我对人工智能的理解与看法(2).pdf
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
我对⼈⼯智能的理解与看法 我对⼈⼯智能的理解与看法 ⼈⼯智能 研究让计算机具备模拟、延伸和扩展⼈的智能的⼀门技术科学。主要是来源于⼤量的数据来使机器学习能⽐⼈更快的计算出结果,这可能就是我眼中的⼤数据. 或许⼤数据分析出结果,再往上⼀个级别的建模就叫做⼈⼯智能吧!鄙⼈理解尚浅,还请多多指教,⾃学总结笔记不易. 机器学习 是利⽤算法或逻辑,在⼤量的数据上进⾏运算(从数据中学习如何完成任务即学习训练的过程),产⽣模型,通过模型对真实事件做出决策和预测。 1.机器学习从⽅法上来分,机器学习算法可以分为监督学习(如分类问题)、⽆监督学习(如聚类问题)、半监督学习。 2.传统的算法包括k-邻近算法、决策树、贝叶斯分类、聚类、⽀持向量机等。 深度学习 是利⽤包含多个隐含层的神经⽹络结构的⼈⼯神经⽹络(深度神经⽹络),通过优化神经元的连接⽅法和激活函数等⽅⾯,来提⾼训练效果,产⽣模型后,通过模型对真实事件作出 决策和预测。 机器学习与深度学习的关系 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(新算法)。 机器学习与深度学习的对⽐ 1、应⽤场景:应⽤场景 机器学习在指纹识别、特征物体,检测等领域的应⽤基本达到了商业化的要求。 深度学习主要应⽤于⽂字识别、⼈脸技术、语义分析、智能监控等领域。⽬前在智能硬件、教育、医疗等⾏业也在快速布局。 2、数据依赖性 机器学习能够适应各种数据量,特别是数据量较⼩的场景。在这种情况下,传统的机器学习算法使⽤制定的规则,性能会⽐较好。 深度学习的精准度,需要⼤量的数据来训练,当数据量很少时,深度学习算法的性能并不好。 3、硬件依赖 深度学习算法需要进⾏⼤量的矩阵运算,GPU主要⽤来⾼效优化矩阵运算,所以GPU是深度学习正常⼯作的必须硬件。 机器学习对硬件配置要求相对,深度学习没有那么⾼! 4、训练算法时间 深度学习算法,因为包含有很多参数,需要⼤量时间进⾏训练,完整地训练⼀次可能需要消耗两周的时间或更长时间! 机器学习的训练会消耗的时间相对较少,只需要⼏秒钟到⼏⼩时的时间。 5、预测时间 深度学习算法的预测时间,相⽐机器学习,只需要很少的时间去运⾏。 6、解决问题的⽅法 机器学习算法遵循标准程序解决问题。它将问题拆分成数个部分,对其进⾏分别解决,⽽后再将结果结合起来以获得所需的答案。 深度学习则以集中⽅式解决问题,⽽不必进⾏问题拆分,提倡直接的端到端的解决问题。 7、可解释性 深度学习可以达到接近⼈的标准,但是这仍然有个问题。在数学的⾓度上,你可以找出来哪⼀个深度神经⽹络节点被激活了。但是我们不知道神经元应该是什么模型,我们也不知道 这些神经单元层要共同做什么。所以⽆法解释结果是如何产⽣的。 机器学习算法给出了明确的规则,所以解释背后的推理是很容易的。 8、特征处理 机器学习算法的性能依赖于所提取的特征的准确度,⽽特征数据的处理,需要更专业的知识,且很耗时。 深度学习尝试从数据中直接获取⾼等级的特征,深度学习削减了对每⼀个问题设计特征提取器的⼯作。 机器学习和深度学习应⽤领域 1、计算机视觉 ⽤于车牌识别和⾯部识别等的应⽤。 2、信息检索 ⽤于诸如搜索引擎的应⽤ - 包括⽂本搜索和图像搜索。 3、市场营销 针对⾃动电⼦邮件营销和⽬标群体识别等的应⽤。 4、医疗诊断 诸如癌症识别和异常检测等的应⽤。 5、⾃然语⾔处理,如情绪分析和照⽚标记等的应⽤。 6、⽆⼈驾驶。 总结 机器学习算法在指纹识别、⼈脸检测等领域的应⽤基本达到了商业化的要求或者特定场景的商业化⽔平,但每前进⼀步都异常艰难,直到深度学习算法的出现,⼈⼯智能才开始⼤爆 发,继续拓展⼈⼯智能的领域,如:⽆⼈驾驶、预防性医疗保健等!深度学习很早就出现过,但由于当时训练数据量不⾜、计算能⼒落后,因此最终的效果不尽如⼈意。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!
- 粉丝: 168
- 资源: 3万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助