為了深入了解創(chuàng)建人工智能和機器學習模型所需的技能集，需要了解模型創(chuàng)建過程，這是由機器學習軟件逐步學習完成的，以及生成符合預定義成功標準的模型所面臨的挑戰(zhàn)。

機器學習軟件使用數(shù)據(jù)來訓練一個模型，這個模型構(gòu)成了人工智能產(chǎn)品，可以通過定期更新人工智能輸入數(shù)據(jù)在一段時間內(nèi)重復使用。機器學習軟件有四種基本的學習類型：

• 監(jiān)督：包括讓算法學習數(shù)據(jù)，同時使用數(shù)據(jù)上的標簽提供正確答案。這本質(zhì)上意味著要預測的類或值從一開始就是已知的，并且對算法進行了很好的定義。
• 無監(jiān)督：與有監(jiān)督的方法不同，算法并不提供正確答案或任何答案，由算法自行決定是否收集相似的數(shù)據(jù)并加以理解。
• 半監(jiān)督學習：監(jiān)督和非監(jiān)督學習的混合。
• 強化：在強化學習中，每一次正確的預測都會給予算法獎勵，從而提高準確率。

需要數(shù)據(jù)科學專業(yè)知識來確定機器學習軟件中用于擬合特定數(shù)據(jù)集的最佳統(tǒng)計算法。

在眾多的統(tǒng)計算法中，比較流行的有：用于情感分析、垃圾郵件檢測和推薦的樸素貝葉斯算法;用于結(jié)果預測的決策樹;可以合并多個決策樹來改進預測的隨機森林;用于二元分類(A或B)邏輯回歸;AdaBoost、Gaussian Mixed、Recommender和K-Means聚類將數(shù)據(jù)重新組織，如市場細分。

訓練人工智能和機器學習模型

機器學習有三個不同的學習(也稱為訓練)階段：訓練、驗證和測試。在開始之前，必須確保數(shù)據(jù)組織良好且無誤。盡管這一概念很簡單，但將數(shù)據(jù)轉(zhuǎn)換為有序性可能是一個耗時且面向細節(jié)的過程，可能需要人工處理。

其目標是數(shù)據(jù)不存在重復、拼寫錯誤和斷開連接。在清理之后，數(shù)據(jù)被隨機分成三組，分別用于三個訓練階段。隨機數(shù)據(jù)劃分的目的是阻止選擇數(shù)據(jù)偏差。

以下是一些與模型創(chuàng)建相關(guān)的定義：

• 參數(shù)。模型參數(shù)是機器學習軟件在訓練過程中從人工智能輸入數(shù)據(jù)自動學習的值，盡管用戶可以在訓練過程中人工更改參數(shù)值。例如，會話期間要進行的最大通過次數(shù)和訓練數(shù)據(jù)的最大模型大小(以字節(jié)為單位)。
• 超參數(shù)。超參數(shù)位于機器學習外部，由數(shù)據(jù)科學家用戶預先輸入，因此超參數(shù)不是從人工智能數(shù)據(jù)中派生出來的，可以在訓練過程中更改。超參數(shù)的例子包括使用聚類算法時返回的簇數(shù)和神經(jīng)網(wǎng)絡中的層數(shù)。
• 變量。機器學習軟件會選擇特定的人工智能數(shù)據(jù)輸入字段，并在訓練過程中使用額外的變量。其變量可以是年齡、身高和體重。

在開始訓練(第一階段)之前，給數(shù)據(jù)添加標簽是很重要的，這樣機器學習軟件就可以繼續(xù)從數(shù)據(jù)中獲取重要的線索，以幫助它學習。無監(jiān)督學習不需要添加標簽。機器學習軟件的默認參數(shù)值也可以用來啟動或參數(shù)可以單獨更改。

準確性測試模型

當訓練階段滿足成功標準時，就進入了驗證階段。第一遍使用一組新的數(shù)據(jù)。如果結(jié)果良好，就進入最后的測試階段。

如果沒有得到理想的結(jié)果，則可以讓機器學習軟件對數(shù)據(jù)進行額外的傳遞，直到機器學習軟件沒有顯示新的模式或達到最大的傳遞次數(shù)。隨著訓練的推進，這些參數(shù)由機器學習軟件或管理它的人員自動修改。

測試階段是針對一組新數(shù)據(jù)的“期末考試”——但這一次缺少“輔助”數(shù)據(jù)標簽(僅用于監(jiān)督學習)。如果軟件通過了成功的標準測試，它就是一個工作模型。如果沒有，那就繼續(xù)訓練。和以前一樣，測試團隊可以人工修改參數(shù)，或者讓機器學習軟件在訓練過程中自動修改參數(shù)。

人工智能的機器學習是機器學習軟件暴露數(shù)據(jù)的重復回放，參數(shù)由機器學習軟件自動迭代改變(可能由人工修改)，以使模型在每次經(jīng)過測試之后更智能。機器學習軟件繼續(xù)對數(shù)據(jù)進行多次遍歷，直到意識到?jīng)]有檢測到新的模式，或者直到它達到最大遍歷次數(shù)，從而使其停止。

人工智能模型的持續(xù)維護

保持警惕(監(jiān)控)是享受人工智能自由的代價。要確定人工智能模型的表現(xiàn)如何，一個典型的方法是監(jiān)測實際表現(xiàn)與人工智能預測的匹配程度。如果人工智能預測表現(xiàn)不佳，就應該重新進入機器學習模型訓練過程，使用最新的數(shù)據(jù)修正模型。

需要記住的是，輸入的數(shù)據(jù)很容易隨時間而改變，這就是交易中的數(shù)據(jù)漂移。數(shù)據(jù)漂移可能會導致人工智能模型的準確性下降，因此早期數(shù)據(jù)漂移預警對于保持問題的領(lǐng)先至關(guān)重要。人工智能工具可以跟蹤數(shù)據(jù)漂移并找到離群數(shù)據(jù)，如Fiddler、Neptune和Azure ML，這些工具可以提供早期預警，因此數(shù)據(jù)問題可以通過機器學習的更新盡早解決。