Python程序设计与科学计算精录&总结Episode.5 Python进阶：机器学习、人工智能应用（基于Michael导师Python课程与VS2019）

昨天刚刚举行了我国2020年深度学习大会，我旁听了一会，深受启发。虽然网络会议的形式让不少的讲话流于了表面，但是不难发现科学家们对于深度学习领域的探索是从未停下脚步的。

个人认为，一味地为了高薪和就业前景去挤人工智能专业的做法不可取。深度学习的概念现在被炒的很火，许多并不是研究真正人工智能的公司&机构也将算法笼统地称作人工智能，这也使得这个新兴专业泥沙俱下。

既然是第四次全新技术革命，和曾经一样，绝对不是一蹴而就的。需要长期的积累，需要从生物学到电子学再到程序设计多方面技术的加特。由此看来，这篇博文总结的有关机器学习人工智能应用的东西，也是夹杂着炒概念嫌疑的设计，不过这至少可以打开这个新世界的大门。

所谓装逼第一步就是见谁都说自己在做人工智能，这也是我们起初想学习它的动力之一吧。

---

一、机器学习过程是人工智能的基础：

机器学习过程可以简要的总结为下面七个步骤

收集数据、数据准备、选择模型、训练模型、评估模型、调整参数、预测

下面我们利用评估苹果apple公司股票走势的实例来讲解机器学习的开发。这里我们需要用到的是一个循环卷积神经网络LSTM功能。想要用到神经网络的具体内容，还需要安装tensorflow模块，安装完成后继续安装keras模块（这个是神经网络的基础）。对于数学支持的机器学习库，需要安装scikit-learn。至于金融数据的获取，我们需要安装pandas-datareader模块。安装好这些东西之后，就可以开始今天的代码编写了。

1、基本的模块内容的导入：

import math
import pandas_datareader as web
import numpy as np
import pandas as pd
from sklern.preprocessing import MinMaxscaler
from keras.models import Sequential
from keras.layers import Dense, LSTM
import matplotlib.pyplot as plt

这些内容前面都有所介绍，此略。

2、获取金融方面的数据：

df=web.DataReader("AAPL", data_source="yahoo", start="2012-01-01", end="2020-05-21")

DataReader对象的调用，其中第一个字符串是公司名字，例如AAPL是苹果，这个需要去股市上查名字。data_source代表数据来源的库，金融方面一般是上yahoo。然后后面两个代表抓取的数据的开始和截止日期。

3、利用数据可视化来展示上面我们获取的数据：

因为数据是时间顺序同时又比较多，所以用折线图来显示：

plt.figure(figsize=(16,8))
plt.title("stock price history")
plt.plot(df["Close"])
plt.xlabel("Date", fontsize=18)
plt.ylabel("Closing Price USD($)", fontsize=18)
plt.show()

plt.figure对象是设定整个图像的大小，这里定位16X8的图片。title对象是命名整个图像。plot对象是对图像进行赋值，那么先然需要的就是对网上搜索到的df股票信息变量中，Close这一列的币值属性。然后是xlabel和ylabel横轴纵轴的命名和大小。最后使用show对象将图像给展示到控制台中。

4、利用numpy的功能实现close列的数据存储到新的python自带变量中：

data=df.filter(["Close"])
Dataset=data.values

首先filter对象是把Close类中的数据滤出来并且赋值给data，然后利用data中自带的values功能完成数据字符串到实际数据数字的转换工作。

5、开始训练我们的模型：

training_data_len=math.ceil(len(dataset)*0.8)

scaler=MinMaxScaler(feature_range=(0,1))
scaled_data=scaler.fit_transfrom(dataset)

train_data=scaled_data[0:training_data_len, :]
x_train=[]
y_train=[]
for i in range(60, len(train_data)):
    x_train.append(train_data[i-60:i,0])
    y_train.append(train_data[i,0])
    if i<=60:
        print(x_train)
        print(y_train)
        print()
x_train, y_train=np.array(x_train), np.array(y_train)

x_train=np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))

第一个math.ceil是对所有长度大于dataset零点八倍的数据选出来并且作为训练的样本。然后调用MinMaxScaler对数据进行数据归一化，说白了就是全部给压缩到（0，1）区间里面去。

然后利用scaled_data对象建立一个60个数据的学习模型，相当于是将这六十个数据提出来并且用于训练的样板数据。最后利用np.shape将这些转换为序列的数据变成三维的。

model=Sequential()
model.add(LSTM(50, return_sequences=TRUE, input_shape=(x_train.shape[1], 1))
model.add(LSTM(50, return_sequences=FALSE))
model.add(Dense(25))
model.add(Dense(1))

简单地来说，这五行是利用数学模型构建卷积神经网络层次关系的函数。实际上就是让我们的数据无限适应这个模型，下面就开始编译这个模型：

model.compile(optimizer="adam", loss="mean_squared_error")

model.fit(x_train, y_train, batch_size=1, epochs=1)

optimizer和loss都是衡量模型标准的参数的定义，这里用到了adam和mean_squared_error，学习统计学的同学们会很熟悉。然后训练模型，利用fit对象，分别传入自变量因变量，神经网络结构层次的模式定义batch和训练截止的标志epochs。

6、评估模型：

test_data=scaled_data[training_data_len-60:, :]
x_test=[]
y_test=[]
for i in range(60, len(test_data)):
    x_test.append(test_data[i-60:i, 0])
x_test=np.array(x_test)
x_test=np.reshape(x_test,(x_test.shape[0],x_test.shape[1],1))

利用test_data多用几个没用过的现成数据来试试看我们的模型准确度怎么样。不要忘记最后x_test还是需要转换为三维的。

7、得到预测值：

predictions=model.predict(x_test)
predictions=scaler.inverse_transform(predictions)

rmse=np.sqrt(np.mean(predictions-y_test)**2))

利用predict对象将数据预测出来。

预测完成之后我们画出预测图像即可：从新赋值train和valid就是模型和实际，然后复制前面第三步数据可视化的代码，稍稍改动参数名即可。

train=data[:training_data_len]
valid=data[training_data_len:]
valid["Predictions"]=predictions

plt.figure(figsize=(16,8))
plt.title("Model")
plt.xlabel("Date", fontsize=18)
plt.ylabel("Closing Price USD($)", fontsize=18)
plt.plot(train["Close"])
plt.plot(valid["Close", "Predictions"])
plt.legend(["Train", "Val", "Predictions"], loc="lower right")
plt.show()

最后我们再对模型进行一个展示：

valid

8、实操：预测5月21日之后的苹果公司的股票走势，和上述代码完全相同，只是改动代码即可。因为上面是获取60天数据而获取61天数据，那么不难可以改为利用前面上千天的数据预测新一天的数据。只要掌握上面的内容，这个实现很简单，此略。

最终我们就会得到这样的效果：

---

二、Python人工智能的未来发展方向：

1、据人民日报海外版报道，工信部教育考试中心副主任周明曾在2016年向媒体透露，中国人工智能人才缺口超过500万人。

2、根据脉脉数据研究院提供的数据显示，目前国内人工智能相关岗位的工作起薪基本都在12.5k/月以上，从业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番。

3、2018年人才争夺已呈白热化，处于行业风口的AI人才薪酬已是飙涨。毕竟有雄厚的实力豪取顶尖专家的头部公司还是少数，超过90%的互联网创业公司选择了把目光转向培养年轻AI人才。

但人工智能难度大，自学没有方向和重点。所以建议你进行系统的学习！

在未来，人工智能领域的投资将以“AI+行业”的方式展开，预计人工智能应用场景较为成熟且需求强烈的领域，如安防、语音识别、医疗、智慧城市、金融等领域，带来升级转换，提高行业智能化水平，改善企业的盈利能力，预计随着诸如无人驾驶汽车等认知智能技术的加速突破与应用，人工智能市场将加速爆发。

学习高等数学基础知识：首先，你是零基础的话，就先将高等数学基础知识学透，从基础的数据分析、线性代数及矩阵等等入门，只有基础有了，才会层层积累，不能没有逻辑性的看一块学一块。学习PythonPython具有丰富和强大的库。它常被昵称为胶水语言，能够把用其他语言制作的各种模块(尤其是C/C++)很轻松地联结在一起。

比如3D游戏中的图形渲染模块，性能要求特别高，就可以用C/C++重写，而后封装为Python可以调用的扩展类库。这也是人工智能必备知识。机器学习属于人工智能的一个分支，它是让机器能具备摆脱对人工指令的依赖，能按照一定的算法开展自主学习的能力。

可以说Python的出现才真正让“人工智能”不枉智能二字。所以，未来5到10年，整个人类社会都会迅速朝这个方向演进。如果我们个人想顺应这个潮流，我建议应该快速切入python的学习。为什么说要学习Python因为无论是大数据分析，还是机器学习，python都有很强大的支持能力

python代表了适应未来的一种趋势。python作为脚本语言，它本身具备了一般脚本语言的诸多优点，如：易上手，即写即能运行，易读，易维护等，同时它经过十多年的发展，目前能支持的领域非常广大，python可以从支持航空航天器系统的开发到小游戏开发的几乎所有的领域。这最根本还是来源于它一开始的开源策略！

Python在另一方面是不同的：它更多样化，鉴于Python不仅是一种通用的编程语言，而且也是一门科学的编程语言，我们很快就会看到Python在更高的薪水方面接管了Ruby，挣得更多。

Python开发语言专业性比较强，但目前高校相关课程的体系建立还不完整，绝大部分也只是停留在基础语法的讲解上，还是找个靠谱的Python培训机构来系统的去学习，专业的导师可以更加专业的指导培训，比起自学更加的事半功倍。当然，如果你自学能力很强，就忽略掉博主上面说的话即可。

---

至此，Python进阶的两篇文章也就更新完成了，在智能化应用总结的最后，再次放上人工智能交互对话的代码，有兴趣可以研究研究其模块、函数依据哦。

# -*- coding: utf-8 -*-
import aiml
import sys
import os
 
 
def get_module_dir(name):
 print("module", sys.modules[name])
 path = getattr(sys.modules[name], '__file__', None)
 print(path)
 if not path:
  raise AttributeError('module %s has not attribute __file__' % name)
 return os.path.dirname(os.path.abspath(path))
 
 
alice_path = get_module_dir('aiml') + '\\botdata\\alice'

os.chdir(alice_path)  # 切换到语料库所在工作目录

alice = aiml.Kernel()  # 创建机器人alice对象
alice.learn("startup.xml") # 加载...\\botdata\\alice\\startup.xml
alice.respond('LOAD ALICE') # 加载...\\botdata\\alice目录下的语料库
 
while True:
 message = input("Enter your message >> ")
 if("exit" == message):
  exit()
 response = alice.respond(message) # 机器人应答
 print(response)