斜槓學習 – 零基礎成為 AI 解夢大師秘笈
本文作者：Ovien
系列文章簡介
自由團隊將從0到1 手把手教各位讀者學會(1)Python基礎語法、(2)Python Web 網頁開發框架 – Django 、(3)Python網頁爬蟲 – 周易解夢網、(4)Tensorflow AI語言模型基礎與訓練 – LSTM、(5)實際部屬AI解夢模型到Web框架上。
學習資源
AI . FREE Team 讀者專屬福利 → Python Basics 免費學習資源
Yo~終於介紹到模型的部分了，但是再講模型之前，我們還是要先探討何謂人工智慧、資料科學等等...
相信 2020 年的大家對於人工智慧都已經相當了解，即使不是在這個領域的人，也在網路、新聞上看到許多這領域的事蹟，小到專題研討，大到國際廠牌嵌入AI模組，AI的影響力越來越大，那就讓我們來檢視，這個黑盒子裡面到底賣的是什麼藥！
此篇教學文章，將帶一些實作讓大家更有感覺~
人工智慧的鼻祖
最早可以追朔到1943年，由Warren McCulloch and Walter Pitts 所推出的McCulloch–Pitts neuron network，以下簡稱 MP model。
那為什麼會叫 Neuron Network？因為神經網路其實就是在模擬人類的神經運作方式。
人們期許AI像人類的大腦一樣，具有神經間輸入與輸出的運作模式
好的，回來我們的MP model，來檢視一下MP model的數學式子
從下圖我們可以知道，這是一個binary的task，輸入為X，輸出為Y
當X>=θ則Y=1，反之X<θ則Y=-1
Xi為每個輸入的值
θ是一個threshold，作為判斷式的條件用
由上圖我們可以發現，MP model似乎只能處理boolean值，而f裡面為數學運算式，其實就是很簡單的輸入X的總和，g就是threshold的判斷，來決定輸出為0或1(True or False)
如果還不夠了解的話，我們可以直接進入實作，大家一定明白在做什麼
實作
這是一個邏輯運算問題，AND運算(&), OR運算(|), XOR運算(^)
我們先從AND(&)開始，以下真值表
我們可以看到AND的輸入需兩個都為1輸出才是1
如果使用前面幾天python basic的教學，使用幾個if判斷式就做出來了
一定超簡單!!
但是我們要揣摩神經網路，讓神經位元去判斷最佳的參數
一開始先宣告我們的資料集，使用numpy這個高階矩陣運算工具~
import numpy as np X_tr = np.array([[0,0],[0,1],[1,0],[1,1]]) print(X_tr)
可以看到我們的輸出為一個二維陣列
[[0 0] [0 1] [1 0] [1 1]]
宣告輸出
y_and = np.array([0,0,0,1]) print(y_and)
輸出為一維陣列
[0 0 0 1]
宣告完資料集，接下來定義我們的數學模型(MP model)
class MP_Neuron_network:
def __init__(self):
self.b = None
def math_f(self,x):
return(sum(x) >= self.b) #回傳是否大於b
def predict(self ,X):
Y = []
for x in X:
result = self.math_f(x)
Y.append(result)
return np.array(Y)
def acc_score(self,y_p,y_t):
c = 0
for i,j in zip(y_p,y_t):
if i == j:
c += 1
return (c / len(y_t))*100 # or y_p
def fit(self , X,Y):
accuracy = {}
for b in range(5):
self.b = b
Y_pred = self.predict(X) # print(Y_pred)
accuracy[b] = self.acc_score(Y_pred,Y)
print('b為 ({}) 預測為{} ，其正確率為{}'.format(b , Y_pred ,accuracy[b]))
best_b = max(accuracy ,key = accuracy.get)
print('b為 {} 是目前最好的結果，其正確率為 {}'.format(best_b,accuracy[best_b]))
print("")
self.b = best_b
print('最好的b為',best_b)
print('最高的正確率',accuracy[best_b])可能有點長，且聽我娓娓道來
__init__: 為初始宣告變數bmath_f: 將第Xi個的兩個值做單純的相加，並且判斷是否大於bpredict: 用for迴圈，透過math_f將每個回傳的值放進Y陣列裡acc_score: 進行預測的值與答案進行比對，算出正確率fit: 這個funciton比較長，我在程式內進行了註解，還有一些螢幕輸出讓大家更好理解，簡單來說就是呼叫以上的funciton，不過最重要的功能，是要保留最高的acc_score的參數b
接下來就餵資料進去吧~
mp_model = MP_Neuron_network() mp_model.fit(X_tr,y_and)
輸出為
b為 (0) 預測為[ True True True True] ，其正確率為25.0 b為 0 是目前最好的結果，其正確率為 25.0 b為 (1) 預測為[False True True True] ，其正確率為50.0 b為 1 是目前最好的結果，其正確率為 50.0 b為 (2) 預測為[False False False True] ，其正確率為100.0 b為 2 是目前最好的結果，其正確率為 100.0 b為 (3) 預測為[False False False False] ，其正確率為75.0 b為 2 是目前最好的結果，其正確率為 100.0 b為 (4) 預測為[False False False False] ，其正確率為75.0 b為 2 是目前最好的結果，其正確率為 100.0 最好的b為 2 最高的正確率 100.0
其實不難理解，因為AND是兩個都為1輸出才是1，所以當Xi內的值兩個相加 >= 2時，他就會找到最佳參數b
使用測試資料，並進行預測
X_test = np.array([[0,1],[1,1],[0,0],[1,0]]) mp_model.predict(X_test)
輸出
array([False, True, False, False])
接下來進行 or ( | )
改變輸出的答案就好
X_tr = np.array([[0,0],[0,1],[1,0],[1,1]]) y_or = np.array([0,1,1,1])print(y_or)
輸出
[0 1 1 1]
直接丟進我們的MP model
mp_model = MP_Neuron_network() mp_model.fit(X_tr,y_or)
輸出
b為 (0) 預測為[ True True True True] ，其正確率為75.0 b為 0 是目前最好的結果，其正確率為 75.0 b為 (1) 預測為[False True True True] ，其正確率為100.0 b為 1 是目前最好的結果，其正確率為 100.0 b為 (2) 預測為[False False False True] ，其正確率為50.0 b為 1 是目前最好的結果，其正確率為 100.0 b為 (3) 預測為[False False False False] ，其正確率為25.0 b為 1 是目前最好的結果，其正確率為 100.0 b為 (4) 預測為[False False False False] ，其正確率為25.0 b為 1 是目前最好的結果，其正確率為 100.0 最好的b為 1 最高的正確率 100.0
測試資料
X_test = np.array([[0,1],[1,1],[0,0],[1,0]]) mp_model.predict(X_test)
輸出
array([ True, True, False, True])
試試看 XOR(^)吧
一樣改變我們的答案
import numpy as np X_tr = np.array([[0,0],[0,1],[1,0],[1,1]]) y_xor = np.array([0,1,1,0])print(y_xor)
輸出
[0 1 1 0]
將資料丟進模型
mp_model = MP_Neuron_network() mp_model.fit(X_tr,y_xor)
輸出
b為 (0) 預測為[ True True True True] ，其正確率為50.0 b為 0 是目前最好的結果，其正確率為 50.0 b為 (1) 預測為[False True True True] ，其正確率為75.0 b為 1 是目前最好的結果，其正確率為 75.0 b為 (2) 預測為[False False False True] ，其正確率為25.0 b為 1 是目前最好的結果，其正確率為 75.0 b為 (3) 預測為[False False False False] ，其正確率為50.0 b為 1 是目前最好的結果，其正確率為 75.0 b為 (4) 預測為[False False False False] ，其正確率為50.0 b為 1 是目前最好的結果，其正確率為 75.0 最好的b為 1 最高的正確率 75.0
想更深入認識 AI . FREE Team ？
自由團隊 官方網站：https://aifreeblog.herokuapp.com/
自由團隊 Github：https://github.com/AI-FREE-Team/
自由團隊 粉絲專頁：https://www.facebook.com/AI.Free.Team/
自由團隊 IG：https://www.instagram.com/aifreeteam/
自由團隊 Youtube：https://www.youtube.com/channel/UCjw6Kuw3kwM_il39NTBJVTg/
文章同步發布於：第十二屆 IT 挑戰賽部落格