Flint8作品 AI时代：码农的涅盘重生全文阅读简介:AI时代：码农的涅盘重生最新章节 第423章 第一期线下班(第1页/共4页)
AI时代：码农的涅盘重生 第423章 第一期线下班(第1页/共4页)
****3*6*0**小**说**阅**读**网**欢**迎**您****
请用户自行鉴定本站广告的真实性及其合法性，本站对于广告内容不承担任何责任。
不是开学典礼那种讲话，是真正的技术课——机器学习项目实战：从数据到模型。这门课本该由赵峰讲，但林晨把它拿过来了。不是不信任赵峰，是他想亲自看看这三百个学员。站在讲台上看，和坐在监控室里看，看到的东西不一样。
他站在第一教室的讲台上——第一教室是最大的教室，能坐八十个人。但今天六间教室的学员都来了，三百个人挤在一间教室里，坐的坐、站的站、蹲的蹲。走廊里也站了人，透过窗户往里看。小宇在最后一排架了一台摄像机——林晨的课要录下来，给以后的新学员看。
今天讲一个真实的项目。林晨打开笔记本电脑，投屏到电子屏幕上。不是MNIST手写数字识别，不是泰坦尼克号生存预测，不是网上烂大街的教学案例。是我自己做的项目——晨枫餐饮的日销售额预测模型。
屏幕上出现了一张表格——过去一年，六家店每天的销售额、天气、温度、节假日、周边活动。两万多条数据，每一条都是真实的。
这个模型现在在线上跑。每天早上六点，它自动预测六家店今天的销售额，误差在百分之八以内。中央厨房根据预测结果备料——预测卖多少份回锅肉，就备多少份五花肉。预测卖多少份酸菜鱼，就备多少条黑鱼。这个模型帮晨枫把食材损耗率从百分之五降到了百分之二。一年省十几万。
台下有人在记笔记。
今天，我带你们把这个模型从头做一遍。从数据清洗到特征工程，从模型选择到评估优化，从部署上线到监控维护。每一步我都会讲——不是讲理论，是讲我怎么做的，为什么这么做，踩过什么坑，怎么爬出来的。
他打开Jupyter Notebook，开始写代码。
第一步，数据清洗。真实数据永远是脏的——有缺失值、有异常值、有格式错误。比如这条数据——他指着一行。销售额是负的。不是系统出错了，是那天有一笔退款。如果不处理，模型会被这个负数带偏。
他写了几行代码，把异常值过滤掉。
第二步，特征工程。原始数据不能直接喂给模型。需要从原始数据里提取特征——星期几、是不是节假日、温度是多少、下不下雨。这些特征比原始数据更能帮模型找到规律。
他写了一个特征提取函数，把日期转换成了星期几是否节假日，把天气转换成了温度区间是否下雨。
第三步，模型选择。不是选最复杂的模型，是选最合适的模型。这个场景的特征不多——十几个特征，两万条数据。用XGBoost就够了。不需要深度学习。深度学习是屠龙刀，但杀鸡用菜刀就行。
他写了几行代码，用XGBoost训练了一个回归模型。训练过程只用了三秒钟。
第四步，评估。模型训练完了，怎么知道它好不好？不是看它在训练集上的表现——训练集上表现好是应该的。要看它在测试集上的表现——测试集是模型没见过的数据。在没见过数据上表现好，才是真的好。
他把测试集喂给模型，算出了平均绝对误差——百分之七点八。
百分之七点八。意味着模型预测今天卖一万块，实际大概在九千二到一万零八百之间。这个精度够用了——中央厨房备料的时候会留百分之十的余量。
他停了一下，转过身，看着台下的学员。
有人可能会想——这个模型看起来也不难啊，几行代码就搞定了。对，不难。但难的不是代码，是前面的东西——数据怎么收集、特征怎么设计、模型怎么评估、结果怎么用。代码只是最后一步。前面的每一步，都需要理解业务。
他点了一下鼠标，屏幕上出现了这个项目的GitHub仓库——三百多个mit，从第一个版本到最新版本，跨度一年半。
这是我一年半里做的所有改进。第一个版本只用了一个特征——历史销售额的移动平均。误差百分之十五。第二个版本加了天气特征，误差降到百分之十二。第三个版本加了节假日特征，误差降到百分之十。第四个版本换了模型——从线性回归换成XGBoost，误差降到百分之八。每一个版本都是一个小改进，合在一起就是一个好模型。
他关掉Jupyter Notebook，看着台下的学员。
我想告诉你们的是——AI不是魔法。不是你把数据丢进去，模型自己就能学会。AI是手艺。是反复打磨、不断改进、一点一点优化的手艺。你们在这里学四个月，学的不是怎么调用一个模型——调模型谁都会。学的是怎么把一个模型从百分之十五优化到百分之八。这种能力，才是你们面试时最大的底气。
台下响起了掌声。
下课后，一个学员在走廊里拦住了林晨。
林晨记得他——他叫老马，四十三岁，之前在东莞一家电子厂做仓库管理员。他的课桌上贴着那张目标卡——我不认命。
林老师。老马的声音有点急。你刚才讲的那个销售额预
>>>点击查看《AI时代：码农的涅盘重生》最新章节