Python人工智能入门（修订版）

学习&实践爱好者

已于 2023-04-12 07:44:51 修改

阅读量6k

点赞数 5

分类专栏： Python学习编程实践系列人工智能体验文章标签：人工智能 python

于 2021-12-15 21:27:16 首次发布

本文链接： https://blog.csdn.net/cnds123/article/details/121948975

版权

Python学习同时被 3 个专栏收录

210 篇文章 135 订阅

订阅专栏

编程实践系列

136 篇文章 22 订阅

订阅专栏

人工智能体验

3 篇文章 0 订阅

订阅专栏

Python人工智能入门

人工智能，在发展过程中产生了很多的流派，应用场景众多，因此有多种定义不足为奇，下面给出两种：

人工智能(Artificial Intelligence, AI) ，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能作为计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。

人工智能在计算机领域内，得到了愈加广泛的重视。人工智能应用场景：

汽车自动驾驶、人脸识别、自然语言处理、个性化推荐、生命科学、预测与分类场景等。

人工智能简史

2016年3月，李世石以1∶4比分落败于Alpha Go。2017年5月23日至5月27日，世界冠军柯洁与谷歌Alpha Go对决，柯洁以0∶3败。人工智能发展进入新阶段。

人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）关系，见下图：

深度学习的技术原理是机器从“特定的”大量数据中总结规律，归纳出某些“特定的知识”，然后将这种“知识”应用到现实场景中去解决实际问题。

人工智能的8个有用的日常例子人工智能的8个有用的日常例子 - 51CTO.COM

人工智能十大流行算法，通俗易懂讲明白人工智能十大流行算法，通俗易懂讲明白_腾讯新闻

下面的两个链接，可以加深了解

人工智能、机器学习和深度学习的联系与区别小白都能看懂：人工智能、机器学习和深度学习的联系与区别！_腾讯新闻

人工智能应该学什么人工智能应该学什么、怎么学、以及去哪学|图灵|计算机_网易订阅

由此可知，人工智能是个宽泛的目标，知识量庞大难度较高，因此得将目标拆分成阶段性目标才易于执行。数学（高等数学、线性代数、概率论和数理统计等）是不可避免的，但在学习人工智能技术的初期，也并不会遇到非常复杂的数学问题，只需要具有一些线性代数、概率论的基础知识就可以了，可以在学习人工智能技术的过程中，逐渐补齐自己的短板。

人工智能是个数学含量极高的大课题，加之本人学之不精，在此就不展开了，本文仅将介绍使用Python实现人工智能特定领域的简单实践，帮助新手入门尝试。大致步骤：

（1）了解人工智能的一些背景知识，前面提及。

（2）熟悉机器学习工具库。

（3）动手去做一些AI应用实验。

数学建模（Mathematical Modeling）是利用数学方法解决实际问题的一种实践，即通过抽象、简化、假设、引进变量等处理过程，将实际问题用数学方式表达，建立起数学模型，然后运用先进的数学方法及计算机技术进行求解。数学建模可以通俗地理解为运用统计学、线性代数，积分学等数学知识，构建数学模型，通过模型解决问题。

【数学模型（Mathematical Model）是对于一个现实对象，为了一个特定目的，用数学符号、数学式子、程序、图形等对实际课题本质属性的抽象而又简洁的刻画，它或能解释某些客观现象，或能预测未来的发展规律，或能为控制某一现象的发展提供某种意义下的最优策略或较好策略。】

数学建模的流程如下图：

在此，举个很简单的例子：

这是一个简单的问题，对20岁男子通过身高预测标准体重

下表是通过调查研究发现正常男生20岁时标准体重

身高	体重
152	51
156	53
160	54
164	55
168	57
172	60
176	62
180	65
184	69
188	72

任务是：依据身高预测身高。

在这个例子中需要引入两个第三方库numpy和Matplotlib

numpy库

NumPy (Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

【NumPy 通常和 Matplotlib（绘图库）一起使用】

NumPy 官网文档 Overview — NumPy v1.21 Manual

NumPy 用户指南中文 NumPy 用户指南 | NumPy 中文

Matplotlib库

Matplotlib是一个Python 2D绘图库，您只需几行代码就可以生成图表，直方图，功率谱，条形图，误差图，散点图等。

Matplotlib 官网： Matplotlib — Visualization with Python

Matplotlib中文网 Matplotlib 中文

安装库numpy 和matplotlib

【安装库，打开cmd输入：

pip install 库名

若你的电脑上，安装了多个版本的python，想为指定版本如-3.10安装库

py -3.10 -m pip install 库名

详见 Python第三方模块(库、包)安装、卸载与查看及常见问题解决_cnds123的专栏-CSDN博客_python卸载第三方库】

使用阿里云镜像站 -i https://mirrors.aliyun.com/pypi/simple/ ，在cmd中输入：

py -3.10 -m pip install numpy -i https://mirrors.aliyun.com/pypi/simple/ ，然后回车（即按下Enter键）

py -3.10 -m pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/

参见下图：

下面是用来可视化身高和体重数据的代码：：

# 创建数据集，把数据写入到numpy数组    
import numpy as np  # 引用numpy库，主要用来做科学计算    
import matplotlib.pyplot as plt   # 引用matplotlib库，主要用来画图    
data = np.array([[152,51],[156,53],[160,54],[164,55],    
                 [168,57],[172,60],[176,62],[180,65],    
                 [184,69],[188,72]])    

# 打印出数组的大小    
print(data.shape)    

# 从data中提取出身高和体重，分别存放在x, y变量中    
x, y = data[:,0].reshape(-1,1), data[:,1]    

# 在二维空间里画出身高和体重的分布图    
plt.scatter(x, y, color='black')    
plt.xlabel('height (cm)')    
plt.ylabel('weight (kg)')    
plt.show()

运行之，参见下图：

由此可以看出特征与预测值之间有种近似的线性关系。随着身高的增加，体重也差不多以线性地方式增加。这就意味着可以使用简单的线性模型即可拟合这批数据。

接下来的步骤就是根据给到的数据来拟合线性模型，这个过程也叫做训练。然后通过拟合后的模型去预测身高，这需要引用 sklearn库。

sklearn库

scikit-learn (sklearn) 官方文档中文版 https://sklearn.apachecn.org/#/

sklearn是scikit-learn的简称，是一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时，并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。

特别提示：sklearn库安装比较特别，容易出现意外，请注意下面细节。

Scipy库是sklearn库的基础，Scipy又基于Numpy库。

Numpy库安装后，就可以安装Scipy库

在cmd中输入：

py -3.10 -m pip install Scipy -i https://mirrors.aliyun.com/pypi/simple/

安装sklearn库之前，建议使用“Microsoft C++ 生成/构建工具（Build Tools）”【参见 Microsoft C++ 生成/构建工具（Build Tools）和安装软件时提示“Microsoft Visual C++ 14.0 is required.”的解决_cnds123的专栏-CSDN博客】查看

否则，可能安装不成功。

现在可在cmd中输入：

py -3.10 -m pip install scikit-learn -i https://mirrors.aliyun.com/pypi/simple/

在下面的代码中，我们是把线性回归当成了黑箱子来对待的——用sklearn中现有的模型实现的。用sklearn中现有的模型实现标准体重预测的源码如下：

from sklearn import datasets, linear_model # 引用 sklearn库，主要为了使用其中的线性回归模块

# 创建数据集，把数据写入到numpy数组
import numpy as np  # 引用numpy库，主要用来做科学计算
import matplotlib.pyplot as plt   # 引用matplotlib库，主要用来画图
data = np.array([[152,51],[156,53],[160,54],[164,55],
                 [168,57],[172,60],[176,62],[180,65],
                 [184,69],[188,72]])

# 打印出数组的大小
print(data.shape)
x=data[:,0].reshape(-1,1)
y=data[:,1].reshape(-1,1)

# TODO 1. 实例化一个线性回归的模型
regr = linear_model.LinearRegression()

# TODO 2. 在x,y上训练一个线性回归模型。 如果训练顺利，则regr会存储训练完成之后的结果模型
regr.fit(x,y)
# TODO 3. 画出身高与体重之间的关系
plt.scatter(x, y, color='blue')

# 画出已训练好的线条
plt.plot(x, regr.predict(x), color='blue')

# 画x,y轴的标题
plt.xlabel('height (cm)')
plt.ylabel('weight (kg)')
plt.show() # 展示

# 利用已经训练好的模型去预测身高为163的人的体重
print ("Standard weight for person with 163 is %.2f"% regr.predict([[163]]))

运行之，参见下图：

【注意，如果import sklearn，出现“ImportError: DLL load failed while importing _openmp_helpers:拒绝访问”，请以管理员的身份运行IDLE，操作为：单击“开始”找到IDLE右击出现快捷菜单，再单击“更多 >以管理员的身份运行” 菜单命令，参见下图：