1、人工智能的发展史
发展历史
① 1945 图灵测试
② 1955 “人工智能”一词在一份关于召开国际人工智能会议的提案中被提出,正式宣告人工智能作为一门学科的诞生
③ 1986 具有里程碑意义的论文《通过误差反向传播学习的表示》
④ 2007 李飞飞和同事建立ImageNet(大型注释图像数据库,旨在帮助视觉对象识别软件进行研究)
⑤ 21世纪 人类进入“大数据”时代
⑥ 2016 谷歌ALphago
2、人工智能在各行各业的应用
- 安防:大数据分析罪犯嫌疑人生活轨迹及可能出现的场所,利用计算机视觉技术发现并进行抓捕。
- 金融:利用语音识别、语义理解等技术打造智能客服
- 智能影像可以快速进行癌症早期筛查,帮助患者更早发现病灶
- 交通:无人驾驶通过传感器、计算机视觉等技术解放人的双手和感知
- 零售:利用计算机视觉、语音/语义识别,机器人等技术提升消费体验
- 工业制造:机器人代替工人在危险场所完成工作,在流水线上高效完成重复的工作
3、人工智能的概述
人工智能的定义
- 人工智能是通过机器人来模拟人类认知能力的一种科技能力
- 人工智能最核心的能力就是根据给定的输入做出判断或预测
4、什么是机器学习
机器学习的定义
- 机器学习为人工智能提供了基础,机器学习就是一种使用数据来训练软件模型的技术
5、监督学习与非监督学习的实例讲解
监督学习概念
从给定的训练数据集(历史数据)中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集需要包括输入和输出,也可以说是特征和目标。训练集中的目标是由人标注的。
监督学习:回归
通过特征值得到目标值
回归模型的评估标准:
回归模型的评估值为MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)。上述三个误差值是指评分真实值与预测值之间的误差,在多次建模的过程中,每一次建模的结果都会产生一组误差值,评判一个回归模型好坏的方法就是看这三个误差值是否变小或者变大,误差值越小,表示回归模型越好。
监督学习:分类
分类模型的评估标准:
- 模型预测的值是在0-1之间,阈值的选择决定预测值
- 若一个实例是正例,并且被预测为正例,即为真正例(True Postive TP)
- 若一个实例是正例,并且被预测为负例,即为假负例(False Negative FN)
- 若一个实例是负例,并且被预测为正例,即为假正例(False Postive FP)
- 若一个实例是负例,并且被预测为负例,即为真负例(True Negative TN)
- 精确率/准确率: Accuracy = (TP+TN)/(TP+TN+FP+FN)
- 精准率/查准率:Precision = TP/(TP+FP)
- 召回率/查全率:Recall = TP/(FN+TP)
非监督学习:聚类
判断依据:聚类中心之间的平均距离,和集群中心点到最远点的距离相比,这个比列越大,聚类的分离程度越大。
机器学习流程
核心流程:
数据收集 -> 数据处理 -> 模型训练 -> 评估模型 -> 应用模型
数据收集:理解数据的含义、数据质量评估
数据处理:数据清洗(去噪、去重)、数据格式转换、特征提取
模型训练:了解常用的机器学习的算法,选择合适的算法去训练
模型评估:通过测试数据集去预测目标,分析评估模型指标数据,评估结果可视化
应用模型:导出或发布模型进行运用,最后对模型的效果进行反馈
6、如果快速掌握AI应用的能力
角色定位
AI应用工程师:主要是行业运用结合,开发各种应用或者中间件
AI售前工程师:主要是结合各行业,提出各种AI应用的场景,向客户提供解决方案
AI集成工程师:主要是与AI产品供应商合作,提供整体集成解决方案,包括实施和运维
AI产品经理:主要是将AI功能落地到产品上,提升产品交互体验,增强产品竞争力
AI研发工程师:主要负责核心AI技术的研发工作(算法、模型)
应用技能:
1、掌握一门编程语言
2、理解机器学习的原理
3、熟悉云平台和AI应用集成方式(接口API或者SDK)
4、至少会一种接口调试工具(Postman)