本來呢，最近看了人類簡史，想寫一篇偏見相關的，思路還沒整理好不好放出來，先寫個技術的吧。最近真是忙成狗，搬職場，找房子租，參加各種各樣的會議，還有開發任務，做屁屁踢，接下來架構的規劃，知識儲備。
可是畢竟我也不想跳票的嘛。T_T
說實話。
時間還是蠻充裕的，啊哈哈哈哈哈哈！！！！！！！
突然想起上一篇忘了開原創忘了開贊賞而且忘了放二維碼，現在心塞塞塞塞塞的，大家點個贊或者分享一下我會很開心的。
今天就用比較主流的架構，來簡單實現這個在線預測系統，來完全打消小伙伴們對機器學習的恐懼感，它不難，但是我從沒說過它很簡單。
整套代碼核心的代碼不超過10行，相信我，就算你完全不會任何數學，也不會對開發造成任何的影響。
當然我之前說過，想要往深了做，要有扎實的數學和英語基礎。為什么？？因為AI這個技術還是個小BB，還沒長大，還要用各種各樣的論文來喂它茁壯長大，要是看不懂別人的論文或者無法復現，那咋跟進最新技術進展？？
架構是django+scikit-learn，這個在我上一篇已經提到過了，這是最最最簡單的實現方式，不服來辯。
敲黑板！！！課前要準備好這些，開發環境環境為ubuntu14.04，不會安裝的，問度娘或者谷哥去。
python2.7,pip,django,scikit-learn,pandas,numpy,Pycharm,。
好，隨便找個目錄，哐哐哐輸入下面這樣django初始化項目的腳本。
django-admin startproject ph_ml_core
好了，項目初始化完了。目錄結構長啥樣的呢？
看起來特么好多啊，那既然說了很簡單了，其實絕大部分我們都不需要去改動。那，有哪些是我們自己要去寫的呢？
Advertising.csv是數據文件，QualifiedModel.py是我們核心的業務邏輯代碼，view.py是我們的視圖,urls.py是django的路由+控制器。
第一步先給我們的系統加一個路徑叫predict的玩意，這個就是暴露給http請求的接口，至于咋實現或者啥意思，就是個正則表達式有興趣的小伙伴自己去看。
urlpatterns = [
url(r'^admin/', admin.site.urls),
url(r'^predict/$', predict),
]
第二步就是寫視圖了，這個比較摻雜，大致意思就是調用一個模型進行評分，核心的就這一句score = qual.predict()。
沒錯調模型就是這么簡單。
def predict(request):
# 獲得請求數據，并轉成字典格式。
rowData = eval(request.GET['a'])
# 獲得已經訓練好的模型
qual = QualifiedModel()
# 直接對新進件的數據進行評分
score = qual.predict(np.array([[rowData['TV'],rowData['Radio'],rowData['Newspaper']]]))
# 組裝返回數據
result = {}
result['score'] = score[0]
return HttpResponse(json.dumps(result),content_type='application/json')
第三步，訓練模型，就在上一步我們調用了模型，那模型怎么來的呢？肯定是通過我們的訓練數據來的。這里使用Lasso，什么是Lasso我這里就不介紹了有必要的話我后面起個文章單獨說，現在先自行問度娘去，一個線性模型。
哈什么？你對模型不熟，不會對模型調參？沒問題，sklearn都幫咱實現好了，直使用交叉驗證，連調參都不用了。交叉驗證是什么，就是給它一大堆參數組合，然后我不管，我就要那個訓練結果最佳的。
def initModel(self):
#獲取數據
data = pd.read_csv(os.path.join(os.path.abspath(os.path.dirname(__file__)),'Advertising.csv'))
#取得特征值
x = data[['TV','Radio','Newspaper']]
#取得結果值
y = data['Sales']
#通過交叉驗證訓練得到最佳模型
model = Lasso()
alpha_can = np.logspace(-3, 2, 10)
np.set_printoptions(suppress=True)
lassoModel = GridSearchCV(model,param_grid={'alpha':alpha_can},cv=5)
lassoModel.fit(x_train,y_train)
第四步，調用試試看吖。
http://127.0.0.1:8000/predict/?a={"TV": 65, "Newspaper": 15, "Radio": 30}
返回：{"score": 11.328439830355411}
http://127.0.0.1:8000/predict/?a={"V": 29, "Newspaper": 15, "Radio": 30}
返回：{"score": 9.6539587774368592}
到這里，我們所有的功能都已經實現完了。是不是非常簡單？其實我們很多時候害怕一個東西是因為這個東西不熟悉，就像我之前說的，做做做，做起來，慢慢你就不怕了。
在這里我要說一個事實，智商是不可逾越的，這句話還真有可能是正確的。讓一個智商普通的人去突破物理學的界限，這顯然，不太可能會實現，只能說P(突破物理界限|已知是一個智商普通的人)很低，我這里說的智商是思維能力，并不是指什么什么智商測試的結果。但是也是很明顯的，很多人都是日復一日做著一樣的事情，被各種各樣的會議，各種各樣的繁瑣的事情，禁錮了自己的思維，也禁錮了自己的潛力，都沒到開始拼智商的時候好嗎？？
到現在還有人說開發工程師是一個要求很高的職業，其實這個職業的要求真心不算高，任何一個經過系統培訓的小白，都能按照老師教的結果哐哐哐寫出一些"業務邏輯"，但要是止步于此不去做任何的思考，不理解為什么是這樣做，那你的上限也就這樣了。
凡事問三層，"為什么這樣就有這樣的效果呢"？可能會有不同的結果。
但是呢，在你跟別人討論或者請教的時候，自己還是要先有料，自己做足各種各樣的研究，準備好各種各樣的資料，再去開始請教，可能會比較。不然我就會說一句喬布斯回答別人經常說的話---"it is complicated"，沒錯，那我只能告訴你，這很復雜。
當然付費的一般就不存在這個問題，比如老師啊，培訓師啊，各種網紅的收費欄目啊，就不存在這個問題。為什么呢，因為你做了其他的努力去賺取這個付費的款項，也算是做足準備了吖。
好了，后臺回復 第一只 ，獲取這次的小玩具，大家一起愉快地玩耍吧。要是分享給其他小伙伴我會很開心的。
