1.机器学习

1. 准备工作

在此 Codelab 中，您将学习机器学习的基础知识，您将构建一个基于数据进行训练的系统，以推断用于确定各种关系的规则，而不是使用 Java 或 C++ 等语言编程显式规则。

请考虑以下问题：您要构建一个系统，能够跟踪健身情况，识别运动状态。您或许需要访问用户行走的速度，并尝试基于速度这个条件推断用户的活动情况。

if(speed<4){
  status=WALKING;
}

您可以使用其他条件扩展该变量。

if(speed<4){
    status=WALKING;
} else {
    status=RUNNING;
}

在最后一个条件下，您可以使用类似方法检测循环。

if(speed<4){
    status=WALKING;
} else if(speed<12){
    status=RUNNING;
} else {
    status=BIKING;
}

现在请考虑，当您想添加活动（如高尔夫）时，会发生什么情况。如何创建规则来确定这样的活动，则不那么显而易见。

// Now what?

编写一个能够识别高尔夫活动的程序极难，您该怎么办？您可以使用机器学习来解决问题！

在尝试此 Codelab 之前，您需要：

如果您从未使用 TensorFlow 创建过机器学习模型，则可以使用 Colaborator，这是一个基于浏览器的环境，包含所有必需的依赖项。您可以找到在 Colab 中运行其余 Codelab 的代码。

如果您使用其他的 IDE，请确保您已安装 Python。您还需要 TensorFlow 和 NumPy 库。您可以在此处详细了解并安装 TensorFlow。点击此处安装 NumPy。

考虑构建应用的传统方式，如下图所示：

您使用一种编程语言表达规则。这些规则根据数据执行操作，而您的程序会提供答案**。**在活动检测中，规则（您编写的用于定义活动类型的代码）会根据数据（用户的移动速度）生成答案：函数的返回值，用于确定用户的活动状态（无论是在步行、跑步、骑车还是做其他事情）。

通过机器学习检测活动状态的过程非常相似，只是轴线不同。

您无需尝试定义规则并使用编程语言表达规则，只需提供答案（通常称为“标签”）以及数据，机器即可推断出用于确定答案与数据之间关系的规则。例如，您的活动检测场景在机器学习环境中可能如下所示：

您需要收集大量数据，并有效地标记其为“这是步行的样子”或“这是跑步的样子”。然后，计算机可以根据数据推断出决定某一特定活动的不同模式的规则。

除了在某一场景中作为编程的替代方法，该方法还可让您打开新的场景，例如在基于规则的传统编程方法中可能无法实现的高尔夫场景。

在传统编程中，代码被编译为通常称为程序的二进制文件。在机器学习中，您通过数据和标签创建的项称为模型。

因此，如果您回到此图表：

将该操作的结果视为一个模型，在运行时如下所示：

您向模型传递一些数据，然后模型会使用从训练中推断的规则进行预测，例如，“该数据似乎表示在步行”或“该数据似乎表示在骑车”。