使用机器学习构建 Call for Code 应用程序

欢迎阅读“Call for Code 技术系列短文”的第四部分，我将在此明确并探讨 Call for Code 中的六个核心技术重点领域之一。您将了解一项技术，知道如何在 IBM Cloud™ 中充分利用该技术，以及在哪里能找到最佳资源来激发创新。如果您错过了我所写的关于构建 Call for Code 应用程序的其他博客文章，可点击IoT 和 Node-RED、 AI 和区块链阅读。

当务之急是，如果您尚未接受 Call for Code 挑战赛并加入我们的社区，请赶快采取行动。

在第 4 部分中，我将讨论如何在您的 Call for Code 解决方案中集成机器学习。正如您所发现的，机器学习与人工智能内容有所重叠并密切相关，而我在此将着重介绍它们的不同之处和相似之处。

机器学习简介

机器学习是什么？我认为IBM 机器学习页面 中对机器学习的定义太过简单，不够详细。”机器学习是人工智能的一种形式，能够让系统从数据中学习，而不是采用显式编程形式。”这意味着您不必坐下来编写一个处理数据的程序，而只需将数据提供给模型，该模型会学习如何以最佳方式解释数据。学习主要有四种类型：监督式学习、无监督学习、强化学习和深度学习。

监督式学习是指为模型提供的数据已进行了分类或贴上了标签。我们了解要提供给模型的数据，所以我们只是在寻找数据中的一个模式。无监督学习正好相反，我们没有这些数据的标签，但我们希望了解这些数据是什么，以及我们能否从中找到任何模式。

强化学习的不同之处在于，它是一个行为学习模型。该模型基于训练过程中学习到的反馈以及通过数据分析反复试错而日臻完善。深度学习类似于强化学习，但要复杂得多。它使用一组神经网络来理解复杂的非结构化数据中的模式。它们模仿了人类大脑理解数据的方式，但很难训练一台计算机像人类那样思维和分析。

IBM Cloud 上机器学习的强大功能

您不仅可以在 IBM Cloud 上使用机器学习，我们还提供了一整套机器学习/深度学习服务，您可以在 Watson™ Studio 中使用这些服务。Watson Studio 是一个平台，用于构建和训练机器学习模型，以及准备和分析数据，所有这些操作都在一个灵活的混合云环境中完成。Watson Studio 还为数据科学家、应用程序开发者和主题专家提供了多种工具，方便他们密切协作，轻松地使用数据大规模构建和训练模型。

Watson Studio 为您提供了相应的环境和工具，让您能够通过协同处理数据来解决问题。您可以选择所需的 工具 来分析数据并使之可视化，清理和塑造数据，摄取流数据，或者创建和训练机器学习模型。有关 Watson Studio 的更多信息，可点击此链接，其中提供了相关概述以及入门视频。

观看视频

观看 IBM Developer 上完整视频系列中的三部分内容 ，快速了解机器学习和人工智能，并学习如何使用 IBM Watson Studio。

开始使用机器学习

如果您还没有 IBM Cloud 帐户，第一步是进行注册，两分钟内即可完成。只需确保使用有效的电子邮件地址，因为在创建任何服务之前，都必须先确认您的电子邮件地址。

如果您想要查看 IBM Watson Machine Learning (WML) 产品，可以在此处的 IBM Cloud 目录中找到相关内容。WML 可与各种机器学习框架配合使用，包括 TensorFlow、Keras、Caffe、PyTorch 等。您可以通过命令行、 Python 应用程序或 API 以多种方式使用它。最棒的是，它与 Watson Studio 相集成！ 

由于 Call for Code 的重点之一是促进灾后重建工作，因此人脸识别是一项非常有用的技术 – 例如，使用以下 IBM Code Pattern： 通过 Web 应用进行人脸识别并推测年龄 。该解决方案利用了机器学习，并可以扩展为存储人脸数据库。通过图像来推算年龄可以帮助因自然灾害而流离失所的朋友和家人团聚。

另一个使用机器学习来帮助人们的 IBM Code Pattern 则可 分析合成的健康数据，并根据此数据来预测患者是否患有糖尿病 。这可以根据自然灾害后采集的医疗数据予以调整，进而确定是否有任何受影响的人因这一事件而患上了某种疾病。

这里的 “使用 NASA 卫星数据和机器学习来预测山火强度”视频 是另一个例子，说明了如何通过提醒处于危险地区的人们来帮助降低自然灾害带来的风险。

本周，您学习了机器学习以及如何使用 IBM Cloud 和提供的 Code Pattern 来实现机器学习。我很快就会推出第 5 部分，讨论交通和天气数据，这些数据可以整合到您的 Call for Code 2019 提交方案中。

同时，在 Twitter 上关注我，或者在 GitHub 中查看我的工作成果。

感谢Tom Markiewicz 对这篇博客文章做出的贡献。

其他资源：

• IBM 从人脑中汲取灵感打造更完善的神经网络
• IBM Watson Studio – 让 ML/DL 变得更简单
• 有关机器学习的更多资源
• 阅读 Tom Markiewicz 撰写的 O’Reilly 电子书： “Getting started with artificial intelligence”
• 观看 Call for Code Twitch 数据流

本文翻译自： Building Call for Code applications using machine learning （2019-05-02）