本人第一次在CSDN写文章上了新人榜真是诚惶诚恐,我会再接再厉的。
后期可能会分享一些有关机器学习或者智能优化算法方面的内容,希望能真真切切帮助到大家!!!
现在我简单讲讲机器学习能在哪些方面有所应用,当然机器学习也是广泛结合大数据、云平台、云服务器等去处理实际问题,我们不能将他们进行剥离,这里我们主要讲讲机器学习所占权重比较大的方面。
首先,就是自然语言处理方面 。为什么把自然语言处理放在第一位,因为在聊天机器人、语音识别、机器翻译、情感分析、文本摘要、智能客服等领域,自然语言处理技术利用机器学习模型理解和生成人类语言,极大地提升了人机交互的体验,也是他目前广泛应用的原因。比如像我们的AI大模型,文心一言、通义千问、GPT等就是通过卷积网络、深度卷积网络,结合python爬虫等技术进行学习,使生成的语料十分契合我们的阅读习惯,并能汲取知识输出给想要了解的人。
其次,是计算机视觉。其实,机器视觉应该放在第一位,因为机器学习的发展就是从机器视觉的卷积层开始的,但由于这方面已经相当成熟,不像大模型一样热门,因此放在二位。其应用包括图像识别、物体检测、人脸识别、视频分析等,这些技术对于安防监控、自动驾驶汽车、医疗影像诊断、零售业的商品识别等应用至关重要。这里展示一个python写的代码完成早期图片识别的任务。
原图 增强
这里应用了对数变换对图像进行了增强处理将黑人小哥及后面的门及一些小细节显示出来。如果您想要复现图片处理过程,请注意代码中图片地址的变化,要与您电脑中图片地址一致。
import cv2
import numpy as np
img=cv2.imread(r"C:\Users\86158\Desktop\tupian\MA.jpg")
img1=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#cv2.imshow("1",img1)
c=255/np.log(1+np.max(img))
img2=c*np.log(1+img)*1
img2=img2.astype(np.uint8)
#cv2.imshow("2",img2)
cv2.imwrite(r"C:\Users\86158\Desktop\tupian\4-2.png",img1)
cv2.imwrite(r"C:\Users\86158\Desktop\tupian\4-1.png",img2)
key=cv2.waitKey(0)
if key==27:
cv2.destoryALLWindows()
最后,就是推荐系统。 在电商、流媒体服务(如音乐、电影)、新闻推送等场景中,机器学习根据用户的历史行为、偏好和上下文信息提供个性化推荐,是提升用户体验和增加用户粘性的关键。其实,我们的短视频的推荐系统是众所周知的,但淘宝、美团、饿了么等平台推送大家不是很注意到,包括推荐系统中也含有协同推荐、相似度矩阵的处理等都是应用到了机器学习。
最后,也希望看到这里的读者能深入了解到这一块的内容,因为未来机器学习、优化算法或将成为你技术领域的加分项。