最近，人工智能 （AI） 以惊人的速度越来越受欢迎。
OpenAI 的 ChatGPT 是人工智能的突破，热情高涨。
ChatGPT 引发了许多公司效仿的 AI 应用趋势。
你到处都在阅读和听到关于人工智能的信息。名人表演奇怪舞蹈动作的视频和图像出现，或者您听到「实际上」已经死了几年的艺术家的采访和歌曲。
下面将解释人工智能的确切功能。作为开发人员，我们习惯于分类思考并将问题分解为小步骤，这正是所有人工智能的工作方式。它们基于所谓的模型，这些模型已经针对各自的应用领域进行了训练。
示例 ：
如果您向 ChatGPT 索要图片，则必须使用 DALL-E 等单独的模型。
如果你要求一首诗，ChatGPT 使用语言模型。
ChatGPT 只不过是一个使用不同模型来完成手头任务的聊天机器人。
这就是我想开始并编写一个小型人工智能的地方，该人工智能将客户评论（以自由文本形式提供）分类为正面或负面。
作为 .NET 开发人员，Microsoft 提供了一个低门槛的机器学习入门 ML.NET。这个免费的开源框架可以轻松地将 ML 模型集成到新的和现有的 .NET 应用程序中，而无需了解 Python、R 或其他 ML 库。ML.NET 已包含许多用于常见用例的现成模型，并且可以轻松集成到现有的 .NET 应用生命周期中。
机器学习的基础知识
术语「机器学习」描述了教计算机从数据中学习模式和关系的方法，而不是使用规则和程序逻辑对它们进行显式编程。其目的是使机器能够独立于样本数据进行「学习」，并应用这些知识来解决类似的问题。
基本上有三种类型的学习：
监督学习
监督学习是一种机器学习方法，其中为模型提供训练数据，包括输入数据（例如文本）和相应的所需输出（例如「正」或「负」等分类）。使用这些示例，系统可以学习识别将输入与输出相关的模式。这使它能够在以后预测新的、看不见的输入的正确输出。一个经典的应用示例是图像中的对象识别。
例：
使用 ML.NET 进行监督学习的一个应用示例是将产品评论分类为「正面」或「负面」。程序如下：
// Loading the training data with reviews and labels
var data = mlContext.Data.LoadFromTextFile<ReviewData>(pathToFile);
// Creating the processing pipeline
var pipeline = mlContext.Transforms.Text.FeaturizeText("ReviewText", "Features")
.Append(mlContext.Binary classification.Trainers.SdcaLogisticRegression("Label"));
// Training the model
var model = pipeline.Fit(data);
在这一点上，我们有一个经过训练的模型，可以对新评论进行分类。
无监督学习
无监督学习是一种机器学习方法，其中模型仅提供未标记的输入数据，例如文本或图像，而没有任何相关的目标变量或分类。系统必须独立识别此原始数据中的结构、模式和相关性。一个典型的应用领域是聚类，其中相似的输入数据被汇总到组中。可能的示例是基于营销数据识别客户群，或者在分析文本时根据主题领域对新闻文章进行分组。
例：
无监督学习可以与文本聚类 ML.NET 一起使用，例如：
// Loading the text data
var data = mlContext.Data.LoadFromTextFile<ArticleData>(pathToFile);
// Create the text featurisation pipeline
var pipeline = mlContext.Transforms.Text.FeaturizeText("ArticleText", "Features");
// Train the clustering model
var model = mlContext.Clustering.Trainers.KMeans(pipeline, numberOfClusters: 5).Fit(data);
// Predict the cluster membership for new articles
var predictions = model.Transform(data);
例如，通过这种方式，新闻文章可以自动分类为政治、商业、体育等主题集群。
ML.NET 主要侧重于监督和部分无监督学习。ML.NET 目前没有为强化学习提供任何特定的支持，在强化学习中，人工智能在模拟环境中通过奖励进行训练。这种学习范式特别用于战略发现任务，例如游戏或流程优化。
强化学习
强化学习是一种学习范式，其中人工智能在模拟环境中通过反复试验进行训练。与监督学习相比，没有具有输入输出对的完整训练示例。相反，系统会收到每个操作的分数（奖励），这表明该操作有多「好」。通过最大化累积的奖励，人工智能学会了为任务找到最佳策略。这种强化学习原理特别用于需要找到复杂策略的任务。例子包括棋盘游戏，如国际象棋或围棋，还有机器人控制、流程优化或自动驾驶的应用。
示例 ：
一个经典的应用程序示例是国际象棋玩家代理。这里的环境可能是一个棋盘，可能的动作是移动动作。然后，代理会收到每步棋的评估，例如，+1 表示确定的棋子获胜，-5 表示即将输掉棋子。通过许多训练游戏，人工智能可以学习哪些动作可以带来长期的胜利，从而最大限度地提高其累积奖励。
设置开发环境
若要开始使用 ML.NET，我们需要版本 4.6.1 或更高版本的 .NET Core 或 .NET Framework 环境。ML.NET 可以在 Visual Studio、Visual Studio Code 或命令行中使用。
第一步是安装所需的 NuGet 包 ML.NET：The first step is to install the required NuGet packages of ：
Install-Package Microsoft.ML
此主包包含基本功能，例如 ML.NET 上下文、数据转换以及包含模型和任务的目录。对于其他功能，可以添加其他包，例如用于图像处理的 Microsoft.ML.Vision 或用于推荐系统的 Microsoft.ML.Recommender。
安装后，我们可以在 Visual Studio 中创建 .NET Core 或 .NET Framework 控制台应用程序并开始开发。
（可选）集成工具（如 Visual Studio 中的模型生成器界面或 ML.NET CLI ）可用于可视化数据和创建模型。我稍后再谈这个问题。
创建第一个 ML 模型
下面，通过示例逐步解释 ML.NET 的基本概念：
客户评论的分类基于自由文本。
结果应该是将这些评级归类为正面或负面。
这是一个经典的监督学习问题。
我们创建新的 C# 控制台应用程序并导入 ML.NET NuGet 包。
接下来，我们将数据集加载到工作内存中。在我们的示例中，我们需要一个 TSV（制表符分隔文件）文件。这由控制台应用程序中的简单类表示：
此类代表 TSV 文件中的每一行。
public classReciewData
{
}
现在，我们为 TSV 数据的每一列添加属性：
public classReviewData
{
publicstring ReviewText { get; set; }
publicbool Label { get; set; }
}
不幸的是，这还不足以加载此 TSV 文件并教 ML.Net 如何引用此文件。
为此，我们需要属性：LoadColumn 加上列的索引。
public classReviewData
{
[LoadColumn(0)]
publicstring ReviewText { get; set; }
[LoadColumn(1)]
publicbool Label { get; set; }
}
这是从 ReviewText 属性到 TSV 文件 ReviewText 列的简单映射。
现在，让我们处理文件的存储路径，并将它们保存在我们的应用程序中：
首先，我们创建训练文件的路径，即 TSV 文件 （Review.tsv）。
string baseDirectory = @"..\\..\\AI";
string subDirectory = "TrainingData";
string trainingDataFilePath = Path.Combine(baseDirectory, subDirectory, "Reviews.tsv");
我们将使用此文件来训练要用于分类的模型。
现在，我们定义要训练的模型的路径。此模型保存为 ZIP 文件。
string modelPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "model.zip");
现在我们需要一个 MLContext 变量。MLContext 可与 EF DbContext 相媲美。因此，每当要使用机器学习时，都必须与 MLContext 进行交互，类似于 EF Core 中的 DBContext。
现在我们已准备好加载数据。我们可以根据需要操作它来根据我们的要求训练模型。
现在我们构建模型：
为此，我们需要 ML.NET 的特定类型。The IDataView:
var trainingDataView = mlContext.Data.LoadFromTextFile<ReviewData>(trainingDataFilePath, separatorChar: '\t', hasHeader: true);
现在，我可以使用 MLContext 中名为 LoadFromTextFile 的函数。<ReviewData>' 现在用于将数据投影到我们最初创建的类中。现在必须将训练文件的路径传递给此函数。作为奖励，我们可以在这里指定更多选项，例如 TSV 文件的分隔符以及我们的训练文件是否有标头（我们有一个标头，所以我将此参数设置为 true）。
现在我们已经将数据加载到 DataView 中，我们可以开始预处理了。预处理是创建所谓的管道的一种方法。这以后可用于在我们有传入数据（例如我们的客户分数）时执行预测。为此，我们需要从创建的数据视图 （IDataView） 中提取数据，然后对其进行转换，以便将其用作机器学习过程的一部分。
现在，让我们创建管道。这具有特定的返回类型：IEstimator<ITransformer>：
/// <summary>
/// Creates the machine learning pipeline for review classification.
/// </summary>
/// <param name="context">The ML context.</param>
/// <returns>The machine learning pipeline.</returns>
publicstaticIEstimator<ITransformer>CreatePipeline(MLContext context)
{
return context.Transforms.Text.FeaturizeText("Features", "ReviewText")
.Append(context.Binary classification.Trainers.SdcaLogisticRegression(labelColumnName: "Label"))
.AppendCacheCheckpoint(context);
}
**Context.Transforms.Text。**FeaturizeText 是 ML.NET 中的文本转换组件，用于将文本数据转换为数值要素。
「特征 」是包含生成的数值特征的新列名称。
**「ReviewText」**是 TSV 文件中包含要转换为数字特征的文本的列的名称。
现在开始训练模型：
**'。Append「 将下一步添加到管道中。使用 「Context.Binary classification.Trainers.SdcaLogisticRegression」**训练模型，该算法定义了要训练模型的算法，在本例中为 SdcaLogisticRegression 算法。「标签」是表示要预测的目标变量的列或列的名称。在我们的示例中，它是对这种评估是积极的还是消极的分类。
让我们再次总结一下：
此命令生成执行以下步骤的管道：
文本特征化：「ReviewText」列中的文本将转换为数字要素，并存储在新的「要素」列中。
模型训练：「特征」列中的数值特征用于训练具有「标签」列中目标变量的二元分类模型。
现在，我们已经创建了管道，可以开始训练模型了。
var pipeline = CreatePipeline(mlContext);
var model = pipeline.Fit(trainingDataView);
我们使用「管道。适合（...）' 命令根据 TSV 文件中的数据训练模型。然后将模型存储在内存中。
但是，为了保存模型而不必每次都创建和重新训练它，我们可以使用「Save（）」方法。这使我们能够将训练好的模型保存在特定的文件路径中。通过这种方式，我们可以在需要时简单地加载和使用模型，而不必每次都重新训练它。
MlContext 中有一个选项，我们可以在其中找到 Save（） 函数：
context.Model.Save(model, schema, modelPath);
首先，我们从 TSV 文件的 IDataView 传输经过训练的模型和架构，然后传输要保存模型的路径。
我们现在已经训练了我们的模型并将其保存到硬盘中。
现在我们需要另一个表示训练的 DataSet 的类，即模型的结果（预测类）。为此，我们从 TSV 文件 （ReviewData） 创建另一个与 DataSet 类具有类似结构的类。
public classReviewPrediction
{
[ColumnName("PredictedLabel")]
publicbool PredictedLabel { get; set; }
}
该属性定义在 MLContext 中使用「PredictedLabel」列的名称来读取其中的预测值。
为了将模型连接到预测类，我们现在需要一个 PipelineEngine。我们从 MLContext 再次创建此引擎。
var predictionEngine = mlContext.Model.CreatePredictionEngine<ReviewData, ReviewPrediction>(model);
我们将泛型类型 TSrc（源）和 TDst（目标）用于输入和输出类，「 ReviewData 」和「 ReviewPrediction 」（「Good rating」、「Positiv」）。
各个组件及其交互现在应该是可以理解的：为什么我们需要将文本转换为数字特征，为什么我们需要准备数据以便计算机能够理解它，以及我们的「ReviewData」类是我们的源类，「ReviewDataPrediction」是我们的目标类。
现在我们已经完成了准备步骤，我们可以进入预测阶段。
现在，让我们来处理执行预测并返回预期目标变量的代码。
在我们的示例中，预测结果是一个布尔值。
第一步是输入一个分数，然后我们将其写入「ReviewData」输入类。
var input = newReviewData { ReviewText = inputReviewText };
变量「 ReviewText 」是一个字符串变量，包含我们的审阅。
现在，我们将「 ReviewData 」类型的输入变量传递到我们刚刚创建的管道。
因此，我们收到「 ReviewPrediction 」输出类，现在可以通过该变量从模型访问目标变量。
// classify the new rating and display the result
var prediction = predictionEngine.Predict(input);
Console.WriteLine($"The classification for the rating ‘{ input.ReviewText}’ is: { (prediction.PredictedLabel ? "Positiv" : "Negativ")}");
如果模型具有良好的训练数据，我们现在应该得到正确的预测结果。
它似乎有效。
当然，这只是一个小例子，模型并不完美，但如果你训练得好，理想情况下它应该总是返回正确的结果。
以下扩展已添加到示例中，用于在输入不正确或未知时重新训练模型。
启动应用程序时，您可以选择向模型添加新数据和直接训练，也可以创建新注释。
在下面的文章中，我将仔细研究图像识别和预测。
总结：
尽管本文仅限于文本分类，但仔细观察并带有一点创造力，所描述的方法开辟了许多可能性。例如，对某个分类的识别可用于自动触发进一步的过程。
总的来说，可以说人工智能具有巨大的潜力，可以在日常生活的许多领域为我们提供支持并优化流程。文本分类只是众多可能应用中的一个例子。可以假设，未来越来越多的领域将受益于人工智能的可能性，这将为公司和个人开辟新的机会。
如果你喜欢我的文章，请给我一个赞！谢谢
