課堂筆記：吳恩達的AI課（AI FOR EVERYONE）-W2 AI項目工作流程
一、如何開始一個AI項目？
1、建設項目工作流程
2、選擇合適的AI項目
3、為這個項目收集數據和組織團隊
二、AI項目的工作流程
（1）機器學習項目的關鍵步驟：示例1：以亞馬遜的語音助手 Echo/Alexa為例
①收集數據
②訓練模型：迭代這個模型，直到達到足夠好的效果
③部署模型：獲取反饋，持續優化模型
（2）機器學習的關鍵步驟：示例2：以自動駕駛為例
①收集數據：圖片，例如圖片中其他車的位置
②訓練模型：不停地迭代，直到獲取到足夠好的效果
③部署模型：獲取反饋數據，持續優化模型
（3）數據科學項目的關鍵步驟：示例1：優化銷售模式
①收集數據：例如用戶ID，國家，時間和網址等
②分析數據：不停地迭代職高獲得更好的效果
③輸出建議或者行動：實施這些變化，重新分析新的數據
（4）數據科學項目的關鍵步驟：示例2：以工廠手工線體為例
以做咖啡杯為例，不同供應商提供的黏土哪個更好？
①收集數據：例如，加班時間，需要的溫度，灼燒的時間等
②分析數據：不停地迭代直到獲得更好的洞察
③輸出建議或者行動：實施這些變化，重新分析新的數據
三、各職能部門對于數據應用能力的建設
（1）對于銷售來說：
①數據科學：優化銷售數據漏斗；
②機器學習：自動排序客戶優先級；
（2）手工線體管理：
①數據科學：優化線體效率
②機器學習：自動識別優劣品
（3）招聘：
①數據科學：優化招聘漏斗；
②機器學習：自動化建立篩選；
（4）市場：
①數據科學：A、B測試；
②機器學習：定制化產品推薦；
（5）農業：
①數據科學：種子分析；
②機器學習：精準除草；
四、如何選擇人工智能項目
（1）AI知識和領域知識
①AI專家負責知道AI可以做什么；
②領域專家 知道 這個事情的商業價值；
③所以AI項目團隊是跨領域的項目團隊，既要有AI專家，又要有領域專家；
（2）頭腦風暴的框架：
①思考要任務化，而非崗位化，例如呼叫中心的具體任務，或者放射科的具體任務；
②驅動這件事情的最主要的業務價值是什么？
③做這個事情的最大的痛點是什么？
（3）你可以做一些事情，即使沒有大量的數據
①有非常多的數據，這件事沒有害處；
②數據能讓某些業務（比如網頁搜索）具備競爭壁壘。
③但即便只有小數據集，你仍能取得進展。
五、如何選擇人工智能項目2
（1）項目的一些工作側重點
①技術工作側重點：
a.人工智能系統能否達到預期性能；
b.需要多少數據；
c.工程時間安排；
②業務工作側重點：
a.更低的成本
b.增長的收益
c.啟動新的產品或者業務
其中，a和b針對的是現有的業務，c是針對新業務；
（2）自研 還是 外包？
①機器學習項目可以自研或者外包；
②數據科學項目大多數是自研的；
③一些事情已經有了行業標準，那么我們要避免自研這些事情；
一句通俗的話，我們不要在火車前面奔跑；
行業發展十分迅速，我們不應該去對抗，或者一心求著去快速趕超或者制造行業標準，獲取我們擁抱行業標準，才會更快更好的實現價值；
六、人工智能團隊協作機制
（1）明確你的驗收標準：
①目標：以 95% 的準確率檢測缺陷；
②向人工智能團隊提供一個數據集，用于衡量其性能；
（2）AI團隊應該如何看待數據？
①訓練集：用于訓練模型；
②測試集：用于測試模型；
（3）陷阱：期望達到 100% 準確率
① 測試集；
② 機器學習的局限性；
③ 數據不足；
④ 數據標注錯誤；
⑤ 標簽模糊；
七、人工智能團隊技術工具
（1）一些開源框架：
①機器學習框架：
a.PyTorch
b.TensorFlow（張量流 ）
c.Hugging Face（擁抱臉，知名機器學習模型庫 ）
d.PaddlePaddle（飛槳 ）
e.Scikit - learn（科學工具包 - 學習 ）
f.R（編程語言 ）
②研究出版物平臺：
Arxiv（預印本平臺 ，常用于分享學術研究成果 ）
③開源代碼庫：
GitHub
（2）CPU 和 GPU
①CPU：計算機處理器（中央處理單元）
②GPU：圖像處理器
（3）云、本地部署和邊緣部署
①云部署：線上部署代碼，現在的趨勢；
②本地部署：在本地服務器上部署代碼；
③邊緣部署：在各個終端部署代碼，可以更加便捷的獲取終端數據；
