推理出“標簽”。

以一個預測冰激凌銷售收入的模型為案例：

特征：氣溫x1、降雨量x2、是否節(jié)假日x3…

標簽：收入y

y = f(x1,x2,x3….)

機器學習最神奇的事情就是科學家們會選擇合適的數學算法，這種算法可以從大量由x和y組成的樣本里自行推導出f。

那些天才科學家們發(fā)明過很多算法，還起了讓人一臉懵逼的算法名稱比如：“隨機森林”、“k近鄰算法”、“生成對抗”、“支持向量機” 等等。

除了算法，我們還常聽到模型的“參數”，它是指那些可調整的變量，用于控制模型的行為和性能。

最常見的一種參數是“權重參數”；

可以理解為是函數里的a、b、c

y = f(ax1,ax2,cx3….)

據說GPT4參數量達到了恐怖的1.8萬億。

三、模型評估

很多時候我們自以為對知識“消化理解”了，但真正要用的時候卻經常出錯，我們需要“考試打分”這一環(huán)節(jié)幫我們把把關，這不僅僅是為了向社會證明我們應該具備了某種能力，更重要的是可以指導我們如何進行查漏補缺。

在機器學習里，用“測試數據集”去考驗“f”并給出一個評價分數的過程就是模型評估。

常見的術語有：

1）過擬合：訓練高分但考試低分

模型在訓練集上的表現(xiàn)好，但是在測試集上的表現(xiàn)不佳。

2）泛化：能夠舉一反三的能力

指訓練好的模型對未見過的數據的適應能力。

3）精度：答對的題目數/題目總數

模型預測正確的樣本數占總樣本的比例。

所謂的“模型迭代”就是通過不斷優(yōu)化或新增訓練數據集，選擇更合適的“算法”或者“參數”去訓練出新的“f”，以便能在測試數據集中拿到一個更高的分數。

四、模型部署

就像“考試打分”不是我們學習最終目的，模型評估的分數就算再高也要“走進社會”去部署運用才能發(fā)揮模型真正的價值。

學海無涯，機器學習同樣如此，模型部署是下一輪機器學習的開始。對于已部署生產環(huán)境的模型需要建立監(jiān)控機制，定期監(jiān)測模型性能和預測結果，及時發(fā)現(xiàn)并解決模型退化或失效的問題，在使用者允許的情況下在生產環(huán)境所遇到的新情況也會是下一輪“收集數據”的樣本，以便不斷提高模型的準確性。

本文簡單概述了機器學習的四個步驟。

機器學習和大腦學習很像；

• “收集數據”是“學習準備”；
• “訓練模型”是“埋頭苦學”;
• “模型評估”是“反思復盤”；
• “模型部署”是“大展拳腳”。

八字口訣：“收集訓練評估部署”。

世界變化只會越來越快，我們一起學習AI知識，緊跟時代潮流~

相關閱讀：

《AI三要素：數據、算法、算力 ——【入門科普】》