一個(gè)典型的機(jī)器學(xué)習(xí)流程如下：
機(jī)器學(xué)習(xí)處理過程流程圖
來解讀一下這個(gè)圖搀菩。
（1）原始數(shù)據(jù)采集
原始數(shù)據(jù)是機(jī)器學(xué)習(xí)過程的第一步缕题，它從各個(gè)渠道被采集而來摄狱。在監(jiān)督學(xué)習(xí)的場景中還需要對數(shù)據(jù)進(jìn)行標(biāo)記绕辖。例如摇肌，情感分析模型需要用標(biāo)簽標(biāo)記，來幫助算法理解人類使用的俚語或諷刺挖苦的表達(dá)方式仪际。有時(shí)數(shù)據(jù)標(biāo)記的工作往往非常耗時(shí)耗力围小，在某些場景中，這類工作不僅對人的專業(yè)背景要求高树碱，而且完成標(biāo)記所需的周期長肯适。
（2）數(shù)據(jù)預(yù)處理
原始數(shù)據(jù)往往比較粗糙或者噪音較多，需要將這些數(shù)據(jù)進(jìn)行預(yù)處理成榜，得到有效的訓(xùn)練數(shù)據(jù)框舔，與普通的數(shù)據(jù)挖掘不同，深度學(xué)習(xí)的數(shù)據(jù)預(yù)處理過程主要包含數(shù)據(jù)歸一化（包括樣本尺度歸一化、逐樣本的均值相減刘绣、標(biāo)準(zhǔn)化）和數(shù)據(jù)白化樱溉。另外，在預(yù)處理階段额港，我們還需要將數(shù)據(jù)分為三種數(shù)據(jù)集饺窿，包括用來訓(xùn)練模型的訓(xùn)練集、開發(fā)過程中用戶調(diào)參的驗(yàn)證集以及測試時(shí)所使用的測試集移斩。
（3）訓(xùn)練模型
在正式開始模型訓(xùn)練之前肚医，需要針對我們的訓(xùn)練目標(biāo)進(jìn)行分類。理解目標(biāo)的本質(zhì)對選擇訓(xùn)練的方式至關(guān)重要向瓷。機(jī)器學(xué)習(xí)可以實(shí)現(xiàn)的目標(biāo)被分為：分類肠套、回歸、聚類猖任、異常檢測等你稚。前期算法工程師需要通過測試集和訓(xùn)練集，在集中可能的算法中做一些Demo測試朱躺，再根據(jù)測試的結(jié)果選擇具體的算法刁赖，這樣可以規(guī)避大范圍的訓(xùn)練模型改動(dòng)帶來的損失。
（4）模型評估
我們利用在數(shù)據(jù)預(yù)處理中準(zhǔn)備好的測試集對模型進(jìn)行測試长搀。由于測試集對模型來說宇弛，時(shí)完全新的數(shù)據(jù)，因此可以客觀地度量模型在現(xiàn)實(shí)世界中的表現(xiàn)情況源请。模型的效果通常以“擬合程度”來形容枪芒。例如某個(gè)圖像識別在模型訓(xùn)練后的誤差和人類的平均誤差率只相差1%，然而測試集誤差比訓(xùn)練集誤差高10%谁尸，這就意味者該模型在全新的數(shù)據(jù)上表現(xiàn)不好舅踪，過度擬合了。
（5）調(diào)參
對模型評估結(jié)束后良蛮，可以通過調(diào)參對訓(xùn)練過程進(jìn)行優(yōu)化抽碌。參數(shù)可以分為兩類，一類是超參數(shù)背镇，即需要在訓(xùn)練前手動(dòng)設(shè)置的參數(shù)咬展，另一種是不需要手動(dòng)設(shè)置、在訓(xùn)練過程中可以自動(dòng)被調(diào)整的參數(shù)瞒斩。調(diào)參的過程是一種基于數(shù)據(jù)集、模型涮总、和訓(xùn)練過程細(xì)節(jié)的實(shí)證過程胸囱。
調(diào)參是個(gè)優(yōu)雅的過程。它通常需要以來經(jīng)驗(yàn)和靈感探尋其最優(yōu)值瀑梗，本質(zhì)上更接近藝術(shù)而非科學(xué)烹笔。
（6）推斷
這就是機(jī)器學(xué)習(xí)的目的啦~
