AI學習前瞻

工作崗位

• 算法工程師
• 機器學習工程師
• 圖像算法工程師
• ai工程師
• NLP高級算法工程師

學習路線

應用場景

1. 計算機視覺技術應用場景

2. 自然語言應用

AI流程

1. AI擬人流程

機器	人
歷史數據	經驗
模型	規律
依據模型預測未來	依據規律做出判斷

2. AI基本流程

術語	所用到的技術手段
數據	數據預處理，特征工程
機器訓練	機器學習、深度學習相關算法
構建模型	基于最優算法，構建模型
預測	模型對于新的數據進行預測

機器學習基礎概念

• 人工智能(Artificial intelligence)

• 機器學習(Machine learning)

• 無監督學習(unsupervised learning)

• 有監督學習(supervised learning)

• 強化學習(Reinforcement learning)

• 深度學習(Deep learning)

有/無監督學習對比

強化學習

強化學習是智能體（Agent）以“試錯”的方式(Action)進行學習，通過與環境(Environment)進行交互獲得的獎懲(Reward)指導行為。

深度學習

? 深度學習(Deep Learning)是機器學習(Machine Learning)的一個子集，相對于機器學習，深度學習的”深度“就是從”輸入層“到”輸出層“所經歷層次的數目，即”隱藏層“的層數，層數越多，板凳的深度也越深。所以越是復雜的選擇問題，越需要深度的層次多。

人工智能本質任務

? 個人理解：本質任務是一種算法思想。

有監督機器學習

• 回歸

  本質：擬合歷史已有的數據、根據擬合出來的函數走勢預測未來

  目標：預測-inf到+inf之間具體的值，連續值。

  應用：股票預測、房價預測

• 分類

  本質：找到分界，根據分界對新來的數據進行分類

  目標：對新的數據預測術語各個類別的概率

  應用：圖像識別、情感分析、銀行風控

無監督機器學習

• 聚類

  本質：根據樣本和樣本之間的相識度歸堆

  目標：將一批數據劃分到多個組

  應用：用戶分組、異常檢查、前景背景分離

• 聚類

  本質：去掉冗余信息或噪音

  目標：將數據的維度減少

  應用：數據預處理、可視化、提高模型計算速度