一、初识AI
1、什么是AI?
人工智能(Artificial Intelligence),英文缩写为AI。它是计算机科学的一个分支,研究用于模拟、延伸和扩展人的智能的理论或方法、技术及应用系统。它企图了解智能的实质,并生产出一种能与人类智能相似的智能机器,该领域的研究包括机器人、语言识别与处理、图像识别与处理、自然语言处理和专家系统等。
2、AI与传统程序设计的区别:
3、人工智能、机器学习、神经网络、深度学习几者间的关系:
(1)人工智能:
包含“机器学习”和“非机器学习”(如过去的专家系统,通过大量if-else定义规则);
(2)机器学习:
包含“传统机器学习”、“强化学习”、“神经网络”等;机器学习是一门涉及概率统计学、系统辨识、逼近理论、神经生物学、优化理论、计算机科学、哲学等诸多领域的交叉学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,是人工智能技术的核心。
(3)传统的机器学习:
传统机器学习涵盖以下技术:
- 决策树算法(DTrees):利用一系列规则进行分类学习的算法;
- 随机森林算法(RFTrees):以决策树为估计器的Bagging算法;
- 支持向量机算法(SVM):类神经网络,将数据映射到高维空间,寻找最大切分超平面的算法;
- K-近邻算法(KNN):根据邻居的数据类别来决定自己的类别;
- 逻辑回归(LogisticRegression)
- 线性回归
- 朴素贝叶斯算法(Bayes Classification):根据先前经验和样本信息来确定样本类别的算法;
- 正则化模型
- 模型集成(ensemble)
- 神经网络(ANN;这个发展为一门独立的新技术了,所以这个放在机器学习中)
- …
(4)强化学习:
像训兽师训练动物一样训练模型;当动物选择正确时给予奖励,选择失败时没有奖励或给予处罚。这种学习方式(称为强化学习)与传统监督机器学习的曲线拟合方法有很大不同。尤其是,强化学习学习得非常快,因为每一个新的反馈(例如执行一个行动并获得奖励)都会影响到随后的决定。
强化学习也提供了预测和优化的平滑整合,因为它在采取不同的行动时保持当前状态的信念和可能的转换概率,然后做出决定哪些行动可以导致最佳结果。
(5)神经网络:
神经网络也被称为类神经网络,它是在现代神经科学研究成果的基础上提出的,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
① 神经网络:
神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。模型如下:
上面的图可以抽象为下图:
神经网络分类:
- 按照网络结构区分:前馈型网络、前馈内层互联网络、反馈型网络
- 其他作者的神经网络分类图:
② 神经元模型
③ 神经网络的优越性:
- 具有自学习功能:例如实现图像识别时,只在先把许多不同的图像样板和对应的应识别的结果输入神经网络,网络就会通过自学习功能,慢慢学会识别类似的图像。
- 具有联想存储功能:用人工神经网络的反馈网络就可以实现这种联想。
- 具有高速寻找优化解的能力:寻找一个复杂问题的优化解,往往需要很大的计算量,利用一个针对某问题而设计的反馈型人工神经网络,可能很快找到优化解。
(6)深度学习:
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
深度学习的诞生:2006年,Hinton提出了在非监督数据上建立多层神经网络的一个有效方法,具体分为两步:首先逐层构建单层神经元,这样每次都是训练一个单层网络;当所有层训练完后,使用wake-sleep算法进行调优。
4、传统学习与深度学习的区别:
- 明确了特征学习的重要性。也就是说,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更容易。
- 与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据丰富的内在信息。
- 与人工规则构造特征的方法相比,在进行学习前无须进行特征提取。降低了建模的难度和建模效果的不确定性,省事省力。
- 与人工规则构造特征的方法相比,减
5、新一代的AI可以理解为:AI=深度学习+强化学习+百科库
- 深度学习:一切运用了神经网络作为参数结构进行优化的机器学习算法。最基础的如:CNN(卷积神经网络),RNN(递归神经网络),LSTM(长期短期记忆),GAN(生成敌对网络)等。
- 强化学习:不仅能利用现有数据,还可以通过对环境的探索获得新数据,并利用实战数据循环往复地更新迭代现有模型的机器学习算法。
- 百科库:在训练力度不够时,采用百科库进行问答还是有必要的。
6、机器学习的学习方式有哪些?
(1)监督学习
有特征(feature)和标签(label)的,即便部分没有标签,机器也是可以通过特征和标签之间的关系,判断出标签。
(2)无监督学习
只有特征,没有标签。
(3)半监督学习
使用的数据,一部分是标记过的,而大部分是没有标记的。和监督学习相比较,半监督学习的成本较低,但是又能达到较高的准确度。
(4)强化学习
强化学习也是使用未标记的数据,但是可以通过一些方法知道你是离正确答案越来越近还是越来越远(奖惩函数)。
7、训练模型的一般步骤有哪些?
- 选择一个模型结构(例如逻辑回归,随机森林等)或神经网络预训练模型;
- 用训练数据(输入和输出)输入模型;
- 学习算法将输出最优模型(即具有使训练错误最小化的特定参数的模型);
- 用验证数据验证模型;
- 用测试数据测试模型;
最后
感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你。
因为这个行业不同于其他行业,知识体系实在是过于庞大,知识更新也非常快。作为一个普通人,无法全部学完,所以我们在提升技术的时候,首先需要明确一个目标,然后制定好完整的计划,同时找到好的学习方法,这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
五、面试资料
我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】