学习人工智能：吴恩达《AI for everyone》2019 第2周：3步构建AI项目；AI tools

 吴恩达 Andrew Ng， 斯坦福大学前教授，Google Brain项目发起人、领导者。

Coursera 的联合创始人和联合主席，在 Coursera 上有十万用户的《机器学习》课程；斯坦福大学计算机科学前教授。百度前副总裁、前首席科学家；谷歌最成功的人工智能项目之一——Google Brain的发起人、领导者。

参考链接： AI for everyone

key steps of a machine learning project

        1, collect data

        2,train model

                iterate many times untill good enough

        3, deploy modle

                 get data back

                maintain/update model.

以下是机器学习项目的关键步骤： 收集数据 训练模型 即A到B映射 然后派送模型 在这些步骤中, 通常会有很多的反复更改完善的过程， 也就是说微调或者是使模型变得更好用 或者是即使寄出模型之后， 你还要继续收集新的数据， 使你能让产品变得更好

amazon echo为例:

自动驾驶为例

AI tools

你如果听说过这些工具：TensorFlow， PyTorch, Keras, MXNet, CNTK, Caffe, Paddlepaddle,
Scikit-learn, R Or Weka, 这些都是开源机器学习 框架，它们能帮助 AI团队更加高效地 写代码。

不仅有人工智能技术的突破 现在也可以 在各种网站上自由发布文章， 如： Arxiv。 我希望学院派团队也能自由分享 他们的研究成果，因为我亲眼见证到 这些开源工具是怎样快速促进AI领域发展的

最终，许多团队将 在网络上分享他们的代码， 最常见的平台是GitHub 事实上，Github已经成为
在AI和其相关领域 的开源软件的知识库 通过使用适当许可的开源软件, 许多团队可以更好更快的开展工作， 而不是一切从零开始。

CPU VS GPU

从历史上看, GPU 是用来处理图片的， 当你在玩视频游戏时， 很可能是 GPU 在
绘制出那些奇妙的图形 但是几年前 我们发现这个 原本是为了处理图形而设计的硬件， 其实非常适合用来 构建大型神经网络 即大型深度学习算法 因为需要构建 非常大型深度学习或者 大型神经网络系统， AI社群不得不永无止境的 寻求更强的计算能力 以训练更大的神经网络 而 GPU 已经被证明是 一种非常匹配这种需求的 计算方式， 用以训练很大的神经网络 所以, 这就是为什么 GPU 在深度学习的兴起中

边缘部署

最后，可能你会听说 边缘部署的概念， 如果做自动驾驶项目， 从自动驾驶车辆 发送数据 到云服务器， 再把信息从云服务器发回到车子里， 再用此信息决策是否停车。这个过程的用时太长。 所以，这意味着需要 在车内的电脑中进行计算。 这就是所谓的边缘部署, 就是说， 你需要把处理过程部署到 收集数据的地方，以便可以 快速处理数据 并做出决策，而不必 通过网络传输数据 并在其他地方处理数据 如果你观察一些 智能音响，也许你家里也有， 不是所有的智能音响，
其中也有一些是应用边缘计算 有些语音识别任务 是在智能音箱里的 本地处理器中完成的， 它也许就在你的家里哦！ 边缘计算主要优势在于 它可以加快系统的反应时间， 也可以减少 需要通过网络发送的数据量。