30多岁+学习人工智能_ai人工智能+python全栈+大数据分析精品就业班 - CSDN
  • 30岁AI学习计划

    2019-01-16 15:52:39
    这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、...

    文章背景

    已研究生毕业3年多,所在团队偏产品,涉及的技术不深,想工作之余,刻意学习沉淀技术,希望能成为某领域专家,不被淘汰。

    学习方法

    1.按部就班系统性学习。
    2.问题驱动各个击破,同时补齐相关重要知识点。
    本人工作时间较长,家里事情较多,要系统性学习比较困难;同时本人不是一个耐得住寂寞的人,需要解决问题中看到实际的效果,即有阶段性反馈。最终选择第二种方法。

    学习计划

    目前没有详细学习计划,以解决工作中问题为主,并同时刻意学习相关重要知识。

    开始学习之旅吧!!!

    补充个人简介

    15年研究生毕业,自选数据挖掘方向,研究生三年自学为主,基本没有理论积累和研究,期间参加过某比赛获得300+名,对数据挖掘流程有较完整的认识;同时阅读了han jiawei 的数据挖掘书籍,也不是研究很深入,知识懂算法的基本原理、应用场景、优缺点。毕业侥幸去了BAT一家,入职后相当痛苦,什么都不会,基本上从零开始学习。
    直到今天,虽然对工作相关技能已掌握较熟练,但是真正的技术深度远远不够,如熟练使用的算法xgboost,其他基本上没用过,深度学习原理完全不懂;已满29岁,如果再不积累,必将被淘汰。

    展开全文
  • 机器学习、深度学习、强化学习人工智能的关系是什么?人工智能学习算法大家庭1. 机器学习的定义2. 深度学习的定义3. 强化学习的定义4. 迁移学习的定义5. 人工智能的定义6. 机器学习 VS 深度学习 VS 强化学习 VS ...

    人工智能的学习算法大家庭

      人工智能 (Artificial Intelligence, AI) 浪潮正在席卷全球,在上一讲中,我们给出了人工智能的定义、话题、四大技术分支、主要应用领域和三种形态:弱人工智能、强人工智能和超级人工智能,让大家了解了人工智能这个耳熟能详的概念。其中,我们区别了弱人工智能和强人工智能的概念:前者让机器具备观察和感知的能力,可以做到一定程度的理解和推理;而强人工智能让机器获得自适应能力,解决一些之前没有遇到过的问题。电影里的人工智能多半都是在描绘强人工智能,而这部分在目前的现实世界里难以真正实现;目前的科研工作主要集中在弱人工智能这部分,并且已经取得了一系列的重大突破。
    电影中的强人工智能——黑客帝国
      在这一讲中,我们打算理一下人工智能的发展历史,以及各个历史阶段当中侧重的不同算法。
      1956年,几个计算机科学家相聚在达特茅斯会议,提出了“人工智能”的概念,梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后,人工智能就一直萦绕于人们的脑海之中,并在科研实验室中慢慢孵化。之后的几十年,人工智能一直在两极反转,或被称作人类文明耀眼未来的预言,或被当成技术疯子的狂想扔到垃圾堆里。直到2012年之前,这两种声音还在同时存在。
      2012年以后,得益于数据量的上涨、运算力的提升和机器学习新算法——深度学习的出现,人工智能开始大爆发,研究领域也在不断扩大,下图展示了人工智能研究的各个分支,包括计划调度、专家系统、多智能体系统、进化计算、模糊逻辑、机器学习、知识表示、计算机视觉、自然语言处理、推荐系统、机器感知等等。
    人工智能研究的各个分支
      诸多媒体流行词汇萦绕在我们耳边,比如人工智能 (Artificial Intelligence)、机器学习 (Machine Learning)、深度学习 (Deep Learning)、强化学习 (Reinforcement Learning)。不少人对这些高频词汇的含义及其背后的关系感到困惑,这一讲中,我们会从它们的发展历程、概念、算法种类进行介绍,并且理清它们之间的关系和区别;具体的算法原理留到之后的推送当中详解。

    1. 机器学习

      弱人工智能是如何实现的,“智能”又从何而来呢?这主要归功于一种实现人工智能的方法——机器学习。

    1. 机器学习的定义一:机器学习定义的第一类答案是IBM提出的认知计算 (Cognitive Computing)。其目标是构建不需要显式编程的机器(计算机、软件、机器人、网站、移动应用、设备等)。这种机器学习观点可追溯到Arthur Samuel在1959年的定义,“机器学习:让计算机无需显式编程也能学习的研究领域”。Arthur Samuel 是机器学习的创始人之一,在IBM的时候,他开发了一个程序来学习如何在西洋棋棋艺上超过他。
    2. 机器学习的定义二:Samuel的定义很好,但可能有点太模糊。1998年,另一位著名的机器学习研究者Tom Mitchell提出了一个更精确的定义,“正确提出的学习问题:如果计算机程序对于任务T的性能度量P通过经验E得到了提高,则认为此程序对经验E进行了学习”。为了阐述清楚,我们举一个例子:在下棋程序中,经验E指的就是程序的上万次的自我联系的经验,任务T就是下棋,性能度量P指的就是在比赛过程中取胜的概率,有了性能指标后,我们就能告诉系统是否学习该经验。
      机器学习定义
    3. 机器学习的算法分类:上述定义为机器学习设定了清晰的目标,但是,它们没有告诉我们如何实现该目标,我们应该让定义更明确一些。这就需要第二类定义,这类定义描述了机器学习算法,以下是一些流行的定义。在每种情况下,都会为算法提供一组示例供其学习。
       (1) 监督式学习:为算法提供训练数据,数据中包含每个示例的“正确答案”;例如,一个检测信用卡欺诈的监督学习算法接受一组记录的交易作为输入,对于每笔交易,训练数据都将包含一个表明它是否存在欺诈的标记。
       (2) 无监督学习:该算法在训练数据中寻找结构,比如寻找哪些示例彼此类似,并将它们分组到各个集群中。
    4. 机器学习的问题分类:我们希望在机器学习算法分类的基础上更具体一些,一种方法是通过分析机器学习任务能解决的问题类型,对任务进行细化:
       (1) 分类,一种监督学习问题,其中要学习的答案是有限多个可能值之一;例如,在信用卡示例中,该算法必须学习如何在“欺诈”与“诚信”之间找到正确的答案,在仅有两个可能的值时,我们称之为二元分类问题;用于实现分类的常用算法包括:支持向量机 (SVM)、提升 (boosted) 决策树和袋装 (bagged) 决策树、k-最近邻、朴素贝叶斯 (Naïve Bayes)、判别分析、逻辑回归和神经网络
       (2) 回归,一种监督学习问题,其中要学习的答案是一个连续值。例如,可为算法提供一条房屋销售及其价格的记录,让它学习如何设定房屋价格;常用回归算法包括:线性模型、非线性模型、规则化、逐步回归、提升 (boosted) 和袋装 (bagged) 决策树、神经网络和自适应神经模糊学习
       (3) 细分(聚类),一种无监督学习问题,其中要学习的结构是一些类似示例的集群。例如,市场细分旨在将客户分组到有类似购买行为的人群中;用于执行聚类的常用算法包括:k-均值和 k-中心点(k-medoids)、层次聚类、高斯混合模型、隐马尔可夫模型、自组织映射、模糊c-均值聚类法和减法聚类
       (4) 网络分析,一种无监督学习问题,其中要学习的结构是有关网络中的节点的重要性和作用的信息;例如,网页排名算法会分析网页及其超链接构成的网络,并寻找最重要的网页。谷歌等 Web 搜索引擎使用的就是这种算法,其他网络分析问题包括社交网络分析。
      机器学习算法、问题分类
    5. 机器学习工作流及定义三:上述两个定义的问题在于,开发一个机器学习算法并不足以获得一个能学习的系统。诚然,机器学习算法与学习系统之间存在着差距。我给出一个机器学习工作流,如下图所示;机器学习算法被用在工作流的“训练”步骤中,然后它的输出(一个经过训练的模型)被用在工作流的“预测”部分中。好的与差的机器算法之间的区别在于,我们在“预测”步骤中获得的预测质量。这就引出了机器学习的另一个定义:“机器学习的目的是从训练数据中学习,以便对新的、未见过的数据做出尽可能好的预测”。
      机器学习工作流

    2. 深度学习

      我们将从深度学习的发展历程、深度学习的概念、深度神经网络的分类几个方面来阐述。

    1. 深度学习发展历史
       (1) 1943年,由神经科学家麦卡洛克 (W.S.McCilloch) 和数学家皮兹 (W.Pitts) 在《数学生物物理学公告》上发表论文《神经活动中内在思想的逻辑演算》(A Logical Calculus of the Ideas Immanent in Nervous Activity)。建立了神经网络和数学模型,称为MCP模型。所谓MCP模型,其实是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的模型,也就诞生了所谓的“模拟大脑”,人工神经网络的大门由此开启。MCP当时是希望能够用计算机来模拟人的神经元反应的过程,该模型将神经元简化为了三个过程:输入信号线性加权,求和,非线性激活(阈值法),如下图所示:
      MCP模型 (2) 1958年,计算机科学家罗森布拉特 (Rosenblatt) 提出了两层神经元组成的神经网络,称之为“感知器” (Perceptrons),第一次将MCP用于机器学习分类:“感知器”算法算法使用MCP模型对输入的多维数据进行二分类,且能够使用梯度下降法从训练样本中自动学习更新权值。1962年,该方法被证明为能够收敛,理论与实践效果引起第一次神经网络的浪潮。
       (3) 1969年,纵观科学发展史,无疑都是充满曲折的,深度学习也毫不例外。1969年,美国数学家及人工智能先驱Marvin Minsky在其著作中证明了感知器本质上是一种线性模型 (Linear Model),只能处理线性分类问题,就连最简单的亦或 (XOR) 问题都无法正确分类。这等于直接宣判了感知器的死刑,神经网络的研究也陷入了将近20年的停滞。
       (4) 1986年,由神经网络之父Geoffrey Hinton在1986年发明了适用于多层感知器 (MLP) 的反向传播BP (Backpropagation) 算法,并采用Sigmoid进行非线性映射,有效解决了非线性分类和学习的问题。该方法引起了神经网络的第二次热潮。
      反向传播算法
       Sigmoid 函数是一个在生物学中常见的S型的函数(S型生长曲线)。在信息科学中,由于其单增以及反函数单增等性质,常被用作神经网络的阈值函数,将变量映射到[0, 1]:Sigmoid(x)=11+exSigmoid(x)=\frac{1}{1+e^{-x}}
       (5) 90年代时期,1991年BP算法被指出存在梯度消失问题,也就是说在误差梯度后项传递的过程中,后层梯度以乘性方式叠加到前层,由于Sigmoid函数的饱和特性,后层梯度本来就小,误差梯度传到前层时几乎为0,因此无法对前层进行有效的学习,该问题直接阻碍了深度学习的进一步发展;此外90年代中期,支持向量机 (SVM) 算法诞生等各种浅层机器学习模型被提出,SVM也是一种有监督的学习模型,应用于模式识别,分类以及回归分析等。支持向量机以统计学为基础,和神经网络有明显的差异,支持向量机等算法的提出再次阻碍了深度学习的发展。
       (6) 2006年——2012年(发展期),2006年,加拿大多伦多大学教授、机器学习领域泰斗、神经网络之父——Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章,该文章提出了深层网络训练中梯度消失问题的解决方案:无监督预训练对权值进行初始化+有监督训练微调。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇,至此开启了深度学习在学术界和工业界的浪潮。2011年,修正线性单元 (Rectified Linear Unit, ReLU) 激活函数被提出,该激活函数能够有效的抑制梯度消失问题:ReLU(x)=max(0,x)ReLU(x)=max(0, x)
       2011年以来,微软首次将深度学习应用在语音识别上,取得了重大突破。微软研究院和Google的语音识别研究人员先后采用深度神经网络 (DNN) 技术降低语音识别错误率20%~30%,是语音识别领域十多年来最大的突破性进展。2012年,DNN技术在图像识别领域取得惊人的效果,在ImageNet评测上将错误率从26%降低到15%。在这一年,DNN还被应用于制药公司的DrugeActivity预测问题,并获得世界最好成绩。
      在这里插入图片描述
       (7) 2012年——2017年(爆发期),2012年,Hinton课题组为了证明深度学习的潜力,首次参加ImageNet图像识别比赛,其通过构建的卷积神经网络 (CNN) AlexNet一举夺得冠军,且碾压第二名(SVM方法)的分类性能。也正是由于该比赛,CNN吸引到了众多研究者的注意。
      AlexNet 2016年,随着谷歌 (Google) 旗下的DeepMind公司基于深度学习开发的AlphaGo以4 : 1的比分战胜了国际顶尖围棋高手李世石,深度学习的热度一时无两。后来,AlphaGo又接连和众多世界级围棋高手过招,均取得了完胜。这也证明了在围棋界,基于深度学习技术的机器人已经超越了人。
      阿尔法狗 VS 李世石
       2016年末2017年初,该程序在中国棋类网站上以“大师” (Master) 为注册帐号与中日韩数十位围棋高手进行快棋对决,连续60局无一败绩;2017年5月,在中国乌镇围棋峰会上,它与排名世界第一的世界围棋冠军柯洁对战,以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平;同年,基于强化学习算法的AlphaGo升级版AlphaGo Zero横空出世,其采用“从零开始”、“无师自通”的学习模式,以100:0的比分轻而易举打败了之前的AlphaGo。除了围棋,它还精通国际象棋等其它棋类游戏,可以说是真正的棋类“天才”。
       此外在这一年,深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以,也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年。
    2. 深度学习的定义:深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如人脸识别、面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征
    3. 深度神经网络:深度学习的模型有很多,目前开发者最常用的深度学习模型与架构包括卷积神经网络 (CNN)、深度置信网络 (DBN)、受限玻尔兹曼机 (RBM)、递归神经网络 (RNN & LSTM & GRU)、递归张量神经网络 (RNTN)、自动编码器 (AutoEncoder)、生成对抗网络 (GAN)等等,更多的模型可以参考下图:
      在这里插入图片描述

    3. 强化学习

      强化学习在各个领域当中应用十分广泛,在这里主要给出它的定义、适用范围、组成成分和交互过程。

    1. 强化学习的定义:强化学习 (Reinforcement learning, RL) 是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益;其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。
    2. 强化学习适用范围:尽管我们在机器学习社区中广泛使用强化学习,但强化学习不仅仅是一个人工智能术语,它是许多领域中的一个中心思想,如下图(强化学习的多个方面,Many Faces of Reinforcement Learning)所示。事实上,许多这些领域面临着与机器学习相同的问题:如何优化决策以实现最佳结果,这就是决策科学 (Science of Decision-Making);在神经科学中,人类研究人脑并发现了一种遵循著名的强化算法的奖励系统;在心理学中,人们研究的经典条件反射和操作性条件反射,也可以被认为是一个强化问题;类似的,在经济学中我们研究理性博弈论;在数学中我们研究运筹学;在工程学中我们研究优化控制;所有的这些问题都可以被认为一种强化学习问题——它们研究同一个主题,即为了实现最佳结果而优化决策。
      强化学习的多个方面
    3. 强化学习基本组成成分:强化学习主要由智能体 (Agent)、环境 (Environment)、状态 (State)、动作 (Action)、奖励 (Reward)、策略 (Policy)、目标 (Objective) 组成。
       (1) 智能体:强化学习的本体,作为学习者或者决策者;
       (2) 环境:强化学习智能体以外的一切,主要由状态集合组成;
       (3) 状态:一个表示环境的数据,状态集则是环境中所有可能的状态;
       (4) 动作:智能体可以做出的动作,动作集则是智能体可以做出的所有动作;
       (5) 奖励:智能体在执行一个动作后,获得的正/负反馈信号,奖励集则是智能体可以获得的所有反馈信息;
       (6) 策略:强化学习是从环境状态到动作的映射学习,称该映射关系为策略。通俗的理解,即智能体如何选择动作的思考过程称为策略;
       (7) 目标:智能体自动寻找在连续时间序列里的最优策略,而最优策略通常指最大化长期累积奖励。在此基础上,智能体和环境通过状态、动作、奖励进行交互的方式为:智能体执行了某个动作后,环境将会转换到一个新的状态,对于该新的状态环境会给出奖励信号(正奖励或者负奖励)。随后,智能体根据新的状态和环境反馈的奖励,按照一定的策略执行新的动作。
      强化学习的个体和环境
       智能体通过强化学习,可以知道自己在什么状态下,应该采取什么样的动作使得自身获得最大奖励;因此,强化学习实际上是智能体在与环境进行交互的过程中,学会最佳决策序列。由于智能体与环境的交互方式与人类与环境的交互方式类似,可以认为强化学习是一套通用的学习框架,可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法。

    4. 迁移学习

      迁移学习 (Transfer Learning) 顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的,所以通过迁移学习我们可以将已经学到的模型参数(也可理解为模型学到的知识)通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习 (Starting From Scratch)。

    1. 迁移学习的定义:迁移学习是机器学习技术的一种,其中在一个任务上训练的模型被重新利用在另一个相关的任务上,定义一:“迁移学习和领域自适应指的是将一个任务环境中学到的东西用来提升在另一个任务环境中模型的泛化能力” ——2016年“Deep Learning”,526页;迁移学习也是一种优化方法,可以在对另一个任务建模时提高进展速度或者是模型性能,定义二:“迁移学习就是通过从已学习的相关任务中迁移其知识来对需要学习的新任务进行提高。”——第11章:转移学习,机器学习应用研究手册,2009年;同在2009年,Sinno Jialin Pan和Qiang Yang发表了一篇迁移学习的《A Survey on Transfer Learning》,他们给出了迁移学习的数学定义三:Given a source domain DS={XS,fS(X)}D_S=\{X_S, f_S(X)\} and learning task TST_S, a target domain DT={XT,fT(X)}D_T=\{X_T, f_T(X)\} and learning task TTT_T, transfer learning aims to help improve the learning of the target predictive function fT()f_T(·) in DTD_T using the knowledge in DSD_S and TST_S, where DS̸=DTD_S\not=D_T, or TS̸=TTT_S\not=T_T.
    2. 迁移学习在深度学习中的应用:迁移学习还与多任务学习概念漂移等问题有关,它并不完全是深度学习的一个研究领域。尽管如此,由于训练深度学习模型所需耗费巨大资源,包括大量的数据集,迁移学习便成了深度学习是一种很受欢迎的方法。但是,只有当从第一个任务中学到的模型特征是容易泛化的时候,迁移学习才能在深度学习中起到作用。 “在迁移学习中,我们首先在基础数据集和任务上训练一个基础网络,然后将学习到的特征重新调整或者迁移到另一个目标网络上,用来训练目标任务的数据集。如果这些特征是容易泛化的,且同时适用于基本任务和目标任务,而不只是特定于基本任务,那迁移学习就能有效进行。”——深度神经网络中的特征如何迁移的?这种用于深度学习的迁移学习形式被称为推导迁移 (Inductive Transfer)。就是通过使用合适但不完全相同的相关任务的模型,将模型的范围(模型偏差)以有利的方式缩小。
      推导迁移
      举个例子,使用图像数据作为输入的预测模型问题中进行迁移学习是很常见的,它可能是一个以照片或视频数据作为输入的预测任务。 对于这些类型的问题,通常会使用预先训练好的深度学习模型来处理大型的和具有挑战性的图像分类任务,例如ImageNet 1000级照片分类竞赛,我们可以下载以下模型,并合并到以自己图像数据作为输入的新模型中:牛津的VGG模型、谷歌的Inception模型、微软的ResNet模型
    3. 迁移学习使用方法:我们可以在自己的预测模型问题上使用迁移学习,通常有两种方法:开发模型方法和预训练模型方法。
      对于开发模型方法,分为四步:
       (1) 选择源任务:必须选择一个与大量数据相关的预测模型问题,这个大量的数据需要与输入数据,输出数据和/或从输入到输出数据映射过程中学习的概念之间存在某种关系。
       (2) 开发源模型:接下来,必须为这个第一项任务开发一个熟练的模型;该模型必须比原始模型更好,以确保一些特征学习已经发挥了其作用。
       (3) 重用模型:然后可以将适合元任务的模型用作感兴趣的另一个任务模型的起点;这取决于所使用的建模技术,可能涉及到了全部或部分模型。
       (4) 调整模型:可选项,对感兴趣任务的调整输入—输出配对数据或改进模型。
      对于预训练模型方法,分为三步:
       (1) 选择源任务:从可用的模型中选择预训练的元模型,许多研究机构会发布已经在大量的且具有挑战性的数据集上训练好的模型,在可用模型的模型池里面也能找到这些模型。
       (2) 重用模型:然后可以将预训练的模型用作感兴趣的另一个任务模型的起点,这取决于所使用的建模技术,可能涉及使用全部或部分模型。
       (3) 调整模型:可选项,对感兴趣任务的调整输入—输出配对数据或改进模型。
      其中,第二类迁移学习方法在深度学习领域是很常见的。

    5. 机器学习 VS 深度学习 VS 强化学习 VS 迁移学习 VS 人工智能?

      以上我们分别介绍了机器学习、深度学习、强化学习、迁移学习算法,那么它们之前存在怎样的关系呢?它们和人工智能又存在怎样的关联呢?

    1. 机器学习 VS 深度学习:机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术,目前,学术界的各个人工智能研究方向(计算机视觉、自然语言处理等等),深度学习的效果都远超过传统的机器学习方法,再加上媒体对深度学习进行了大肆夸大的报道,有人甚至认为,“深度学习最终可能会淘汰掉其它所有机器学习算法”。这种看法是正确的吗?
      深度学习,作为目前最热的机器学习方法,但并不意味着是机器学习的终点,目前存在以下问题:
       (1) 深度学习模型需要大量的训练数据,才能展现出神奇的效果,但现实生活中往往会遇到小样本问题,此时深度学习方法无法入手,传统的机器学习方法就可以处理。
       (2) 有些领域,采用传统简单的机器学习方法,可以很好地解决,没必要采用复杂的深度学习方法。
       (3) 深度学习的思想,来源于人脑的启发,但绝不是人脑的模拟,举个例子:给一个三四岁的小孩看一辆自行车之后,再见到哪怕外观完全不同的自行车,小孩也十有八九能做出那是一辆自行车的判断,也就是说,人类的学习过程往往不需要大规模的训练数据,目前深度学习方法显然很难做到。
       (4) 目前在工业界,基于深度学习的人工智能项目落地非常困难。
      机器学习和深度学习
    2. 深度学习 VS 强化学习:深度学习和强化学习的主要区别在于:
       (1) 深度学习的训练样本是有标签的,强化学习的训练是没有标签的,它是通过环境给出的奖惩来学习。
       (2) 深度学习的学习过程是静态的,强化学习的学习过程是动态的;这里静态与动态的区别在于是否会与环境进行交互,深度学习是给什么样本就学什么,而强化学习是要和环境进行交互,再通过环境给出的奖惩来学习。
       (3) 深度学习解决的更多是感知问题,强化学习解决的主要是决策问题;有监督学习更像是”五官”,而强化学习更像“大脑”。
    3. 机器学习 VS 深度学习 VS 强化学习:机器学习、深度学习、强化学习之间的关系如下:
       (1) 机器学习:一切通过优化方法挖掘数据中规律的学科,多用于数据挖掘、数据分析和预测等领域。
       (2) 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,广泛地应用于是计算机视觉和自然语言处理领域。
       (3) 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,并利用新数据循环往复地更新迭代现有模型的机器学习算法;学习是为了更好地对环境进行探索,而探索是为了获取数据进行更好的学习;目前实际应用场景还比较窄,主要包括AI游戏 (Atari),推荐系统(阿里巴巴),机器人控制(如吴恩达的无人机)。
       (4) 深度强化学习:一切运用了神经网络作为参数结构进行优化的强化学习算法 (Google AlphaGo, Master)。
    4. 机器学习 VS 深度学习 VS 迁移学习:当前的机器学习、深度学习存在一些局限性,我们采用迁移学习的方法可以解决这些痛点。
       (1) 我们可以在这个数据集上训练一个模型 A,并期望它在同一个任务和域A中的未知数据上表现良好;但是,当我们没有足够的来自于我们关心的任务或域的标签数据时(新的标签数据很难获取、费时、昂贵),传统的监督学习方法会失灵——它往往无法得出一个可靠的模型。
       (2) 表达能力的限制:因为一个模型毕竟是一种现实的反映,等于是现实的镜像,它能够描述现实的能力越强就越准确,而机器学习和深度学习都是用变量来描述世界的,它们的变量数是有限的。
       (3) 模型复杂度高:随着模型复杂度的提高,其参数个数和所需的数据量也是惊人的。
      在NIPS 2016,吴恩达表示,“在继深度学习之后,迁移学习将引领下一波机器学习技术”
    5. 总体关系:以上讨论的算法和人工智能的关系如下图所示,可以看出,提及的算法都是属于人工智能的范畴,他们相互交叉却不完全重合:机器学习是人工智能的算法基石,而其它算法都是机器学习的一个分支。
      各种人工智能算法之间的关系
      深度学习大佬Yoshua Bengio在 Quora 上有一段话讲得特别好,这里引用一下:Science is NOT a battle, it is a collaboration. We all build on each other’s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking! 这段话的大致意思是:科学不是战争而是合作,任何学科的发展从来都不是一条路走到黑,而是同行之间互相学习、互相借鉴、博采众长、相得益彰,站在巨人的肩膀上不断前行。机器学习的研究也是一样,开放包容才是正道!
      Yoshua Bengio

    微信公众号同步

      关注微信公众号“机器学习和人工智能”,干货多多~
      我们会定期推送Python编程,人工智能基础算法,学术界、工业界最新动态,让更多的人了解人工智能~
      欢迎扫描下方二维码关注哈~
    在这里插入图片描述

    展开全文
  • 微信公众号 关键字全网搜索最新排名 ...从腾讯西雅图AI实验室,百度斥资超过200亿投入人工智能研发,再到最近 Google 打算在中国进行AI领域的市场扩张,其母公司 Alphabet 更是在7月便成立专注AI领域的风投机构...全

    微信公众号

    关键字全网搜索最新排名

    【机器学习算法】:排名第一

    【机器学习】:排名第一

    【Python】:排名第三

    【算法】:排名第四


    今年无疑是“人工智能”话题火热指数最高的一年。从腾讯西雅图AI实验室,百度斥资超过200亿投入人工智能研发,再到最近 Google 打算在中国进行AI领域的市场扩张,其母公司 Alphabet 更是在7月便成立专注AI领域的风投机构...全球都在风生水起、将目标瞄准中国这个世界上最大的单一同质化市场时,注定也成就了这场全球级别的 AI 人才争夺大战。


    640?wx_fmt=png&wxfrom=5&wx_lazy=1

    客观来说,激烈的人才争夺还源于 AI 专业人才的培养周期非常长,除了选择与国内最好的几所大学CS专业对口招人的同时,BAT 还将人才培养计划通通瞄准了来自硅谷的前沿技术学习平台优达学城(Udacity)

    ■年初,阿里与 Udacity 举办第一届天池技术大赛;

    ■ 8月,腾讯宣布将 Udacity 纳米学位项目作为内部员工官方培训内容;

    ■ 9月,百度联合 Udacity 推出“无人驾驶入门”纳米学位项目,旨在全球范围内推广技术与品牌、从而吸引 AI 人才


    Udacity 由 Google 无人车之父 Sebastion Thrun 创立,与 Google、Facebook、亚马逊等全球领先企业联合打造了一系列前沿技术课程,旨在让每个人都能用远低于线下教育的成本硅谷最新最热技术教育,最终成为由能力通过技术改变世界的抢手人才。

    640?wx_fmt=jpeg

    Udacity 热门 AI 课程


    机器学习


    640?wx_fmt=png

    Udacity 联合 Google x Kaggle 推出的人工智能入门课程。机器学习标志着计算机科学、大数据和人工智能领域内的重大技术突破。AlphaGo 战胜人类围棋冠军、人脸识别、大数据挖掘,都和机器学习密切相关。


    这门纳米学位将带你零基础掌握机器学习领域的监督学习、非监督学习、强化学习与深度学习,通过一些列实战项目练习将预测模型应用于金融、医疗、教育等领域内的大数据处理,成为 Google 官方授权认证的机器学习工程师。


    深度学习:

    640?wx_fmt=jpeg

    深度学习是近年来机器学习领域最令人瞩目的方向,学术界和工业界近年来运用深度学习技术逐渐在语音识别、图像识别、自然语言处理等领域均获得重大突破性进展。


    这门课程由 Google Brian 核心成员、生成对抗网络(GANs) 之父、硅谷技术达人 Siraj Raval 主讲,帮助你掌握 TensorFlow 和 DNN、CNN、RNN 等神经网络模型,实现开发翻译机器人、图像分类、生成好莱坞影视剧本等前沿应用,为深造人工智能、无人驾驶、机器人开发等打下夯实基础


    无人驾驶(入门):


    640?wx_fmt=jpeg

    Udacity 联合百度、Lyft 全新推出的无人驾驶领域入门课程,由 Sebastion Thrun、斯坦福/耶鲁/MIT 大牛主讲,学员只需具备 Python 和 C++ 与数学基础,便能通过这门课程升级自己的算法思维,掌握数据可视化,并通过代码让计算机识别图像。毕业后可以免申请保送录取一席难求的“无人驾驶车工程师”纳米学位项目,成为 Uber、奔驰、宝马、滴滴出行、百度争夺的抢手工程师。


    以上是 Udacity 在 AI 领域非常抢手的入门级课程,掌握了机器学习、深度学习核心技术后,你还可以进一步深造[人工智能]、[无人驾驶]、[机器人开发]、[飞行汽车]等高阶纳米学位项目,成为人工智能与大数据领域的稀缺抢手人才。


    Udacity 还非常本地化的推出了双十一活动,11.1-11.11期间报名最高可享 ¥1111 优惠,席位有限、抢完即止如果你是也是 AI 热爱者,欢迎扫码以下二维码加入 Udacity 官方 AI 交流群,获得来自硅谷的深度学习/机器学习就业指南,还可以领取 333 元无门槛红包,与其它双十一优惠叠加使用。

    640?wx_fmt=png


    点击[阅读原文]了解更多 Udacity 硅谷前沿技术课程

    展开全文
  • 人工智能AI资讯》 人工智能(Artificial Intelligence) 人工智能简称AI,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机...

    人工智能AI资讯

    人工智能(Artificial Intelligence

    人工智能简称AI,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

    人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等;

    人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用;

    人工智能实际应用:机器视觉,指纹识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,博弈,自动程序设计,智能控制,机器人学,语言和图像理解,遗传编程等;

     

     

    ++立钻哥哥推荐的热门分类:

    ++++SteamVR:https://blog.csdn.net/vrunsoftyanlz/article/category/8582642

    ++++XR技术企业内训:https://blog.csdn.net/vrunsoftyanlz/article/category/8037810

    ++++5G+云计算+雾计算:https://blog.csdn.net/vrunsoftyanlz/article/category/8741272

    ++++框架编程:https://blog.csdn.net/vrunsoftyanlz/article/category/7570175

    ++++人工智能AI2026:https://blog.csdn.net/vrunsoftyanlz/category_9212024.html

     

     

     


     

     

     

    2020.01.14--11:32

    《立钻哥哥:利用AI管理AI的技术将崛起》

    ++++立钻哥哥2020年,人工智能(AI)的进步主要涉及三个主题:自动化自然语言处理信任

    ++++[人工智能的理解能力会有所提高,应用范围将会扩大]:人工智能系统拥有的数据越多,其能力提高的速度就越快;2020年,更多人工智能系统会依赖集学习能力和逻辑性于一身的“神经符号”技术;神经符号技术是突破自然语言处理技术的关键,它能够结合常识性推理和各领域的专业知识来帮助计算机更好地理解人类语言和信任;此类突破将帮助企业部署对话能力更强的自动化客户关怀工具和技术支持工具,同时还将大大减少训练人工智能所需的数据量

    ++++[人工智能不会抢夺工作,但会改变工作方式]:未来数年,人工智能将持续影响职场;但是,人类无须担心机器会抢夺自己的饭碗;相反,人工智能还能通过自动化改变人们的工作方式;最新研究显示,人工智能将越来越多地帮助人类完成日程安排之类的任务,但是,对于需要一定技能的岗位来说,人工智能的影响较小,比如设计专业和行业策略

    ++++立钻哥哥:为了提高人们对人工智能的信任度,相关系统必须可靠、公正、负责;必须让公众确信人工智能技术是安全的,人工智能提供的结论或建议不偏不倚且未被操控;2020年,影响可信度的种种要素将被融入人工智能的生命周期,帮助人类构建、测试、运行、监控并认证不仅具有卓越性能,而且值得信赖的人工智能应用

     

     

     

     

    2020.01.14--09:35

    《中国AI2029:82万家AI企业,84%不过5岁,11.2%夭折》

    ++++立钻哥哥AI市场,中国1%的企业可渗透的市场规模达760亿元;而在全球,还有82%的市场待开拓;截止2019年年底,中国现有近82万家AI企业,约占全国企业总量的0.43%84%的企业不超过5岁;其中,9.2万家人工智能企业“不幸”夭折,74%AI企业不超过5岁,“长大成人”的AI企业不足5%

    ++++[新一代人工智能发展规划]2020年中国人工智能的技术与应用水平将发展至世界先进水平,同时核心产业规模超过1500亿,2030年中国人工智能核心产业规模超过1万亿

    ++++立钻哥哥:未来AI市场格局仍然会以头部流向为主;中国AI还很初期,现在还是在弱人工智能时期,中国的人工智能现在仅三岁,产业革命是场硬仗;当产学研相结合,清晰理解市场玩法,技术落地不断应用,以BAT为首,随着新兴企业的迭代,“一超多强”的局面或将开启新的时代

     

     

     

     

    2020.01.14--13:42

    《人工智能+金融》

    ++++立钻哥哥[机器人交易将取代人工交易]:金融业为了降低成本,正在为其业务引入科技;摩根大通宣布将投资114亿美元研发全球股票交易机器人,贝莱德基金则正积极引入基于机器人投资决策的量化策略替代交易员人工投资决策机制,高盛则侧重投行工作的自动化,将IPO过程分成逾140个步骤,通过机器人模型自动完成

    ++++立钻哥哥:包括机器学习(ML)、自然语言处理(NLP)、机器人过程自动化(PRA)、预测分析(PA)等在内的人工智能(AI)技术已经被应用到很多交易场所;在国内,也出现越来越多的私募基金把机器学习运用到其量化策略当中;为了不被淘汰,量化分析师、投资组合经理、交易员和首席投资官等传统金融从业人员都需要熟悉机器学习技巧,适应“人工智能+金融”发展趋势

     

     

     

     

    2020.01.14--02:01

    《立钻哥哥:AI“创作物”获得著作权保护仍有路要走》

    ++++立钻哥哥:随着大数据、人工智能的广泛应用,IP的保护和应用又出现了很多新话题,在学术界和经济界引发热烈讨论;随着人工智能在新闻采写、文学创作等领域大显身手

    ++++[人工智能的实质就是研究如何用计算机去做过去只有人才能做的智能工作]:“人工智能创作物”实际上是一种拟人化的表达,其本质是人类利用计算机系统或者计算机系统本身自动生成的内容,因此,称之为“计算机生成内容”更为贴切

    ++++立钻哥哥:知识产权就是通过鼓励社会创新,对于那些目前具有新颖、创造性、实用的东西进行保护,让它具有专有权,通过这个专有权激励更多人创造;一方面,只有作为人的智力活动成果的作品,才能获得著作权的保护,这是著作权法的基本原则,真正的原创只能来自于人类自身,因为创作本质上是独特的生命体验及其表达,是作者个性和人格的体现;另一方面,在现行法律框架下,没有承认人工智能知识产权的空间,但人工智能的发展必然会导致主体关系的变化,甚至可以说必须站在人的立场为新的物种立法;从这个意义上讲,关注人工智能创作成果的归属,也是为包括民事主体制度在内的法律的变革做出探索

     

     

     

     

    2020.01.13--13:20

    《普华永道:由于自动化 2030年30%的工作可能会消失》

    ++++立钻哥哥2019年业界所面临三个非常重要的概念:一是5G;二是人工智能;三是数字转型

    ++++[创新的速度正在不断地加快]:新兴的技术已经对我们的生活和行业或者说对业务产生很大的影响;无论我们做好准备没有,我们主要关注两个点:一是我们的技术是如何快速改变所有的业务形态;二是我们需要采取主动的战略举措和措施,以便能够升级我们的业务模式,以便能够尽可能地减轻失业

    ++++立钻哥哥:在所有的技术面前,人的技能、创意、能力等等才会真正构成任何组织的真正竞争力

     

     

     

     

     

    2020.01.13--10:13

    《马斯克:特斯拉汽车将会“说话”》

    ++++立钻哥哥:特斯拉公司CEO埃隆.马斯克(Elon Musk)所发布的一段视频显示,该公司的汽车不久不仅能够与车内的人对话,还将能和车外的人对话;特斯拉对人工智能最主要的使用,很显然是自动驾驶功能,但是该公司一直以来也在尝试其它的用途,例如,他们以前就开发了一个用于探测天气的神经网络

    ++++[更好的语言操控功能]:马斯克还想要实现更好的语音操控功能,从而让车主对特斯拉车辆进行操控,他甚至还曾表示,最终特斯拉车辆将能够回答车主的问题,马斯克希望特斯拉汽车里能够拥有类似《霹雳游侠》中KITT一样的人工智能

    ++++立钻哥哥:如果您愿意的话,特斯拉车辆不久后将能与人对话,这是真的

     

     

     

     

     

    2020.01.12--11:48

    《百度AI产业化框架初成:组织架构升级、战略投资形成渠道网络》

    ++++立钻哥哥:百度AI体系组织架构升级,三大部门整合为一,即百度人工智能体系,在组织架构调整背后,百度通过战略投资手段也开始铺建自己的产业渠道网络,2019年~2020年,百度总计大手笔战略投资了汉得信息(5.5亿)东软集团(14.43亿)宇信科技(6亿),通过战略投资及深度合作的方法在医疗、智慧城市、金融科技领域组建渠道网络,通过合作伙伴打入产业;百度也在产业化发展中明确自己的地位:AI技术供应商而非产业信息化提供商

    ++++[产业互联网(Industrial Internet)]:产业互联网是从消费互联网引申出的概念,是指传统产业借力大数据、云计算、智能终端以及网络优势,来帮助传统产业进行转型升级;目前,以BAT为首的科技巨头都在着手布局产业互联网

    ++++立钻哥哥:百度AI体系进行了组织架构升级,原AIGAI技术平台体系)、TG(基础技术体系)、ACG(百度智能云事业群组)整体整合为“百度人工智能体系”(AI GroupAIG);新AIG包含技术中台群组(TPG)和智能云事业群组(ACG)两大群组组成

     

     

     

     

    2020.01.11--09:50

    《立钻哥哥:人工智能和区块链重塑未来金融形态》

    ++++立钻哥哥:人工智能是一门涉及多领域知识的综合学科,其主要目标是通过对人类智能的现象、本质以及产生机理的研究,实现对人类智能的模拟、扩展,最终开发出具有人类智能的新型机器;换言之,AI是一门研究如何模拟和扩展高级动物智能方法、技术和相关理论的学科;其主要研究领域包括:语言处理,自动定理证明、推理,智能搜索引擎系统,机器人视觉,复杂问题的分析和求解系统,人工智能方法和编程语言、程序设计的自动化等;现实中的应用包括:无人驾驶汽车、语音识别系统,还有大名鼎鼎的AlphaGo

    ++++[人工智能在金融领域的应用已经遍地开花]:比如基于语音识别与自然语言处理的应用:智能客户服务,通过整合金融机构对外客户服务模式(包括网页、短信、电话、微信、应用程序等),使智能服务机器人能够在线提供智能客户服务;再比如计算机视觉与生物识别技术的应用:人脸识别与安全监控,使机器能够更准确识别客户的身份和行为,有助于金融机构更容易识别客户并实现安全监控;再比如机器学习、神经网络技术的应用:预测分析与智能投顾,能够通过数据处理和分析,自动构建复杂的模型进行判断,提前做出适当的决策;还有智能机器人技术的应用:机房巡检和网站智能机器人,有助于在机房、服务器核心区域实现24小时机器人监控,以便工作人员及时发现潜在风险

    ++++立钻哥哥:人工智能技术和区块链技术将给金融行业带来更为重大的挑战和机遇;这样的挑战可能导致两种结果:一是新技术被融入传统业务,从而实现信息化水平的升级,进一步提高效率、降低成本;二是新技术彻底颠覆传统业务

     

     

     

     

     

    2020.01.10--19:54

    《立钻哥哥:人工智能从技术创新向应用进一步落地》

    ++++立钻哥哥:人工智能已不仅仅存在于计算机视觉领域,ISP、传输、存储、运维等环节人工智能都开始发挥效能;越来越多的企业推出集成AI技术的系列化、平台类产品

    ++++[安防+AI]:在硬件产品端,海康威视基于场景需求定义AI应用,推出AI多摄系列产品,通过一台设备多镜头的组合联动,兼顾同一场景下不同视角、不同参数、不同功能的需求,提升单点设备的数据价值密度,实现对全场景的感知、全要素的提取及全数据的关联

    ++++立钻哥哥:行业智能化升级不仅仅体现在产品AI加持上,更需要以实战化解决方案作为场景落地的推进器;企业所有这些AI技术创新与应用最终都要以落地为准,2020年将成为这些人工智能技术从产品技术创新走向落地场景化应用

     

     

     

     

    2020.01.10--13:34

    《立钻哥哥:2020年新一代人工智能将围绕五大方向持续攻关》

    ++++立钻哥哥:以推动人工智能技术持续创新和与经济社会深度融合为主线,按照并跑、领跑两步走战略,围绕大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等五大方向持续攻关,从基础理论、支撑体系、关键技术、创新应用四个层面构筑知识群、技术群和产品群的生态环境,抢占人工智能技术制高点,妥善应对可能带来的新问题和新挑战,促进大众创业万众创新,使人工智能成为智能经济社会发展的强大引擎

    ++++[科技创新2030]:力争到2030年在航空发动机及燃气轮机、深海空间站、量子通信与量子计算、脑科学与类脑研究、国家网络空间安全、深空探测及空间飞行器在轨服务与维护系统、种业自主创新、煤炭清洁高效利用、智能电网、天地一体化信息网络、大数据、智能制造和机器人、重点新材料研发及应用、京津冀环境综合治理、健康保障、新一代人工智能等16个重点方向率先突破

    ++++立钻哥哥:我国新一代人工智能产业蓝图已经初步显现;其中,北京、上海的国家新一代人工智能创新发展试验区已形成头部引领,国家级新一代人工智能示范园区正加速推进,以京津冀、长三角、粤港澳为代表的三大人工智能产业集聚区初步形成,人工智能企业总数占全国的86%

     

     

     

     

    $$$$图解AI人工智能

     

     

     

     

     

     

     

     

     

     

     

     

     

    【XR游戏开发QQ群:784477094

    ++立钻哥哥推荐的拓展学习链接(Link_Url)

    立钻哥哥推荐的拓展学习链接(Link_Url)

    ++++立钻哥哥Unity 学习空间: http://blog.csdn.net/VRunSoftYanlz/

    ++++虚拟现实VR资讯: https://blog.csdn.net/VRunSoftYanlz/article/details/89165846

    ++++HTC_VIVE开发基础https://blog.csdn.net/VRunSoftYanlz/article/details/81989970

    ++++Oculus杂谈https://blog.csdn.net/VRunSoftYanlz/article/details/82469850

    ++++Oculus安装使用https://blog.csdn.net/VRunSoftYanlz/article/details/82718982

    ++++Unity+SteamVR=>VRhttps://blog.csdn.net/VRunSoftYanlz/article/details/88809370

    ++++Unity减少VR晕眩症https://blog.csdn.net/VRunSoftYanlz/article/details/89115518

    ++++SteamVR简介https://blog.csdn.net/VRunSoftYanlz/article/details/86484254

    ++++SteamVR脚本功能分析https://blog.csdn.net/VRunSoftYanlz/article/details/86531480

    ++++SteamVR2.0开发指南https://blog.csdn.net/VRunSoftYanlz/article/details/86618187

    ++++SteamVR2.2.0开发指南https://blog.csdn.net/VRunSoftYanlz/article/details/88784527

    ++++SteamVR2.2.0快速入门https://blog.csdn.net/VRunSoftYanlz/article/details/88833579

    ++++SteamVR2.2.0交互系统https://blog.csdn.net/VRunSoftYanlz/article/details/89199778

    ++++SteamVR2.2.0传送机制https://blog.csdn.net/VRunSoftYanlz/article/details/89390866

    ++++SteamVR2.2.0教程(一)https://blog.csdn.net/VRunSoftYanlz/article/details/89324067

    ++++SteamVR2.2.0教程(二)https://blog.csdn.net/VRunSoftYanlz/article/details/89894097

    ++++SteamVR_Skeleton_Poserhttps://blog.csdn.net/VRunSoftYanlz/article/details/89931725

    ++++SteamVR实战之PMCorehttps://blog.csdn.net/VRunSoftYanlz/article/details/89463658

    ++++SteamVR/Extrashttps://blog.csdn.net/VRunSoftYanlz/article/details/86584108

    ++++SteamVR/Inputhttps://blog.csdn.net/VRunSoftYanlz/article/details/86601950

    ++++OpenXR简介https://blog.csdn.net/VRunSoftYanlz/article/details/85726365

    ++++VRTK杂谈https://blog.csdn.net/VRunSoftYanlz/article/details/82562993

    ++++VRTK快速入门(杂谈)https://blog.csdn.net/VRunSoftYanlz/article/details/82955267

    ++++VRTK官方示例(目录)https://blog.csdn.net/VRunSoftYanlz/article/details/82955410

    ++++VRTK代码结构(目录)https://blog.csdn.net/VRunSoftYanlz/article/details/82780085

    ++++VRTK(SceneResources)https://blog.csdn.net/VRunSoftYanlz/article/details/82795400

    ++++VRTK_ControllerEventshttps://blog.csdn.net/VRunSoftYanlz/article/details/83099512

    ++++VRTK_InteractTouchhttps://blog.csdn.net/VRunSoftYanlz/article/details/83120220

    ++++虚拟现实行业应用https://blog.csdn.net/VRunSoftYanlz/article/details/88360157

    ++++Steam平台上的VRhttps://blog.csdn.net/VRunSoftYanlz/article/details/88960085

    ++++Steam平台热销VRhttps://blog.csdn.net/VRunSoftYanlz/article/details/89007741

    ++++VR实验:以太网帧的构成https://blog.csdn.net/VRunSoftYanlz/article/details/82598140

    ++++实验四:存储器扩展实验https://blog.csdn.net/VRunSoftYanlz/article/details/87834434

    ++++FrameVR示例V0913https://blog.csdn.net/VRunSoftYanlz/article/details/82808498

    ++++FrameVR示例V1003https://blog.csdn.net/VRunSoftYanlz/article/details/83066516

    ++++SwitchMachineV1022https://blog.csdn.net/VRunSoftYanlz/article/details/83280886

    ++++PlaySceneManagerV1022https://blog.csdn.net/VRunSoftYanlz/article/details/83280886

    ++++Unity5.x用户手册https://blog.csdn.net/VRunSoftYanlz/article/details/81712741

    ++++Unity面试题ABChttps://blog.csdn.net/vrunsoftyanlz/article/details/78630687

    ++++Unity面试题Dhttps://blog.csdn.net/VRunSoftYanlz/article/details/78630838

    ++++Unity面试题Ehttps://blog.csdn.net/vrunsoftyanlz/article/details/78630913

    ++++Unity面试题Fhttps://blog.csdn.net/VRunSoftYanlz/article/details/78630945

    ++++Cocos2dx面试题https://blog.csdn.net/VRunSoftYanlz/article/details/78630967

    ++++禅道[zentao]https://blog.csdn.net/VRunSoftYanlz/article/details/83964057

    ++++Lua快速入门篇(Xlua拓展):https://blog.csdn.net/VRunSoftYanlz/article/details/81173818

    ++++Lua快速入门篇(XLua教程):https://blog.csdn.net/VRunSoftYanlz/article/details/81141502

    ++++Lua快速入门篇(基础概述)https://blog.csdn.net/VRunSoftYanlz/article/details/81041359

    ++++框架知识点https://blog.csdn.net/VRunSoftYanlz/article/details/80862879

    ++++游戏框架(UI框架夯实篇)https://blog.csdn.net/vrunsoftyanlz/article/details/80781140

    ++++游戏框架(初探篇)https://blog.csdn.net/VRunSoftYanlz/article/details/80630325

    ++++.Net框架设计https://blog.csdn.net/VRunSoftYanlz/article/details/87401225

    ++++从零开始学架构https://blog.csdn.net/VRunSoftYanlz/article/details/88095895

    ++++设计模式简单整理https://blog.csdn.net/vrunsoftyanlz/article/details/79839641

    ++++专题:设计模式(精华篇)https://blog.csdn.net/VRunSoftYanlz/article/details/81322678

    ++++U3D小项目参考https://blog.csdn.net/vrunsoftyanlz/article/details/80141811

    ++++Unity小游戏算法分析https://blog.csdn.net/VRunSoftYanlz/article/details/87908365

    ++++Unity案例(Vehicle)https://blog.csdn.net/VRunSoftYanlz/article/details/82355876

    ++++UML类图https://blog.csdn.net/vrunsoftyanlz/article/details/80289461

    ++++PowerDesigner简介https://blog.csdn.net/VRunSoftYanlz/article/details/86500084

    ++++Unity知识点0001https://blog.csdn.net/vrunsoftyanlz/article/details/80302012

    ++++Unity知识点0008https://blog.csdn.net/VRunSoftYanlz/article/details/81153606

    ++++U3D_Shader编程(第一篇:快速入门篇)https://blog.csdn.net/vrunsoftyanlz/article/details/80372071

    ++++U3D_Shader编程(第二篇:基础夯实篇)https://blog.csdn.net/vrunsoftyanlz/article/details/80372628

    ++++Unity引擎基础https://blog.csdn.net/vrunsoftyanlz/article/details/78881685

    ++++Unity面向组件开发https://blog.csdn.net/vrunsoftyanlz/article/details/78881752

    ++++Unity物理系统https://blog.csdn.net/vrunsoftyanlz/article/details/78881879

    ++++Unity2D平台开发https://blog.csdn.net/vrunsoftyanlz/article/details/78882034

    ++++UGUI基础https://blog.csdn.net/vrunsoftyanlz/article/details/78884693

    ++++UGUI进阶https://blog.csdn.net/vrunsoftyanlz/article/details/78884882

    ++++UGUI综合https://blog.csdn.net/vrunsoftyanlz/article/details/78885013

    ++++Unity动画系统基础https://blog.csdn.net/vrunsoftyanlz/article/details/78886068

    ++++Unity动画系统进阶https://blog.csdn.net/vrunsoftyanlz/article/details/78886198

    ++++Navigation导航系统https://blog.csdn.net/vrunsoftyanlz/article/details/78886281

    ++++Unity特效渲染https://blog.csdn.net/vrunsoftyanlz/article/details/78886403

    ++++Unity数据存储https://blog.csdn.net/vrunsoftyanlz/article/details/79251273

    ++++Unity中Sqlite数据库https://blog.csdn.net/vrunsoftyanlz/article/details/79254162

    ++++WWW类和协程https://blog.csdn.net/vrunsoftyanlz/article/details/79254559

    ++++Unity网络https://blog.csdn.net/vrunsoftyanlz/article/details/79254902

    ++++Unity资源加密https://blog.csdn.net/VRunSoftYanlz/article/details/87644514

    ++++PhotonServer简介https://blog.csdn.net/VRunSoftYanlz/article/details/86652770

    ++++编写Photon游戏服务器https://blog.csdn.net/VRunSoftYanlz/article/details/86682935

    ++++C#事件https://blog.csdn.net/vrunsoftyanlz/article/details/78631267

    ++++C#委托https://blog.csdn.net/vrunsoftyanlz/article/details/78631183

    ++++C#集合https://blog.csdn.net/vrunsoftyanlz/article/details/78631175

    ++++C#泛型https://blog.csdn.net/vrunsoftyanlz/article/details/78631141

    ++++C#接口https://blog.csdn.net/vrunsoftyanlz/article/details/78631122

    ++++C#静态类https://blog.csdn.net/vrunsoftyanlz/article/details/78630979

    ++++C#中System.String类https://blog.csdn.net/vrunsoftyanlz/article/details/78630945

    ++++C#数据类型https://blog.csdn.net/vrunsoftyanlz/article/details/78630913

    ++++Unity3D默认的快捷键https://blog.csdn.net/vrunsoftyanlz/article/details/78630838

    ++++游戏相关缩写https://blog.csdn.net/vrunsoftyanlz/article/details/78630687

    ++++UnityAPI.Rigidbody刚体https://blog.csdn.net/VRunSoftYanlz/article/details/81784053

    ++++UnityAPI.Material材质https://blog.csdn.net/VRunSoftYanlz/article/details/81814303

    ++++UnityAPI.Android安卓https://blog.csdn.net/VRunSoftYanlz/article/details/81843193

    ++++UnityAPI.AndroidJNI安卓JNIhttps://blog.csdn.net/VRunSoftYanlz/article/details/81879345

    ++++UnityAPI.Transform变换https://blog.csdn.net/VRunSoftYanlz/article/details/81916293

    ++++UnityAPI.WheelCollider轮碰撞器https://blog.csdn.net/VRunSoftYanlz/article/details/82356217

    ++++UnityAPI.Resources资源https://blog.csdn.net/VRunSoftYanlz/article/details/83155518

    ++++JSON数据结构https://blog.csdn.net/VRunSoftYanlz/article/details/82026644

    ++++CocosStudio快速入门https://blog.csdn.net/VRunSoftYanlz/article/details/82356839

    ++++Unity企业内训(目录)https://blog.csdn.net/VRunSoftYanlz/article/details/82634668

    ++++Unity企业内训(第1讲)https://blog.csdn.net/VRunSoftYanlz/article/details/82634733

    ++++Unity企业内训(第2讲)https://blog.csdn.net/VRunSoftYanlz/article/details/82861180

    ++++Unity企业内训(第3讲)https://blog.csdn.net/VRunSoftYanlz/article/details/82927699

    ++++Unity企业内训(第4讲)https://blog.csdn.net/VRunSoftYanlz/article/details/83479776

    ++++Unity企业内训(第5讲)https://blog.csdn.net/VRunSoftYanlz/article/details/83963811

    ++++Unity企业内训(第6讲)https://blog.csdn.net/VRunSoftYanlz/article/details/84207696

    ++++钻哥带您了解产品原型https://blog.csdn.net/VRunSoftYanlz/article/details/87303828

    ++++插件<Obi Rope>https://blog.csdn.net/VRunSoftYanlz/article/details/83963905

    ++++计算机组成原理(教材篇)https://blog.csdn.net/VRunSoftYanlz/article/details/82719129

    ++++5G接入:云计算和雾计算https://blog.csdn.net/VRunSoftYanlz/article/details/88372718

    ++++云计算通俗讲义https://blog.csdn.net/VRunSoftYanlz/article/details/88652803

    ++++立钻哥哥Unity 学习空间: http://blog.csdn.net/VRunSoftYanlz/

    --_--VRunSoft:lovezuanzuan--_--

    展开全文
  • 题图:由Ilona Ilyés在Pixabay上发布继续讲述我的大龄程序员的人工智能学习之路,前两篇文章看这里:大龄程序员的人工智能学习之路[1]大龄程序员的人工智能学习...
        

    640?wx_fmt=jpeg

    题图:由Ilona IlyésPixabay上发布

    继续讲述我的大龄程序员的人工智能学习之路,前两篇文章看这里:

    大龄程序员的人工智能学习之路[1]

    大龄程序员的人工智能学习之路[2]

    最初了解到生成对抗网络(GAN),是从知乎专栏:深度有趣,该专栏的作者是张宏伦,一位上海交通大学的博士,知识渊博,文笔也很好,可惜的是这个专栏到今年年初就没有再更新。

    如果大家对生成对抗网络没什么概念,那可以看看下面的图中,哪张是真实图片,哪张是AI生成的?

    640?wx_fmt=jpeg

    答案揭晓,两张图片都是AI生成的,这可不是从真实图片经过PS处理而得来的。另外拍卖史上首幅AI画作也已经诞生,以估价60倍的US$432,000(RMB 300万)成交。

    想想也觉得神奇吧!正是因为对此充满了好奇,所以我决定扎进去看一看。然而进入之后,才发现这里的水很深,都是一些大腕在玩,比如NVIDIA、Google、微软之类的,再加上部分研究机构。研究这个领域,需要强大的计算资源,个人去做的话,生成个手写数字还差强人意,要生成一个稍微看得下去的图像,训练一个模型,动辄好几天,太难了。《GAN:实战生成对抗网络》这本书看了前面几章,写了几篇笔记:

    实战生成对抗网络[1]:简介

    实战生成对抗网络[2]:生成手写数字

    实战生成对抗网络[3]:DCGAN

    后面就没有继续再看,等哪天功力到了,再捡起来。

    深入到深度学习领域之后,发现深度领域也有很多方向,比如图像处理、自然语言处理、强化学习、GAN等等。对于大神而言,可以多方突击,但对于我这样的普通人来说,能把一个方向弄清楚就不错了,所以我决定还是选择图像处理这个方向作为重点深耕对象。

    我个人比较信奉学习+实践的策略,喜欢书本结合实例动手。定下图像处理这个主题方向后,我就去搜寻这方面的书,找到一本《Deep Learning for Computer Vision with Python》,感觉比较适合我。该书国内没有翻译版本,也没出影印版,所以我看的是PDF版本。这本书兼顾了理论和实践两者之间的平衡,对每一个深度学习理论,都会有一个关联的Python实现来帮助你巩固对其的理解和学到的知识。书中有详细的代码,且代码都有比较详细的说明,对Engineer非常友好。

    一本好书:Deep Learning for Computer Vision with Python

    在学习过程中,我写了几篇总结笔记:

    使用数据增强技术提升模型泛化能力

    站在巨人的肩膀上:迁移学习

    聊一聊rank-1和rank-5准确度

    再谈迁移学习:微调网络

    提高模型准确率:组合模型

    深度学习中超大规模数据集的处理

    试试kaggle竞赛:辨别猫狗

    微架构模型:GoogleNet

    学习的日子总是过得很快,从我下定决心学习人工智能,已经过去一年零两个月,时间也翻到了2019年5月。在这中间我还尝试过结合本行,研究浏览器中的机器学习:tensorflow.js,前段时间还买了一块Nvidia出品的人工智能开发板Jetson。对我来说,学习总是一件充满乐趣的事情,总有新鲜的事情可以去探索。虽然现在的本职工作和人工智能并没有什么关系,但说不定哪天,副业就会转正呢?

    我的大龄程序员的人工智能学习之路暂时划上句号,但我的人工智能学习并没有到达终点,我还会在这条路上继续摸索前行,也欢迎各位结伴同行。

    学习人工智能都是在业余时间进行,但其实跑步、练习书法和读书占据了我大部分业余时间,另外周末还要陪娃,所以总体上说,我的人工智能学习之路进展缓慢,但我相信,日拱一卒无有尽。

    念念不忘,必有回响,和大家共勉!

    展开全文
  • 人工智能的应用金融场景大健康+AI工业制造+AI客户服务+AI交通运输+AI游戏+AI教育行业+AI音乐+AI电子商务+推荐系统新闻媒体+机器学习社交媒体+AI消费电子+AI安防领域+AI军事领域+AIAI技术的三驾马车AI IS EVERYWHERE ...
  • 从零学习人工智能,开启职业规划之路!   对AI的态度 对于 AI,不用嘲笑,也不要过誉! 人工智能(Artificial Intelligence,英文缩写为AI)的话题隔一段时间就会火一把。刚结束不久的国际盛会——2018 年博鳌...
  • 此文是想要进入人工智能这个领域、但不知道从哪里开始的初学者最佳的学习资源列表。 一、机器学习 有关机器学习领域的最佳介绍,请观看Coursera的Andrew Ng机器学习课程。 它解释了基本概念,并让...
  • AI:全球人工智能领域代表性学者简介及大佬们的关系圈—向大佬们学习(国外内分开,持续更新/建议收藏) 导读:看大佬们辉煌的人生,感悟良。 一分耕耘,一分收获; 人生,只管努力,认真科研,该来的都会来;因为...
  • 今天,北风网小北君很荣幸邀请到了汇丰银行首席AI技术大咖伍老师为大家分析:想要转人工智能,程序员该如何学习? 伍老师个人简介 数据挖掘专家 人工智能资深专家 四年大数据及人工智能开发经验 汇丰银行高级...
  • 想要转人工智能,程序员该如何学习
  • 概 述 一、 基本概念 1、什么是人工智能 人工智能的概念:机器模拟人的意识和思维 重要人物:艾伦·麦席森·图灵(Alan Mathison Turing) 人物简介:1912年6月23日-1954年6月7日,英国数学家、逻辑学家,被称为...
  • 我准备开始连载一个「人工智能学习相关的系列博客,说说我为什么决定做这件事吧 1人工智能确实大热,现在 GitHub 上 Star 数最高的项目就是 Google 的深度学习开源框架 TensorFlow 了,之前的阿尔法狗,身后支持的...
  • Python与人工智能什么关系?哪里能学人工智能?...那么,人工智能学习哪家好呢?   很遗憾地告诉大家,这里没有正确答案。因为每家培训中心都有自己的独特优势,我们需要知道的是:找到真正适合自己...
  • 什么是人工智能  再讲如何测试人工智能产品之前,我觉得我要先跟不熟悉人工智能的同学们解释一下什么是人工智能。毕竟想要测试一个东西,就要先了解它么。用一句话来概括现阶段的人工智能就是:人工智能=大数据+...
  • 今天,北风网小北君很荣幸邀请到了汇丰银行首席AI技术大咖伍老师为大家分析:想要转人工智能,程序员该如何学习? 伍老师个人简介 数据挖掘专家 人工智能资深专家 四年大数据及人工智能开发...
  • 近几年来人工智能常常成为热门议题,经久不衰。2020年以来,在各种政策红利催化、5G商用助推、物联网、大数据、AI芯片技术大规模落地后,几乎所有人都已经笃定,人工智能就是IT人未来的新风...
  • 秋招人工智能笔试题

    2020-01-24 20:43:15
    秋招人工智能笔试题 1. 深度学习和过往的神经网络训练方法有什么区别?列举几种深度学习的loss function,并说明意义 深度学习是一种方法,神经网络是个模型,深度学习方法呢可以有效解决层数的神经网络不好...
  • 内容简介 十多年前,所有的公司都在进行互联网...如今,技术大潮再次汹涌澎湃,在大数据、计算力和深度学习算法的共同推动下,已经有60年历史的人工智能迎来了发展的最好时期。 此次 CSDN 发布了人工智能技术路线图...
  • 已经写了7-8年代码,也是老程序员一枚了,在感叹青春不在的同时,程序员作为一个技术原则上年龄越大经验越是丰富,其实...30岁开始学编程从常规来讲有点晚了,如果能够克服以下几个困难未尝不可以尝试学习学习下: 1...
1 2 3 4 5 ... 20
收藏数 9,579
精华内容 3,831
关键字:

30多岁+学习人工智能