67、机器学习工具与技术：从基础到实践

机器学习工具与技术：从基础到实践

1. 范式转变

传统软件开发中，程序员需编写指令让计算机将输入转化为期望输出。例如预测房价，要算出每个街区每平方英尺的价格，并考虑房屋其他影响价格的特征，编写数学公式。而且一旦函数的输入输出改变，就得修改程序以适应新情况。

而机器学习则是一种范式转变，它不需要你理解输入与输出之间的潜在物理关系。以房价为例，你可能不清楚房地产广告上列出的约 100 个特征与价格有何关联。但机器学习能让机器从数据集中推断输入与输出的关系。训练好模型后，给定输入就能预测输出。

机器学习在多种场景都适用，如将输入分类（识别垃圾邮件）、预测连续数值（邮件的积极情感得分），还能预测离散事件序列（文本中的单词出现情况）或连续值序列（古典音乐作品中音符的音高和时长）。

2. 机器学习工作流程

大多数进行机器学习的工程师和团队构建模型时遵循类似步骤，其工作流程如下：

graph LR
    A[问题定义] --> B[数据选择与准备]
    B --> C[模型训练]
    C --> D[模型优化]
    D --> E[模型评估]
    E --> F[模型部署]

具体步骤如下：
1. 问题定义 ：明确要解决的问题，如基于历史数据预测、将文档分类或根据现有文本生成新文本。这有助于确定所需的机器学习模型类型（分类器、回归器、生成器等）以及训练和评估模型所需的数据。
2. 数据选择与准备