想建立一個Line ChatBot很容易，Line API串接就好了。可是如果想要打造的是人工智能的線上客服、AI智能聊天機器人、AI助理，又或是標題、工作自動分類機器人呢? 其實還是很容易，看完這篇複製貼上就好了。
不需要艱深的數學背景、複雜的模型、昂貴的費用或是大量的人力心力投入，連訓練資料都不用另外下載，希望大家能輕鬆簡單的體會AI\ML其實也可以很好入門、很平易近人，就像我當初認識他們一樣。
前情提要: 這次要認識的是 MultinomialNB貝氏分類模型 ，從1960年代開始就被廣泛應用，最常被提到的應用就是垃圾郵件分類，模型簡單、好用是CP值超高的ML模型。 如果想了解模型的原理 — 貝氏定理，可以參考另一篇文章。
進入正題
貝氏分類模型，是利用過去的經驗，來預測結果。舉例來說: 過去的經驗告訴我，看到烏雲就有很大的機率會下雨，所以今天有烏雲，我就預判下雨的機會很大，於是我就帶雨傘出門。
所以只要
1.預測的事件有規律
2.過去的資料夠精準、cover條件夠多，基本上就會越準。
而這個模型的弱點就是，沒有看過的東西他不會；比如我沒看過淡積雲，所以當淡積雲出現的時候，我無從判斷會不會下雨。所以這種Model適合用在有一定範圍資料(Closed Domain)的應用，不論是聊天機器人還是分類問題。
這篇要帶大家實作的是線上智能客服(聊天機器人)，他可以根據用戶的訊息，來預測用戶的意圖，給予相對應的回答。
下面是另一個人資貓的範例:
以下針對程式幾個步驟說明，想先玩玩看的，可以跳到下面程式碼的部分。
Step2 資料預處理
這步驟確在排除奇怪的符號，確保你的訓練資料都有給正確的分類
Step2.1 分詞
不同於英文句子中每個單字都有空白隔開，中文是以詞為單位，不同的斷詞就會有不同意思，ex. 這頓飯 好 好吃 v.s. 好好 吃 這頓飯。一樣的"好好吃"，前者表示美味，後者表示乖乖吃。這邊使用Jieba分詞系統，最近中研院有推出CKIP 分詞系統，大家可以試試看效果如何。
Step6 優化
ML機器學習優化好比教育，從訓練資料優化(更精準的訓練資料、準確的答案等)就像是用更好的教材、從模型優化(調參數，模型架構更換調整)就像是提升師資。一般來說，都會從訓練資料下手，因為再好的師資都沒辦法用錯誤的內容教會正確的答案。
1.加入自定義字典: 讓機器可以認得"防空洞" 而不是"防 空洞"
2.停用過濾詞: 不重要的詞像是"喔" 直接忽略
3.沒看過的問題加入訓練資料集: 活到老學到老，不會就學
Step0 架構
有沒有想過只能讀機器數字的機器如何讀中文? 如果一步步輸出整個過程，其實是:
一句話 > 一堆詞 > 一堆編號 >電腦記住編號出現的機率
大家有興趣可以輸出看看整個過程。
說明完了，直接上Code
礙於篇幅有限，有任何問題歡迎下面留言詢問討論&指教，希望大家都能好好玩，然後這篇能成為你的第一個AI應用在自己的有領域上!
如果有讓你看完這篇文，可以幫我拍手 1–10 下
如果覺得這文章對你有幫助，可以幫我拍手 10–30 下
如果覺得想看到更多關於學習筆記的文章，可以幫我拍手 30–50 下
讓我知道也記得 Follow我 DerekWu
更歡迎你在下方留言，我很樂意與你討論聊天或回答問題！