AI概览：
1、人工智能概述思维导图
2、Fizz_Buzz实践练习
3、奇异值分解后，重建；只保留一个奇异值，重建原矩阵
4、最小二乘法曲线拟合：用两种不同的随机噪声，分别绘图，数据点和拟合的模型。
一、Windows环境搭建（创建一个新的环境）
conda create --name tensorflow python=3.5
activate TensorFlow 激活环境
deactivate TensorFlow 退出环境
conda env list 查看有哪些环境
conda install nb_conda ---安装nb_conda用于notebook自动关联nb_conda的环境
在dos窗口输入jupyter notebook--点击new--就可以使用TensorFlow这个刚刚创建的环境了
conda install numpy pandas scikit-learn
conda install tensorflow==1.8
安装OpenCv 首先在https://pypi.org/project/opencv-python/3.3.0.10/#files这个网站下载对应的whl包
python35的下载如下这个包：
进入到C:\Anaconda3\envs\tensorflow\Scripts 把whl文件放入这个目录下
进入到python、输入import cv2无报错说明导入模块成功
# coding:utf-8
# 作者：多测师_王sir
# 网址：www.duoceshi.cn
# fizz_buzz实战
import numpy as np
from sklearn import linear_model
from sklearn.metrics import mean_squared_error
# 分类，回归(有监督)和聚类(无监督)
# 1 数据预处理理/特征工程
# 样本 train test
# 单样本 x(特征),y(标签，回归分类才有)
# 2 模型训练
# 模型
# 损失函数
# 评测指标 train metric
# 3 模型预测
# test metric
# 特征⼯工程构造特征⽅方法:将数字1,2,3 ... 等构造特征(重要影响因素，对预测number, "fizz", "buzz", "fizzbuzz"有帮助的因素)，构造为三个维度。
# 将每个输入的数，表示为⼀一个特征数组(向量)，这个特征数组有三个维度。
def feature_engineer(i):
return np.array([i % 3, i % 5, i % 15])
#return np.array([i % 3, i % 5])
# 将需要预测的指标转换为数字方法:将数据的真实值(预测结果)number, "fizz", "buzz", "fizzbuzz"
# 分别对应转换为数字 3, 2, 1, 0，这样后续能被计算机处理
def construct_sample_label(i):
if i % 15 == 0: return np.array([3])
elif i % 5 == 0: return np.array([2])
elif i % 3 == 0: return np.array([1])
else: return np.array([0])
#[1, 1] [2, 2] [3, fizz]
# 生成训练集和测试集数据:我们的⾯面试题目标是预测 1 到 100的fizz buzz情况. 所以为了了 # 更更加公平的预测，不不让分类预测器器较早的知道
要预测的数据的情况，
# 我们选取101到200这个范围的数作为我们的训练集和测试集。
# Note: 语法说明。 for i in range(101, 200)代表Python中从for循环中遍历取值为i，并 # 赋值将i值输入到feature_engineer函数
#训练集真题
# [[0,1,2], [2,3,1],[1,2,3]]
x_train = np.array([feature_engineer(i) for i in range(181, 281)])
#print(x_train)
# [[1],[2],[4]]
y_train = np.array([construct_sample_label(i) for i in range(181, 281)])
#print(y_train)
#测试集期末考试试卷
x_test = np.array([feature_engineer(i) for i in range(51, 181)])
y_test = np.array([construct_sample_label(i) for i in range(51, 181)])
logistic = linear_model.LogisticRegression()
logistic.fit(x_train, y_train)
# Returns the mean accuracy on the given test data and labels # 代表模型精准程度
print('LogisticRegression score: %f'% logistic.score(x_test, y_test))
# print(logistic.predict([feature_engineer(231)))
# 运行结果：LogisticRegression score: 1.000000
二、Mac环境搭建
1.mac 下载anaconda3-4.2.0 对应的是Python3.5
因为TensorFlow1.8只支持Python3.5
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
2.安装TensorFlow1.8前面需要加个sudo
3.搭建TensorFlow的虚拟运行环境
https://blog.csdn.net/gxuphf123/article/details/81121937
