什么是機器學(xué)習(xí)
常見的機器學(xué)習(xí)類型：
- 有監(jiān)督學(xué)習(xí)：是一種通過使用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)來訓(xùn)練模型的方法雨席。在有監(jiān)督學(xué)習(xí)中栗柒，訓(xùn)練數(shù)據(jù)包含輸入特征和相應(yīng)的目標(biāo)標(biāo)簽徒溪。模型的目標(biāo)是通過學(xué)習(xí)輸入特征和目標(biāo)標(biāo)簽之間的關(guān)系來進行預(yù)測和分類梳侨。
- 無監(jiān)督學(xué)習(xí)：一種在沒有標(biāo)簽的情況下訓(xùn)練模型的方法尺上。在無監(jiān)督學(xué)習(xí)中材蛛，訓(xùn)練數(shù)據(jù)只包含輸入特征，沒有與之對應(yīng)的目標(biāo)標(biāo)簽怎抛。模型的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的潛在模式卑吭、結(jié)構(gòu)或關(guān)系。無監(jiān)督學(xué)習(xí)常用于聚類马绝、降維和異常檢測等任務(wù)豆赏。
人工智能達(dá)到較好的性能水平，必備兩點：
- 擁有大量的數(shù)據(jù)富稻；
- 能夠訓(xùn)練一個非常大的神經(jīng)網(wǎng)絡(luò)
什么是數(shù)據(jù)集
將輸入與輸出相對應(yīng)起來的集合掷邦，被稱為數(shù)據(jù)集
獲取數(shù)據(jù)集的方式：
- 手動標(biāo)記
- 從觀察用戶行為或者其他類型的行為；
- 從網(wǎng)站上下載或者從合作伙伴那里獲取椭赋。
IT團隊和AI團隊之間盡早交互與溝通抚岗，可以幫助更高效的數(shù)據(jù)集構(gòu)建，防止garbage in garbage out 的情況出現(xiàn)哪怔。因此最好在收集數(shù)據(jù)集前宣蔚，構(gòu)建一個AI小組向抢，他們可以參與到數(shù)據(jù)前期的清洗、歸一化等動作中胚委。
數(shù)據(jù)分類：
- 非結(jié)構(gòu)化數(shù)據(jù)：圖片挟鸠、視頻、文本等以非表格存在的數(shù)據(jù)
- 結(jié)構(gòu)化數(shù)據(jù)：存在一張巨大表格里的數(shù)據(jù)篷扩。
AI術(shù)語
- 機器學(xué)習(xí)：學(xué)習(xí)輸入兄猩，輸出的映射茉盏，即自動輸入A鉴未，然后輸出B。讓電腦在不被編程的情況下鸠姨，就可以自己學(xué)習(xí)的研究領(lǐng)域铜秆，無需顯示編程
- 數(shù)據(jù)科學(xué)：請一個團隊，分析數(shù)據(jù)集得到數(shù)據(jù)里的一些提示/洞察讶迁，以幫助決策连茧。
-
神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)：構(gòu)建一個人工神經(jīng)網(wǎng)絡(luò)，完成A到B的映身巍糯。
image.png
什么能使一個公司擅長人工智能
并不是任何一家實現(xiàn)了深度學(xué)習(xí)的公司啸驯，就是一家AI公司。
- 認(rèn)真對待數(shù)據(jù)獲取的公司祟峦，是一個好的人工智能公司的關(guān)鍵成分
- 完成了一個統(tǒng)一數(shù)據(jù)倉庫構(gòu)建的公司
- 十分擅長能發(fā)發(fā)現(xiàn)自動化的機會
- 構(gòu)建了人工智能團隊的公司罚斗。擁有機器學(xué)習(xí)工程師等類似新的角色，并能通過新的方式分配任務(wù)宅楞。
如何完成AI轉(zhuǎn)型：
- 啟動一些小項目针姿，獲取動能；
- 內(nèi)部建立一個人工智能團隊厌衙；
- 進行廣泛的人工智能培訓(xùn)距淫。不僅對工程師，還要提供給經(jīng)理婶希、部門領(lǐng)導(dǎo)和高級管理人員’
- 制定AI戰(zhàn)略榕暇；
- 開展廣泛的內(nèi)外交流。
判斷一個問題能否用AI解決
到目前為止喻杈，要真正在回答這個問題很難彤枢，特別是LLM在行其道的現(xiàn)在。以下是兩個簡單原則：
- 這個問題人類是否可以1眼能看到答案奕塑；
- 現(xiàn)存是否有大量數(shù)據(jù)堂污。
一些例子
- AI能做到：
- 行車時，判斷車的位置龄砰，并做出是否可以繼續(xù)前行的決策
- 利用大量已標(biāo)的胸片學(xué)習(xí)如何診斷患者是否患肺炎
- AI做不到：
- 判斷人類的手勢的意圖
- 僅看很少的胸片盟猖，然后輸入幾段教科書讨衣，學(xué)習(xí)如何診斷患者是否患肺炎
week1. https://www.coursera.org/learn/ai-for-everyone/lecture/rv1fW/what-machine-learning-can-and-cannot-do
