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 

Python3入门人工智能 gitee python人工智能基础_Python

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：

Python3入门人工智能 gitee python人工智能基础_Python3入门人工智能 gitee_02

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：

Python3入门人工智能 gitee python人工智能基础_Python_03

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：

Python3入门人工智能 gitee python人工智能基础_Python3入门人工智能 gitee_04

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：

Python3入门人工智能 gitee python人工智能基础_Python_05

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

Python3入门人工智能 gitee python人工智能基础_ci_06

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：

Python3入门人工智能 gitee python人工智能基础_Python3入门人工智能 gitee_07

【 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：

Python3入门人工智能 gitee python人工智能基础_Python3入门人工智能 gitee_08

然后，运行程序代码】

特别提醒，本文意在让初学者有个概观以便有个感性了解，有了这些基础，再去学习，应该能减少不少挫折。

附录

Python人工智能库 深度盘点 | 整理了47个Python人工智能库 - 知乎