精华内容
下载资源
问答
  • 人工智能的核心机器学习人工智能是一个很大的圈子,但其基础必然是机器学习。一、什么是机器学习呢?机器学习就是你告诉机器你想做什么,并给它一些数据,让它去模仿着做。二、机器学习需要什么? 算法 数据 程序 ...

    人工智能的核心–机器学习


    人工智能是一个很大的圈子,但其基础必然是机器学习。


    一、什么是机器学习呢?


    机器学习就是你告诉机器你想做什么,并给它一些数据,让它去模仿着做。


    二、机器学习需要什么?


    • 算法

    • 数据

    • 程序

    • 评估

    • 应用

    三、机器学习能做什么


    • 数据挖掘

    • 统计学习

    • 模式识别

    • 计算机视觉

    • 语音识别

    • 自然语言处理


    四、机器学习流程


    机器学习的常规套路:

    1. 数据收集与预处理

    2. 特征选取与模型构建

    3. 评估与预测

    展开全文
  • 人工智能发展的核心——机器学习

    千次阅读 2017-10-24 08:09:22
    人工智能发展的核心——机器学习机器学习是人工智能研究的核心技术,在大数据的支撑下,通过各种算法让机器对数据进行深层次的统计分析以进行“自学”;利用机器学习,人工智能系统获得了归纳推理和决策能力;而深度...

    人工智能发展的核心——机器学习;

    机器学习是人工智能研究的核心技术,在大数据的支撑下,通过各种算法让机器对数据进行深层次的统计分析以进行“自学”;利用机器学习,人工智能系统获得了归纳推理和决策能力;而深度学习更将这一能力推向了更高的层次。

    Aaron Swartz
    从广义上来说,机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说,机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。
    Aaron Swartz
    机器学习的本质就是算法。算法是用于解决问题的一系列指令,基本过程是给学习算法提供训练数据。然后,学习算法基于数据的推论生成一组新的规则。这本质上就是生成一种新的算法,称之为机器学习模型。

    机器学习作为人工智能的最有效的实现方法,已经在工业制造等众多场景中得到了广泛应用

    Aaron Swartz

    展开全文
  • 数据,显然是数据智能最本质的核心要素,是生产资料,是产生智能的母体。也就是说,人们所寻找的智能,蕴藏在数据之中,所有的其它要素,都只是协助从中将其发掘出来的手段而已。 在BI作为数据工程主...

     

    本文介绍数据智能及机器学习方法的核心要素。从上面的定义可以看出,机器学习有三个核心要素:数据,用现在流行的提法,也可以叫大数据;算法:主要指数据处理与机器学习算法,主体关注机器学习算法;算力,即计算能力,由于进入现代,在大数据基础上进行智能计算,算力已经越来越成为一个不可忽略的要素了。

    1. 资料:大数据再析

    数据,显然是数据智能最本质的核心要素,是生产资料,是产生智能的母体。也就是说,人们所寻找的智能,蕴藏在数据之中,所有的其它要素,都只是协助从中将其发掘出来的手段而已。

    在BI作为数据工程主体的时代,也有采用学习算法处理数据的情况,但那时主要针对的是数据库表格类型数据(俗称结构化数据)。随着互联网应用的兴起,日志类型的半结构化数据的处理对业务应用越来越重要,也越来越得到重视,而日志类的半结构化数据的数据量则比经典关系数据库数据要大上一个数量级,百GB级别数据处理从过去的少量大型单位才会有,变成几乎所有企业都需要有能力处理。由于传统经典数据库手段无法有效处理上百GB级别的半结构化数据(这是从成本、性能综合来讲的),因此,以Hadoop/Spark为代表的大数据技术手段兴起,也包括阿里巴巴的ODPS,华为的GaussDB等产品,都是解决百GB以上级别结构化/半结构化数据的处理需求而产生与推广起来的。人们流行将其称为大数据,其绝大多数情况的意思是指类Hadoop的工具处理海量的结构化/半结构化数据,这时“大数据”概念包含两部分内容:Hadoop类计算工具+结构化/半结构化数据。这其实正是人工智能概念大火之前,信息科技领域最热门的话题:“大数据”的真正涵义。

    如果把“数据”上升到“大数据”来作为“数据智能”的核心要素时,“大数据”的传统涵义需要发生变化,计算工具与方法不能再做为“大数据”概念的组成部分,它应该只跟数据本身有关。但这时,大数据需要包括人类可以数字化的所有类型的所有数据,即除了结构化/半结构化数据以外,还应该包括文本、图像、音频、视频、流媒体等等所谓非结构化数据,即文、音、视、图。很明显这些非结构化数据的数据量又比“大数据时代”的主体“半结构化”数据又大了好几个数量级。如下图1所示:

     

     

                                                                                      图1 大数据发展历程

     

            另外,从数据计算的目的来讲,数据智能时代与之前也有所不同。可以说,以分布式计算为主要特征的大数据时代,以及以关系模型计算为主要特征的BI时代,虽然处理的数据量不同,但其计算目标基本一致:输出已有数据中明确包含的各种信息,也就是说,并不创造真正的新信息;而数据智能则不同,它永远都是在创造新信息,它所输出的信息并不会明确包含在已有信息中。

            从另一个角度来讲,数据智能之前的数据工程所生产,要么没有产生信息,要么就产生100%准确的信息;而数据智能所生产的信息,还必须附加一个可能性(Possibility),基本不会达到100%准确。

            综上,如果在数据智能时代,我们还依然采用“大数据”来描述数据资源时,它将只与全结构海量的数据有关;如果我们认为“大数据时代”的概念也囊括了“数据智能”时代,那么,机器学习将成为这个新的大数据时代数据计算的主体方法。

    2. 工具:特征工程与机器学习

    本小节介绍数据智能的计算方法,一般包括两类:特征工程与机器学习。特征工程指进行机器学习之前的数据计算活动,其核心目的是将样本数据处理成为能够参与机器学习的格式,其中包括清洗、补全、去重这些传统数据处理,也包括将图像、语音、文字等转变成可以被学习算法处理的矩阵的方法。从本质上讲特征工程与传统数据工程中的数据预处理没有区别,不过,由于面向机器学习数据预处理的核心目标几乎都是为了得到合格的样本属性,即特征,因此,通常都将数据智能领域的数据预处理称为特征工程。

    当数据(预)处理完成后,使开始数据智能的核心计算:机器学习。如前文所述,机器学习类算法是一种特殊的软件程序,它不同于一般的计算机算法那閪直接面向解决问题而编制程序逻辑,而是通过对已知“数据”样本的学习,而使计算机程序产生一种“模型”,通过对这种“模型”输入未知数据,可以得到判断、预测等类似人类智能的能力。

    因此,机器学习算法在相当程度上是不可解释的,即即使它很好的解决了问题,但很可能无法非常精准明确地阐明原因,特别是目前最为流行的深度学习类算法,更是如此。研究者们也在努力采用各种方法找到机器学习算法的解释,例如通过对深度学习过程每一步的输出进行可视化从而发现一些显式的规律,但还停留在“大概理解”的印象阶段,而不是精准无误的解释。

    特征工程与机器学习的方法与算法都很多。例如特征工程除了全面包括传统数据预处理方法之外,还包括统计学方法,以及机器学习算法本身(就是说在正式的机器学习算法运行之前,采用机器学习方法进行特征处理);而机器学习算法则包括大量的经典机器学习与深度学习算法,也可以按照自然语言处理NLP、图像处理、语音处理、表格数据处理等应用领域分类,还可以大致分为监督学习与无监督学习两类。充分深入的学习为些算法的原理,而不是只会使用,对我们正确理解数据智能、规划数据智能定位与发展策略有着至关重要的意义,因此,对这算法原理进行本质性的介绍与分析,也是本书的重要内容之一。

    一般情况下,人们会认为机器学习算法更加重要,但其实在实践中,很多情况下,特征工程却更加重要些。也就是说,在现阶段各种算法的使用趋于丰富成熟方便的前提下,如何得到合格的特征样本反倒成了更加需要技术与经验的任务,它往往成了决定机器学习算法效果好坏的关键。关于这一点,本书在后文还会详细阐述与论述。

    除了特征工程与机器学习以外,数据智能领域还有一项非常重要的工作:模型评估,即如何评价算法输出模型的好坏,这其中包括精确率、准确率、召回率等概念,也包括混淆矩阵、ROC曲线、AUC值、KS曲线等方法,以及大量的统计学知识与方法,在数据智能技术体系中都占有非常重要的地位,无论是想很好的实施数据智能,还是想探究数据智能的内在本质,都需要对这些知识与技能进行掌握,因此也属于本书的重要内容。

    3. 能力:算力

    本小节简要介绍数据智能的第三个关键要素:算力,顾名思义,即是计算的能力。有了算法与数据,从理论上,似乎是够了,但实际上,由于机器学习算法一般涉及到大量的数据,同时需要大量的迭代类计算,因此,计算能力更成为数据智能发展与普及的另一个瓶颈。

    对算力的要求,在经典机器学习算法时代并不十分突出,虽然这些算法比一般的BI计算需要占用更多的计算资源,但同样的算力水平仍然可以应付日常的需求。然而,到了深度神经网络学习时代,情况则大不相同。

    深度神经网络学习的大多数模型计算,需要占用巨大的计算资源,以至于一般的计算机通常无法满足这种需求;同时其计算方式也有自己的特点,主要是矩阵运算与迭代运算。因此,深度学习通常都需要采用专用的硬件来实现,例如GPU计算机、FPGA计算机、人工智能芯片等。

    因此,在我们列举数据智能的关键要素时,就必须将“算力”加进来,其核心意图是:需要把数据智能的发展与普及与“算力”发展与普及紧密关联,这种相关性与如BI等数据工程所需要的算力相关性有着质的区别:在传统数据工程时代,算力虽然也能影响计算完成的时间窗口,对一些时间关键任务的执行也会起到关键的作用,但绝大多数情况下,对计算模型的设计并不需要与算力强相关;而在数据智能时代,绝大多数情况下,与算力模型同时设计是机器学习算法模型设计的必选项。

    数据智能时代的算力模型至少包括以下两个层面的内容,一是计算设施物理类型,如GPU还是CPU;二是计算设施的软架构设计,如是单机还是分布式计算模型,如MapReduce,MPI,专门面向大规模迭代与海量参数更新的参数服务器等。

    展开全文
  • 今天,你AI了没?关注:决策智能机器学习,学点AI干货首先给智能技术一个定义,我这里想说的智能技术指是让机器学会各种真实场景下复杂任务完成能力所涉及到技术。从任务...
        


    今天,你AI了没?

    关注:决策智能与机器学习,学点AI干货


    640?wx_fmt=jpeg

    首先给智能技术一个定义,我这里想说的智能技术指的是让机器学会各种真实场景下的复杂任务完成能力所涉及到的技术。从任务完成过程的角度可以划分为感知、认知、决策与控制四个环节。从要素的角度可以分为系统、硬件、软件和模型。


    其中模型是智能技术相较于其他领域有特色的要素,这里的模型可以称为任务模型(即通常大家所说 算法),通过对信息的有效处理,对input处理后给出output,使得任务有效达成的模型。而这里的任务模型又可以分为基础技术和应用技术两个层面:


    • 基础技术是模型构建的基本功,主要是数学相关的模型设计与实现,如Q-Learning、Sarsa、DQN、PPO等各种模型,掌握其中的数学原理、特点、适用场景等。

    • 应用技术侧重的是解决实际问题,这里主要是对问题的定义、模型设计与实现、调试优化。可以说有效的问题定义是真正解决问题的前提。


    附赠分享一个CSDN以前发布的《AI技术人才成长路线图1.0》,很专业,可以参考,公众号回复:20190520

    如何真正掌握任务模型?

    这里就借鉴了一万小时天才定理中的学习方法了,同时也参考智能技术中的模型训练方法,即精进三部曲:

    1.设定目标

    2.刻意练习

    3.反馈优化


    如果把人自己看作是一个任务模型为核心的机器,对自己的有效训练也无非是通过反馈优化提升模型能力,如精度、速度、自适应的泛化能力等。那么,迭代循环三个步骤,你的技术能力一定会不断提高:


    1. 设定好学习任务模型的目标:循序渐进,从初级的基础技术开始,不断挑战更加高级的应用技术,最终成为能够用任务模型解决非常复杂的实际问题的人。将要训练的内容进行切块,切碎成较为独立的知识点和技能,具有可训练性,如在Minist数据集上,掌握CNN基本模型的设计与实现。如文末图中就是对算法与数据结构的切块。

    2. 刻意练习:不断重复练习,一开始一定要保证练习的正确性,要慢一点,不要求快,就好像灌篮高手里樱木花道练习投篮一万次一样。尤其要针对自己不熟悉、弱点的环节,如算法与数据结构、数学基础知识、编程语言熟悉程度等。

    3. 反馈优化:通过对比与高手之间的差距来提升自己的水平,这个环节可以在Github、LeetCode等渠道找到高手代码,或者你很有幸能够找到高手亲自指点你,就像教练和老师一样。最终使自己掌握的更加熟练、稳定、精确。

    640?wx_fmt=jpeg


    文章推荐


        


    展开全文
  • 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...
  • 过去几年,在城镇化进程加快过程中,大量人口涌向一线城市,由于房价...从智能扫地机器人到智能音箱、智能儿童陪伴机器人,再到智能门锁、智能马桶盖、智能窗帘等,越来越多的智能产品进入了人们生活,成为颇具未来感
  • 智能的核心是什么?道翰天琼认知智能机器人平台API接口大脑为您揭秘。 2020 年8 月7日-8月9日,在中国深圳,由中国计算机学会(CCF)主办,香港中文大学(深圳)、雷锋网联合承办,鹏城实验室、深圳市人工智能...
  • 雷锋网 AI 科技评论按,就在上个月,波士顿动力在 YouTube 上刷了一波 Atlas 2 新技能。从视频中可以看到,相比今年五月在跨越障碍时还得停顿片刻,这次 Atlas 2 可以直接奔跑着跨越了。 Atlas 2 这次秀出技能...
  • 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 ...如今,它已成为人工智能的核心领域——自然语言处理(简称:
  • 深度总结 | 机器智能的安全之困

    千次阅读 2019-12-31 10:33:54
    简介: 小叽导读:机器智能的核心本质与基本范式到底是什么?机器智能给各个行业都带来创新变革的同时,为什么在网络安全行业的表现却一直差强人意?到底什么才是真正意义上的智能安全系统?本文希望能给整个安全...
  • MI(Machine-self Intelligence)时代来了,您还在学AI吗?MI是离开AI,机器自身具有的智能。例如:离开AI中文分词,...数小时,您就能掌握MI的核心思想。MI不仅远超AI,还能把人从 “人工”的各类繁琐工作中解脱出来。
  • 1.对于人工智能什么是核心,什么是基础? 算法是核心,数据和计算是基础 2.找准定位,怎么找到合适算法? 1)分析具体业务 2)根据业务找到需要分析数据 3)应用常见算法 4)特征工程,调参数。优化 5)得到...
  • 机器之心的核心

    2019-08-07 18:26:39
    预测算法是机器之心的核心模块,因为我始终觉得人的心具有很强的预测能力,这种能力在心中,并不在大脑中。。。 这种预测算法是用来控制大规模拓扑网络-神经元网络的,使其产生足够的预知能力。。。。 ...
  • 智能机器难点

    2019-09-15 01:08:44
    智能机器人再怎么智能核心要点之一是对自然语言语义理解和处理。自然语言语义处理不会达到一个十全十美状态,只能不断地朝着十全十美目标不断接近。当有一天,智能机器人能理解我们%99以上话语时,基本上...
  • 3月24日消息,百度总裁张亚勤在2016年博鳌亚洲论坛IT...“智能+”是“互联网+”的延伸和下一站,即更智能的机器、更智能的网络、更智能的交互将创造出更智能的经济发展模式和社会生态系统。智搜(Giiso)信息成立...
  • 机器学习是人工智能技术的核心概念,通过模拟人类的决策过程来搭建神经网络,解决现实世界中的问题。 而深度学习是机器学习工具和技术的子领域,深度学习的应用非常广泛,几乎涵盖了所有需要“思考”的应用情景,既...
  • 机器学习八个核心能力

    千次阅读 2018-03-05 16:00:17
    机器学习是大数据、人工智能的核心,是从事这个领域的必经之路。但是懂得算法还远远不能体现机器学习的价值所在。如果你是开发者,方便的机器学习egg为你涉入该领域提供了便捷。不过,能够确定一套高商业价值的模型...
  • 文末有福利深度学习神经网络、机器学习、Python入门全免赠送自从AI进入公众视野后,人们发现它越来越“跳”了。从开始阿尔法狗战胜人类最强棋手,到新版阿尔法狗“自学”棋谱吊打前辈,再到索菲亚机器人获取公民...
  • 如今,越来越多的企业开始意识到数字制造和工业互联网已经成为工业软件自动化、智能化制造和大规模生产的核心驱动力。那么智能制造和工业互联网的概念有什么区别呢?什么是工业互联网?工业互联网是基于物联网、...
  • 1.3 增强学习的核心技术 这里面的主要技术是什么? 它涉及到方方面面的技术,从系统到算法,到机器学习里的一些核心思想,这里最重要的是怎样对一个复杂的系统进行降维和归纳。在这方面,机器学习的技术...
  • 机器学习是问题学习和决策的核心论证和人工方面分类。 因此,科学家们引入了机器学习,通常用于人工思维。 使人脑等各种活动自动化的重要方法是人工智能准备框架。 机器学习技术需要一个规划程序来自动获得对不同...
  • 下次用户来到淘宝要推荐什么东西,其实都通过阿里背后的智能推荐系统通过海量计算给计算好了,不需要人工干预。淘宝80%客服服务也是通过机器完成。马云对外声称阿里巴巴是一家娱乐公司,因为每晚有几千万...
  • 认知智能是计算机科学一个分支科学,是智能科学发展高级阶段,它以人类认知体系为基础,以模仿人类核心能力为目标,以信息理解、存储、应用为研究方向,以感知信息深度理解和自然语言信息深度理解为突破口...
  • 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验,以此优化计算机...
  • 计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术。 计算机视觉 计算机从图像中识别出物体、场景和活动的能力。应用场景主要有:医疗成像分析;人脸识别、安防和监控领域、购物方面。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,632
精华内容 1,052
关键字:

机器智能的核心是