人工智能（AI）已经广泛应用于日常生活和工作中，从手机上阅读新闻到分析复杂的工作数据，AI都极大地提高了人类工作的效率、精确度和效果。AI的进步使能够实现以前认为不可能的事情，比如通过点击就能在家中享用到最喜欢的餐厅的披萨。简而言之，人工智能指的是计算机或计算机程序模仿人类智能的行为。这是通过学习人类大脑如何思考、学习、决策和解决问题来实现的。这些研究成果被用作开发智能软件和系统的基础。
在人工智能领域，有四种主要的学习类型：
监督学习指的是模型在标记数据集上进行训练。无监督学习则是模型在未标记数据集上进行训练，算法需要自己找出数据中的潜在模式。半监督学习介于监督学习和无监督学习之间，部分学习数据被标记，而其他数据则没有。强化学习则是算法根据反馈响应评估其性能，并据此做出反应。
本文将介绍如何使用Python和鸢尾花数据集进行监督学习和无监督学习的实例。鸢尾花数据集包含3个类别，每个类别有50个实例，总共150个实例，每个类别代表一种鸢尾花植物。数据格式包括萼片长度、萼片宽度、花瓣长度和花瓣宽度。将基于这些参数训练模型，并进一步使用它们来预测花朵类别。
使用matplotlib库，可以对数据进行散点图可视化：
iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")plt.show()
此外，还可以使用pandas的Andrews曲线进行数据可视化：
from pandas.plotting import andrews_curvesandrews_curves(iris.drop("Id", axis=1), "Species")plt.show()
使用内置的train_test_split库来划分数据集，按照80:20的比例。80%用于模型的训练、评估和选择，20%作为验证数据集。
from sklearn.model_selection import train_test_splitx = iris.iloc[:, :-1].valuesy = iris.iloc[:, -1].valuesx_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)
监督机器学习算法通过使用数据集来训练，以发现模式。这个过程很简单，它取过去的学习成果，并将其应用于新数据。监督学习使用标记的例子来预测未来的模式和事件。例如，当教孩子2+2=4，或者向他们展示任何动物的图片，让他们知道它叫什么。监督学习进一步分为分类和回归。分类预测的是分类标签，这些标签是离散的且无序的。回归通常被描述为确定两个或更多变量之间的关系，比如基于输入数据X预测一个人的工作。
使用决策树的一般动机是创建一个训练模型，该模型可以用来通过学习先前数据（训练数据）中推断出的决策规则来预测目标变量的类别或值。它尝试使用树表示来解决问题。树的每个内部节点对应一个属性，每个叶节点对应一个类别标签。
from sklearn.tree import DecisionTreeClassifierfrom sklearn.metrics import accuracy_scoreclassifier = DecisionTreeClassifier()classifier.fit(x_train, y_train)y_pred = classifier.predict(x_test)print(classification_report(y_test, y_pred))print(confusion_matrix(y_test, y_pred))print('accuracy is', accuracy_score(y_pred, y_test))
from sklearn.datasets import load_irisfrom sklearn.cluster import KMeansiris_data = load_iris()iris_df = pd.DataFrame(iris_data.data, columns=iris_data.feature_names)kmeans = KMeans(n_clusters=3, init='k-means++', max_iter=100, n_init=10, random_state=0)y_kmeans = kmeans.fit_predict(x)print(kmeans.cluster_centers_)