一、本学期机器学习学习过程总结
本学期课程中，我系统学习了机器学习完整开发流程，熟练掌握KNN近邻算法、Kmeans聚类算法、决策树算法三大课堂核心算法。
完整学习了机器学习项目标准流程：数据采集→数据清洗预处理→特征提取→模型训练→模型评估→代码调试→项目部署落地。通过课堂案例实训，理解了机器学习依靠数据特征规律，完成分类、识别、判别任务的核心逻辑，同时掌握Python机器学习代码编写能力，能够独立借助AI工具完成小型AI识别项目开发。
二、人脸识别AI项目实践案例
我运用本学期所学机器学习知识，结合AI工具，完成基于KNN算法的人脸识别项目，完整复刻机器学习项目落地全流程。
1. 项目实现思路
利用课堂讲解的KNN分类算法，提取人脸五官、面部轮廓特征，对人脸图像做特征比对，通过机器学习模型完成人脸身份识别、人脸分类检测，实现图片人脸自动识别判断。
2. 项目完整实现步骤
1. 采集多人人脸图片数据集，统一图片尺寸，完成图像灰度化、降噪预处理，清洗无效模糊数据
2. 对人脸图片进行特征提取，抓取面部关键特征信息，构建人脸特征数据集
3. 划分训练集与测试集，使用KNN机器学习算法搭建识别模型，对数据进行模型训练
4. 导入陌生人脸图片，调用训练好的模型完成人脸匹配、身份识别
5. 测试识别准确率，优化代码参数，最终完成程序打包、部署运行
3. 项目完整运行代码
python
# 导入机器学习库与人脸处理工具库
import cv2
import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
# 1. 人脸数据预处理、特征提取
def get_face_feature(img_path):
# 读取人脸图片
img = cv2.imread(img_path)
# 图片灰度化预处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 统一图片尺寸，提取人脸特征
face = cv2.resize(gray,(64,64))
# 扁平化特征数据，适配机器学习模型
feature = face.flatten()
return feature
# 2. 构建人脸数据集
face_data = []
label = []
# 录入多张人脸样本
face1 = get_face_feature("person1.jpg")
face2 = get_face_feature("person2.jpg")
face_data.append(face1)
face_data.append(face2)
label.extend([0,1])
# 3. 划分训练集、测试集
x_train, x_test, y_train, y_test = train_test_split(face_data, label, test_size=0.2)
# 4. 搭建课堂所学KNN机器学习模型
knn = KNeighborsClassifier(n_neighbors=3)
# 模型训练
knn.fit(x_train,y_train)
# 5. 人脸识别预测
test_face = get_face_feature("test_face.jpg")
result = knn.predict([test_face])
print("本次人脸识别身份结果：",result)
4. 项目部署发布
我将调试完成、识别运行正常的Python代码程序，整体打包整理，部署成可直接运行的识别程序。只需要上传人脸图片，就能一键调用机器学习模型，完成人脸识别检测，真正把课堂算法知识，落地成可以实际使用的AI智能功能。
三、课程学习感悟
通过本次人脸识别项目实践，我彻底打通了课堂机器学习理论和代码实操的联系。我明白了KNN这类基础算法，正是人脸识别、AI识别技术的底层逻辑。
本学期的学习，让我不仅听懂了算法原理，更能亲手用代码实现AI项目，理解了机器学习在生活里的大量应用场景，锻炼了编程思维和项目开发能力，收获很大。
