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

  1. 计算机视觉技术应用场景

  1. 自然语言应用

AI流程

  1. AI拟人流程

机器
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
  1. 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