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

2. 自然语言应用

AI流程

1. 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

2. 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