人工智能学习路径推荐与基本概念解析

人工智能的阶段

第一阶段：人工智能必备基础

1）python 基础教程（第三版）

2）数学之美（吴军，第三版）

3）利用python进行数据分析（python 实战，numpy,pandas）

第二阶段：机器学习

1）算法理论：统计学习方法、机器学习西瓜书、机器学习公式详解南瓜书

2）实战部分：阿里云天池大赛，赛点解析，机器学习篇

第三阶段：深度学习

1）神经网络与深度学习（深度学习原理）

2）动手学深度学习（动手部分，）

3）NLP:自然语言处理综述

4）计算机视觉算法与应用（CV计算机视觉）

第四阶段：论文

笔记

1.1 人工智能是什么

是什么:人工智能，是研究如何模拟、延伸并扩展人类智能的一门科学艺术

诞生背景:传统计算机编程可以解决"确定性问题”(最短距离计算, 偏微分方程求解…但对于不确定性问题(手写文字识别，垃圾邮件识别，听声辨人..难以解决)

主要目的:促使计算机像人一样,

1)会听:语音识别

2)会看:图像、文字识别

3)会说:语音合成，人机对话

4)会思考:人机对弈,定理证明

5)会学习:知识表示

6)会行动:机器人，自动驾驶

常见应用:推荐算法(知乎,浏览器等) ;手写体识别(邮件地址,发票) ;人脸识别(门禁) ;

安全中的应用:病毒文件检测;垃圾邮件检测;可疑域名检测;代码漏洞检测;异常行为......

2.1 发展历史

基本概念

通过已知数据，去学习数据中蕴含的规律或者判断规则。

已知数据主要用作学习的素材，而学习的目的是推广，也就是把学到的规则应用到未来新的数据上并做出判断或者预测。

基本流程:

1）数据获取;

2）数据预处理;

3）特征工程z;

4）机器学习(模型训练);

5）模型评估(效果预测)

1)数据获取:自己采集；公开的数据集； (数据要具有代表性,广泛性)

2)数据预处理:归一化，离散化，去除共线性; (清洗数据，提高算法的效果)

3)特征工程:筛选显著特征，摒弃无用特征; (数据和特征工程决定了机器学习的结果上限，算法只是让模型尽可能逼近上限)

4)机器学习(模型训练):选模型;调参优化; (不同模型以及不同参数,在同一数据集效果预测差异显著)

5)模型评估(效果预测):过拟合,欠拟合;精准率(P),召回率(F); (高性能的模型对于数据具有较好的泛化性以及精确性)

3.1 机器学习算法分类

1）监督学习:数据集全部包含标签;标签在学习过程起到监督作用。

2）无监督学习:数据集全部没有标签;自主学习数据映射关系。(没有标签主要是因为数据太乱、标注成本高、区分难度大等)

3）半监督学习:部分数据集包含标签;对小部分数据起到监督作用。(通过已知标签的小部分数据,使用所有数据样本)

4）强化学习:基于环境的反馈行动，通过不断与环境交互,最终完成特定目标或使得整体行动收益最大化(不需要数据标签,但需要每一步行动环境给予的反馈,是奖励还是惩罚，基于反馈调整训练对象行为)

4.1 机器学习的适用场景

适用的场景:

1)有大量的经验数据或者特征可以借鉴;

2)应用的场景和条件简单清晰，比如下棋规则;

3)找寻最优解比较慢或者复杂的时候;

4)文本翻译等感知性问题;

不适用的场景:

1)缺乏数据训练系统，比如密码数据;

2)找寻最优解比较快的时候，比如信息查表;

3)逻辑证明，比如数学定理证明;

4)准确计算，比如微积分计算等

总的来说，机器学习适用于感知性的问题场景，而不适用于准确性的逻辑场景;适用于最优解获取复杂的问题场景，不适用于最优解获取简单的问题场景。

5.1 AI的落地过程

6.1 深度学习

机器学习与深度学习的区别？

DL VS ML,优劣比较:

1）端到端VS分阶段;学习能力更强，对特征工程要求更低

2）数据依赖: DL广泛的假设空间，依赖更广泛的样本

3）算力依赖: DL对计算能力要求极高，GPU必不可少

4）可解释性差:DL判断原理类似黑箱，经典的获得可解释性的方法，是通过ML模拟DL模型(蒸馏)，进而获取可解释性;

7.1 深度学习兴起的关键

数据+算力 .

7.1深度学习的经典应用范围，有哪些?

计算机视觉 (CV) ，自然语言处理(NLP)

1）CV方面：

常见的研究领域有：图像生成、图像识别、生成对抗网络、图像预处理、边缘检测、纹理分析、光流、图像分割、变化检测、跨域学习、小样本学习、域适应、半监督学习、无监督学习、自监督学习、注意力机制、图卷积网络、元学习、目标检测、异常检测等等。

常用的CV模型有：VGG系列、Resnet系列、Densenet系列、inception系列、Googlenet系列、Efficientnet系列、GAN系列、数据增强系列、注意力机制系列等等。

2）NLP方面：

常见的研究领域有：词义消解、指代消解、语义角色标注、中文分词、问答系统、情感倾向性分析、推荐系统、阅读理解、知识图谱、隐喻机器处理、命名实体识别、关系挖掘、事件提取、文本分类、信息检索、信息抽取、机器翻译等。

常用的NLP模型有: RNN、Seq2Seq、Transformer、 GRU、GPT、LSTM、 Bert系列、Elmo、XLNet等。

人工智能学习路径推荐与基本概念解析

人工智能课程相关推荐