如何让机器学习变得更加简单？

作者:课课家教育更新于： 2017-08-02 15:04:40

　　欢迎各位阅读本篇,机器学习是人工智能的核心，是使计算机具有智能的根本途径。本篇文章讲述了如何让机器学习变得更加简单?

　　机器学习令人兴奋，但实际操作却很困难也很复杂。它涉及到很多手动操作，如集合工作流和管道，设置数据源，以及在内部部署与云部署的资源之间切换等。

　　Python 是一款强大的工具语言，被广泛应用在大数据和机器学习之中。以下推荐了 5 个 Python 库，帮你疏通机器学习之路。

　　PyWren

　　PyWren 允许你将基于 Python 的科学计算工作负载作为多个 AWS Lambda 函数来运行。The New Stack 上一份对该项目的描述是，使用 AWS Lamba 作为强大的并行处理系统，处理可以切分为多个小任务的项目，从而不用占据大量的内存或存储空间。

　　此项目有个缺点是 lambda 函数运行不能超过 300 秒。但如果是一份只需几分钟就能完成的工作，并且要在数据集中运行上千次，那 PyWren 会是不错的选择，它能在一定程度上将用户硬件上无法运行的工作平行化至云端。

　　Tfdeploy

　　Google 的 TensorFlow 框架在发布了 1.0 版本之后进入辉煌时期，这时人们要问了：如何才能在不使用 TensorFlow 本身的情况下，使用在 TensorFlow 上训练的模型?

　　Tfdeploy 能给你答案。它将经过训练的 TensorFlow 模型导出为“简单的基于 NumPy 的可调用对象”，即该模型可以在 Python 中使用，并以 Tfdeploy 和 NumPy math-and-stats 库为唯一的依赖关系。大多数可以在 TensorFlow 中执行的操作也可以在 Tfdeploy 中执行，你可以通过标准的 Python metaphors 来扩展库的行为(如，重载类)。

　　Luigi

　　编写批量作业只是处理数据堆的一部分，你还需要将所有作业串起来生成类似工作流和管道的东西。

　　Luigi 由 Spotify 创建，用于“解决与长期运行成批处理作业有关的管道问题”。开发者可以通过 Luigi 采用多个不同且不相关的数据处理任务，如，Hive 查询，java 中的 Hadoop 任务，Scala 中的 Spark 任务，从数据库转储 table 等，还可以创建一个端到端运行它们的工作流。

　　对任务的整个描述以及依存性被打造为 Python 模块，而不是作为 XML 配置文件或其他数据格式创建，因此可以集成到其他以 Python 为中心的项目中。

　　Kubelib

　　如果你使用 Kubernetes 作为机器学习作业的编排系统，那么你会祈祷 Kubernetes 产生的问题不要比解决的问题还多。Kubelib 为 Kubernetes 提供了一组 Pythonic 接口，最初是为了协助 Jenkins 脚本工作。但是它可以在没有 Jenkins 的情况下使用，它可以处理 kubectl CLI 或 Kubernetes API 暴露的一切服务。

　　PyTorch

　　PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能：强大的 GPU 加速 Tensor 计算(类似 numpy)，构建基于 tape 的自动升级系统上的深度神经网络。你可以重用你喜欢的 python 包，如 numpy、scipy 和 Cython ，在需要时扩展 PyTorch。

　　通常使用 PyTorch 是将其作为 numpy 的替代品，以使用强大的 GPU 能力，或作为一个深度学习研究平台，提供最大的灵活性和速度。

　　机器学习：

　　1)经验性归纳学习 (empirical inductive learning)

　　经验性归纳学习采用一些数据密集的经验方法(如版本空间法、ID3法，定律发现方法)对例子进行归纳学习。其例子和学习结果一般都采用属性、谓词、关系等符号表示。它相当于基于学习策略分类中的归纳学习，但扣除联接学习、遗传算法、加强学习的部分。

　　2)分析学习(analytic learning)

　　分析学习方法是从一个或少数几个实例出发，运用领域知识进行分析。其主要特征为：

　　·推理策略主要是演绎，而非归纳;

　　·使用过去的问题求解经验(实例)指导新的问题求解，或产生能更有效地运用领域知识的搜索控制规则。

　　分析学习的目标是改善系统的性能，而不是新的概念描述。分析学习包括应用解释学习、演绎学习、多级结构组块以及宏操作学习等技术。

　　3)类比学习

　　它相当于基于学习策略分类中的类比学习。在这一类型的学习中比较引人注目的研究是通过与过去经历的具体事例作类比来学习，称为基于范例的学习(case_based learning)，或简称范例学习。

　　4)遗传算法(genetic algorithm)

　　遗传算法模拟生物繁殖的突变、交换和达尔文的自然选择(在每一生态环境中适者生存)。它把问题可能的解编码为一个向量，称为个体，向量的每一个元素称为基因，并利用目标函数(相应于自然选择标准)对群体(个体的集合)中的每一个个体进行评价，根据评价值(适应度)对个体进行选择、交换、变异等遗传操作，从而得到新的群体。遗传算法适用于非常复杂和困难的环境，比如，带有大量噪声和无关数据、事物不断更新、问题目标不能明显和精确地定义，以及通过很长的执行过程才能确定当前行为的价值等。同神经网络一样，遗传算法的研究已经发展为人工智能的一个独立分支，其代表人物为霍勒德(J.H.Holland)。

　　5)联接学习

　　典型的联接模型实现为人工神经网络，其由称为神经元的一些简单计算单元以及单元间的加权联接组成。

　　小结：机器学习的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域