本文主要是介绍AI学习集合-前瞻，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
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
这篇关于AI学习集合-前瞻的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
