AI地图
问题领域:
-
感知:最底层的、我所了解到的东西、我所看到的。
-
推理:基于看到的东西想象未来会发生的东西。
-
知识:根据我看到的数据、我看到的现象来形成自己的知识结构。
-
规划:在知道一些的基础上可以对未来做出一定的规划、我未来可以做些什么事情。
自然语言处理:语言->符号
计算机视觉:在一个图片里可以帮你做一些处理->图片很难用符号解释->使用概率模型
深度学习:是机器学习的一种、可以做自然语言处理、计算机视觉,也做可以更高深一点的东西
图片分类![](https://i-blog.csdnimg.cn/blog_migrate/8506c14578749ac07954e83ae62a4ef7.png)
横轴表示时间、y轴表示失误率
机器学习已经做的非常好了
机器学习实际应用
物体检测和分割![](https://i-blog.csdnimg.cn/blog_migrate/4f5fd4d6c7f87631cfa2e843c598af0f.png)
检测--知道每一个物体在哪个地方、比如左边第一个人在哪里
|深层次
分割--知道每一个像素是属于人还是属于飞机
样式识别![](https://i-blog.csdnimg.cn/blog_migrate/b12eddf2d009e415224cdfe4369ddfac.png)
相当于添加滤镜
人脸合成
算法从随机数开始和策划国内的照片、足以以假乱真
文字生成图片
文字生成
GPT
无人驾驶
案例研究—广告点击![](https://i-blog.csdnimg.cn/blog_migrate/9c13180c8e5e1ec3597c1c1026edd113.png)
点击率预测—应用机器学习模型
预测与训练
预测:特征提取 - 模型预测
训练:训练数据(过去广告展现和用户点击 - 特征提取 - 模型训练
完整故事
一个大型应用往往有这三类人、可以一人多个角色:
-
领域专家:对应用有更深的了解,更关心机器学习模型对产品的影响 展现和点击
-
数据科学家:原始数据 - > 机器学习可理解的数据 -> 训练模型
-
AI专家:提升模型精度和性能
Q&A
-
机器学习的可解释性 - > 不同模型会考虑不同的信息、现在仍在等待更多学术的进展
-
领域专家 - > 比如农业专家想看今年的收成、领域专家可以当作甲方、数据科学家是乙方
-
机器学习只能从直觉理解吗 - > 会有数学解释、但解释仍不全面
-
符号学可以和机器学习融合起来吗 - > 可以
-
数据科学家和AI专家的区别 - 区别不大、资深数据科学家往深处走可以是AI专家
-
mac是否支持pytorch - 支持、但是会慢一些
-
语言仅在感知层面存在是否合适 - 自然语言处理仍有待提高
-
如何寻找自己领域论文 - 后期会介绍老师的方法
-
无人驾驶如何降低误差 - 竞赛中讲解通过多模型提升精度的方法