1.深度学习的介绍
1.1 AI地图
对于AI来说,它按照从感知到推理,再到知识,最后到规划这个阶段发展,关于AI 一般有三个方向,第一种就是符号学,后面发展过概率模型,最后就是机器学习,在自然语言处理中主要用到了概率模型和机器学习,在计算机视觉中主要用到的是机器学习,特别是神经网络的发展取得了非常好的成就。深度学习是机器学习的一种,这个后面就更高深了。在最近的几年里面,我们比较热门的几个方向是自然语言处理和计算机视觉。
1.2 人工智能的突破
- 图片分类-image-net;现在基本上错误率低于5%,跟人类差不多了。
- 物体检测与分割:
物体检测是我们不仅需要知道图像的内容,还希望知道是什么且在哪里。
物体分割是图片里的每一个像素是属于飞机还是属于人。
- 样式转移;将一幅画A按照另外一幅画B的风格合成为具有B风格的A画
- 人脸合成
通过图片,将两个人的样貌进行融合成一个现实生活中完全没有的虚拟人。
- 文字生成图片
就是我们通过输入一串的语言问题,人工智能能够根据输入的问题自动的生成相关的图片。
- 无人驾驶(Tesla)
1.3 案例分析-广告点击
1.4 预测与训练
在这里,我们需要静
1.5 完整的故事
2.1 问答QA
- 机器学习为什么在图像分割上有效?
答:模型的可解释性在深度学习中是不太好解释的,但在机器学习中简单的模型是可以解释的,为什么有效和具有可解释性是两回事,所以我们必须弄清楚这两个问题,有些东西有效,但解释性现在很难做到。 - 领域专家如何定义?
答:领域专家是提需求的人,可以认为是甲方,而数据科学家是乙方,负责把领域专家的需求转换成数学模型进行分析和实现。 - MXNET必须卸载CPU版本后才能装GPU版本吗?
答:是的,你安装GPU版本就必须卸载CPU版本 - 深度学习无法用数学规范来表示,只能从直觉上理解吗?
答:不是的,模型是可以用数学来表示的,我们今后也会学习到很多数学模型。 - 符号学可以和机器学习融合起来吗?
答:这个确实是可以的,而且今年来符号学和机器学习的融合也发展起来了。比如图神经网络可以做比较复杂的推理过程。 - 数据科学家和AI专家的区别在哪?
答:数据科学家是可以根据数据来得出一个模型,能工作就好了。如何把抽象的问题转换成一个数学模型来进行分析。AI专家他可能也是一个数据科学家,但他更关心的是提升模型的精度和性能,他们之间的侧重点不一样,数据科学家就像是一个普通的工程师,去实现甲方的功能就行了, 而AI专家则像老板,不仅仅要实现甲方的功能,还会考虑很多其他的事情,比如说成本,性能之类的。资深数据科学家就像是AI专家。 - MAC是否支持 pytorch?
答:pytorch支持CPU版本,也支持MAC,但不是很快 - 自然语言仅仅在感知层面似乎不太合适,因为语言的理解和产出不仅仅是语言的感知,也涉及语言的知识和世界的知识,也涉及到规划,比如机器规划?
答:是的,现在我们做自然语言处理上效果是一般般的,虽然能做一些感知以外的东西,但达到实际的效果还需要很长一段路要走。机器学习在图片上的分类做的比较好 - 如何寻找自己领域的 paper 的经验吗?
答:这个后面再详谈 - 以无人驾驶的环境识别为例,误判率在不断的下降,但误判的影响可能是很严重的。是否可由已有的样本中得到修正从而完全避免这样的错误吗?
答:无人驾驶是一个非常有趣的应用。任何出现一次的问题会出现毁灭性的灾难,所以无人驾驶对于错误率是非常注重的。目前学术界也在研究在模型极端的情况下是否也会出现不好的答案。现在比较好的方式是通过把不同的模型融合在一起从而实现多模型投票判断,通过把不同模型的权重投票进行对比来分析。