AI学习前瞻
工作岗位
- 算法工程师
- 机器学习工程师
- 图像算法工程师
- ai工程师
- NLP高级算法工程师
学习路线
应用场景
- 计算机视觉技术应用场景
- 自然语言应用
AI流程
- AI拟人流程
机器 | 人 |
---|---|
历史数据 | 经验 |
模型 | 规律 |
依据模型预测未来 | 依据规律做出判断 |
- AI基本流程
术语 | 所用到的技术手段 |
---|---|
数据 | 数据预处理,特征工程 |
机器训练 | 机器学习、深度学习相关算法 |
构建模型 | 基于最优算法,构建模型 |
预测 | 模型对于新的数据进行预测 |
机器学习基础概念
人工智能(Artificial intelligence)
机器学习(Machine learning)
无监督学习(unsupervised learning)
有监督学习(supervised learning)
强化学习(Reinforcement learning)
深度学习(Deep learning)
有/无监督学习对比
强化学习
强化学习是智能体(Agent)以“试错”的方式(Action)进行学习,通过与环境(Environment)进行交互获得的奖惩(Reward)指导行为。
深度学习
深度学习(Deep Learning)是机器学习(Machine Learning)的一个子集,相对于机器学习,深度学习的”深度“就是从”输入层“到”输出层“所经历层次的数目,即”隐藏层“的层数,层数越多,板凳的深度也越深。所以越是复杂的选择问题,越需要深度的层次多。
人工智能本质任务
个人理解:本质任务是一种算法思想。
有监督机器学习
回归
本质:拟合历史已有的数据、根据拟合出来的函数走势预测未来
目标:预测-inf到+inf之间具体的值,连续值。
应用:股票预测、房价预测
分类
本质:找到分界,根据分界对新来的数据进行分类
目标:对新的数据预测术语各个类别的概率
应用:图像识别、情感分析、银行风控
无监督机器学习
聚类
本质:根据样本和样本之间的相识度归堆
目标:将一批数据划分到多个组
应用:用户分组、异常检查、前景背景分离
聚类
本质:去掉冗余信息或噪音
目标:将数据的维度减少
应用:数据预处理、可视化、提高模型计算速度