人人AI（吴恩达系列）

最新推荐文章于 2024-09-25 17:55:37 发布
最新推荐文章于 2024-09-25 17:55:37 发布
阅读量2.2k 收藏 12
点赞数 2
分类专栏： 研究生机器学习 文章标签： 人工智能 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43722052/article/details/126095291
版权

人人AI

第一章：解密人工智能

1.1 第一章简介

AI是两个独立的ideas：弱人工智能（智能音箱、自动驾驶、网络搜索）&强人工智能（帮你做任何事）
在这里插入图片描述
ANI进步很快，AGI进步的缓慢。
ANI（单一的人工智能）
下面的课程安排：
在这里插入图片描述

1.2 什么是机器学习

  • 监督学习：从输入到输出的映射（从A到B）
    在这里插入图片描述
    例子：
    在这里插入图片描述
    在这里插入图片描述
    要想得到良好的效果，需要什么：
    1.大量的数据
    2.训练一个非常大的神经网络

1.3什么是数据

在这里插入图片描述
在这里插入图片描述

A、B一般是自己决定的，从哪到哪

1.3.1 获取数据

  1. 手动标记
  2. 观察用户行为或其他类型的行为
  3. 从网站下载或从合作伙伴那里下载
    在这里插入图片描述
    在这里插入图片描述

1.3.2 使用和误用的数据

通常数据多比数据少要好，但也不全是这样

  • 不要认为只要扔数据给AI团队，就觉得它们会创造价值
  • 不要为数据而过度投资，有时候不知道这些数据如何创造价值，除非有一个AI团队来研究这些数据

有时候数据很差，有问题
在这里插入图片描述

1.4 人工智能术语

在这里插入图片描述

  • 机器学习：A->B（通常有通过一个软件，从输入到输入）
  • DS:一些帮助你做商业决定的见解，比如是否需要投资来翻新房子，通常做一些决策
    在这里插入图片描述
  • 深度学习/神经网络
    在这里插入图片描述
    在这里插入图片描述

1.5 什么是人工智能公司

在这里插入图片描述
在这里插入图片描述

1.6 机器学习的可行性

AI可以做什么，不可以做什么
判断监督学习（A->B）能做什么不能做什么？

  • 几乎所有一瞬间你可以完成的事，都可以用监督学习来完成
    在这里插入图片描述
    在这里插入图片描述
    左边的容易做,A->B.
    右边的不好做，Ai不容易写出这样一段话（感同身受）
    在这里插入图片描述
    AI很难写出感同身受的东西

两个经验法则判断机器学习是否可行的？？通过直觉判断形目是否可行
在这里插入图片描述
解释：

  1. 学习一个简单的概念是可行的，1s或几秒就可以得出一个结论，比如观察窗外汽车的位置
  2. 大量可用的数据，A->B，客户发来的邮件->邮件类型（退款，发货）

1.7 机器学习的可行性事例

在这里插入图片描述
雷达-》车的位置
伸手-》无法确定意图
在这里插入图片描述

1.8 深度学习的直观解释

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
乐高积木一样堆叠神经元
在这里插入图片描述

1.9 测试

  1. 如今使用的垃圾邮件过滤器、语音识别和其它应用最符合哪种人工智能类型的定义？专用人工智能（ANI）

  2. 最常用的学习输入（A）到输出（B）映射的 AI 技术叫作什么？监督学习

  3. 使用监督学习构建语音识别系统，为了让神经网络（深度学习）达到最佳性能，理想的选择是？（多选）
    在这里插入图片描述
    一个大型数据集（由音频文件和对应的文本转录构成）、一个大型神经网络

  4. 人工标注是为监督学习算法获取数据的唯一途径？例如给定输入A，人工提供B。×

  5. 一些类型的数据相较于其它数据更有价值，人工智能团队能够帮助您搞清楚什么样的数据是值得获取的在这里插入图片描述

  6. 您运营着一家摩托车生产公司，下列哪些是非结构化数据？（多选）
    在这里插入图片描述

  7. 假设您运营着一家卖猫粮的网站，下列哪些是数据科学项目成果？（多选）
    在这里插入图片描述

  8. 根据视频3中对人工智能属于的定义，下列哪些陈述是正确的？（多选）
    在这里插入图片描述

  9. 人工智能公司应当在哪些方面做得很好？
    在这里插入图片描述

  10. 假设您想输入一张人脸面部图片（A），输出他们是否在微笑（B），因为这是一项大多数人都能在一秒内完成的任务，所以监督学习可以学习这种 A 到 B 的映射。对吗 √

第二章：建立AI项目

2.1 第二章简介

在这里插入图片描述

2.2 机器学习项目的工作流程

  1. 收集数据
  2. 训练模型A-》B
  3. 部署模型
    在这里插入图片描述
    在这里插入图片描述

2.3 数据科学的工作流程

策略调整，优化生产
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.4 每个工作职能都需要学会使用数据

销售
在这里插入图片描述

工厂线
在这里插入图片描述
招聘
在这里插入图片描述
农业
在这里插入图片描述
市场营销
在这里插入图片描述

2.5 如何选择一个人工智能项目

AI知识和专业知识相结合
在这里插入图片描述
头脑风暴框架：
考虑优化某一种任务，而不是取代某一个工作
能不能给送死带来效益
能不能解决公司痛点
在这里插入图片描述
即使没有很多数据也能取得进步
在这里插入图片描述
下部分：
在这里插入图片描述
在这里插入图片描述
除了技术和业务考察外，还有道德考察

2.6 如何与AI团队合作

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.7 AI 团队的技术改进

在这里插入图片描述

在这里插入图片描述

2.8 测试

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

第三章：在公司里运用AI

3.1 简介

在这里插入图片描述

3.1 智能音箱案例研究

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.2 自动驾驶汽车案例研究

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.3AI团队的角色示例

在这里插入图片描述

在这里插入图片描述

3.4 人工智能转型白皮书

在这里插入图片描述

  1. 在这里插入图片描述
  2. 统一管理AI人才、建设管理统一数据软件平台、给足够资金
    在这里插入图片描述

在这里插入图片描述
4.
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

白皮书地址： link

3.5 需要避免的AI陷阱

在这里插入图片描述

3.6 迈出AI人工智能的第一步

在这里插入图片描述

3.7 主要人工智能应用概览

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
非监督学习
在这里插入图片描述

  • 迁移学习
  • 在这里插入图片描述
  • 强化学习
    在这里插入图片描述
  • 强化学习需要大量数据
  • 生成对抗神经网络
    在这里插入图片描述
  • 生成对抗网络：无中生有，创造新内容
  • 知识图谱在这里插入图片描述

3.8 测试

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

第四章：AI与社会

4.1 简介

在这里插入图片描述
在这里插入图片描述

4.2 针对人工智能的现实看法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.3 歧视和偏见

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.4 AI的对抗攻击

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.5 AI的不良使用

在这里插入图片描述

4.6 人工智能与发展中国家

在这里插入图片描述
在这里插入图片描述

4.7 AI和工作

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.8 结论

在这里插入图片描述

4.8 测试

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

【ChatGPT】大模型时代——开启人工智能新十年
AI天才研究院
03-29 2万+
2018 年以来，超大规模预训练模型的出现推动了 AI 科研范式从面向特定应用场景、训练专有模型，转变为大模型+微调+模型服务的AI工业化开发模式。直至对话大模型 ChatGPT 引发全球广泛关注，人们终于欢呼 AI 2.0 时代来了。当我们立足由大模型推动的AIGC元年，AI 正在迎来新的一轮全球应用和研发热。随着两波AI崛起浪潮接连在寒冬中袭来，人们终于看到了大模型+AIGC 将人工智能从当前低谷带到下一个拐点的星火。在过去十年的尾声，以深度学习为基础的人工智能为何在产业落地方面变得缓慢？人工智能的下一
AIGC从入门到实战：ChatGPT 简介：从 GPT1 到 GPT4 的发展历程和应用领域
AI天才研究院
06-24 1365
ChatGPT采用了Transformer架构和自回归语言模型。给定一段文本序列,模型通过自注意力机制提取上下文信息,并利用Masked Language Model(MLM)和Next Sentence Prediction(NSP)进行预训练。在应用阶段,模型根据输入的Prompt生成相应的文本响应。本文全面介绍了 ChatGPT 的发展历程、技术原理和应用实践。首先,我们回顾了从 GPT-1 到 GPT-4 的演进过程,阐述了 ChatGPT 的核心概念。
吴恩达机器学习课程资源（笔记、中英文字幕视频、课后作业，提供百度云镜像！）
记录学习的小白
07-21 1万+
课程，可以说是机器学习入门的第一课和最热门课程，作者在github开源了吴恩达机器学习个人笔记，用python复现了课程作业，成为热门项目，star数达到11671+。由于某种原因，国内用户访问github非常慢，下载资源经常失败，于是，为方便读者，我们把github内容做成镜像文件予以发布，针对非会员无法一次性保存大量文件，我把所有文件压缩成一个iso文件，转存即可，只需5秒即可保存！密码1fih，包含视频和字幕，下载后解压，建议用potplayer播放，此视频与mp4一致。...
生成式AI「人人可用」的时代要来了么？企业和开发者该怎么做？
最新发布
weixin_72959097的博客
09-25 1055
手机扫码的这种付款方式，支付宝早在2011年就做出了第一张手机支付的二维码，但2013年才推出的微信支付，却在推出后很短时间内占据了手机支付的半壁江山，这其中就离不开支付宝在开始时对用户的不断教育，培养了用户的支付习惯。🤔越来越多的人开始转行AI产品经理，毕竟大行情不是太好，对于刚毕业的研究生，想转行的互联网人，AI产品经理，确实是一个不错的方向，我在大厂做了多年的AI产品经理，还是想给大家一些经验和方向⏩。企业的学习，其实是企业里人的学习，可以是企业领导、老板或者是普通员工；具体我要学什么技术呢？
吴恩达深度学习相关资源下载地址
何宽的博客
07-31 4万+
蓝奏云 dropout instr.zip 【吴恩达课后编程作业】第二周 - PA1 - 具有神经网络思维的Logistic回归.zip Week 3 - PA 2 - Planar data classification with one hidden layer.zip 【吴恩达课后编程作业】Course 1 - 神经网络和深度学习 - 第四周作业(1&2).zip 【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第一周作业(1&2&3).zip 【
吴恩达教授《AI for everyone》课程第一周——机器学习
steven的博客
03-12 857
视频地址：https://www.coursera.org/learn/ai-for-everyone/lecture/5TPFo/machine-learning 英文字幕： The rise of AI has been largely driven by one tool in AI called machine learning. In this video, you'll learn...
机器学习+深度学习相关课程地址总结
爱学习爱运动的专栏
11-19 2715
课程全部内容PPT 课程链接：https://www.bilibili.com/video/BV1JE411g7XF?p=1 百度网盘链接：https://pan.baidu.com/s/1A2pwtwLPUOnPpjjSpfYpXg 提取码：nd6c
吴恩达《深度学习专项》笔记+代码实战（二）：简单的神经网络——逻辑回归
a119334的博客
05-31 1225
这堂课要学习的是逻辑回归——一种求解二分类任务的算法。同时，这堂课会补充实现逻辑回归必备的数学知识、编程知识。学完这堂课后，同学们应该能够用Python实现一个简单的小猫分类器。
人工智能、机器学习、深度学习从入门到进阶学习资料整理
the_cleaner的博客
04-01 1082
AI方面的学习资料，包含了学习社区、入门教程、汲取学习、深度学习、自然语言处理、计算机视觉、数据分析、面试和书籍等方面的知识。
fastai2019深度学习课堂笔记
weixin_44145222的博客
07-13 1285
文章目录deep learning pipeline获得源数据数据处理处理源数据data segmentationprogressive resizingnormalizationdatablocks模型构建16位浮点运算模型训练fit_one_cycle模型评估训练集误差和验证集误差模型调试实战经验 作为自学党，走入深度学习所面临的主要问题不是理论知识多少，而是怎样理论结合实际，也就是说：怎么写代码。为此，基于pytorch高度封装的fastai是很好的选择，其相关课程内容也注重代码，能够比较好地帮助初学
本科-人工智能复习题
HWP
10-29 3万+
填空题 首次提出“人工智能”是在（1956）年 。 下列不属于人工智能的研究方法的是（动作模拟法）。 （语义网络法）是知识的一种结构化图解表示，它由节点和弧线或链线组成，能把实体的结构、属性与实体间的因果关系显式和简明地表达出来。 在图搜索过程中，重排OPEN表意味着，是否按照某个（试探值）重新对未扩展节点进行重排。 估价函数的值越小，意味着该节点位于...
人工智能知识全面讲解：垃圾邮件克星——朴素贝叶斯算法
Lee达森的博客
06-27 1755
6.1 什么是朴素贝叶斯 6.1.1 一个流量预测的场景 某广告平台接到小明和小李两家服装店的需求，准备在A、B两个线上渠道 投放广告。因为小明和小李两家店都卖女装，属于同一行业相同品类的广告， 所以在 A、B两个渠道面向的不同用户前只会展示其中一家。一个月以后，从 点击率来看小明的服装店占了A、B两个渠道总流量的65%，小李服装店占剩? 35%的流量。小明服装店的总流量中只有30%的流量是在B渠道中获得的，而小 李服装店在B渠道获得的流量占总流量的75%，如图6-1所示。现在因广告平台 与A渠道合作到期的
要让人人能AI的百度EasyDL，现在怎么样了？
量子位
01-22 1709
李林 发自 凹非寺量子位出品 | 公众号 QbitAI“百度非常愿意和全球有梦想的开发者一起，来实现一个理想：Everyone can AI。”2018年7月的百度Cre...
机器学习高频面试题(41道)
热门推荐
wuxiaosi808的博客
07-02 5万+
Q1: What’s the trade-off between bias and variance? 问题1: 什么是偏差（bias）、方差（variable）之间的均衡？ Bias 是由于你使用的学习算法过度简单地拟合结果或者错误地拟合结果导致的错误。它反映的是模型在样本上的输出与真实值之间的误差，即模型本身的精准度，即算法本身的拟合能力。Bias 可能会导致模型欠拟合，使其难以具有较高的预测准确性，也很难将你的知识从训练集推广到测试集。 Variance 是由于你使用的学习算法过于复杂而产生的错
【吴恩达深度学习专栏】神经网络的监督学习(Supervised Learning with Neural Networks)
汪雯琦的博客
03-23 1208
1.3 神经网络的监督学习(Supervised Learning with Neural Networks) 关于神经网络也有很多的种类，考虑到它们的使用效果，有些使用起来恰到好处，但事实表明，到目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别，让我们举例看看。 在监督学习中你有一些输入x，你想学习到一个函数来映射到一些输出y，比如我们之前提到的房价预测的例子，...
Python监督学习_神经网络（深度学习）
HuaZe
01-31 1114
神经网络（深度学习） 深度学习算法往往经过精确调整，只适用于特定的应用场景。这里讨论简单的用于分类和回归的多层感知机(multilayer perceptron, MLP)，MLP也被称为前馈神经网络/神经网络。 1.神经网络模型 MLP可以被视为广义的线性模型。 display(mglearn.plots.plot_logistic_regression_graph()) 输入特征...
重磅发布！吴恩达 AI 完整课程资源超级大汇总！
fengdu78的博客
02-19 3314
编辑 | Will出品 | 字节AI吴恩达（Andrew Ng），毫无疑问，是全球人工智能（AI）领域的大 IP！随着近些年来 AI 越来越火的大趋势下，吴恩达一直致力于普及、宣传、推广...
什么是语音识别，目前语音识别应用在哪些领域？
04-09 8043
语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高新技术。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。 　　语音识别是人机交互的基础，主要解决让机器听清楚人说什么的难题。人工智能目前落地最成功的就是语音识别技术。 语音识别目前主要应用在车联网、智能翻译、智能家居、自动驾驶方面，国内最具代表性的企业是科大讯飞，此外还有云知声、普强信息、声智科技、G...
《人工智能》机器学习 - 第1章 机器学习简介
不问归期的博客
09-10 4398
1.1机器学习（Machine Learning, ML) 图1机器学习时间轴 自从科学、技术与人工智能拥有了最初的观点，科学家们跟随着Blaise Pascal和Von Leibniz的脚步，思考是否有一种机器，拥有与人类相同的智能。著名作者如Jules Verne，Frank Baum(绿野仙踪)，Marry Shelly(弗兰肯斯坦)，George Lucas(星球大战)幻想着人造人...
机器学习之监督学习、数据标签
weixin_44039930的博客
12-11 6057
监督学习 监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

毕竟是shy哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值