中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

人工智能作為當(dāng)下新質(zhì)生產(chǎn)力的代表，其技術(shù)更新已經(jīng)歷過(guò)很多個(gè)版本，隨著ChatGPT的火熱，AI逐漸進(jìn)入大眾視野，并在衣食住行方方面面影響著人們。AI 是讓計(jì)算機(jī)模擬人類(lèi)智能的技術(shù)，它包括機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別等多個(gè)領(lǐng)域，通過(guò)使用大量的數(shù)據(jù)和算法，AI 可以讓計(jì)算機(jī)學(xué)會(huì)像人類(lèi)一樣思考、學(xué)習(xí)和解決問(wèn)題。機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的核心，是使計(jì)算機(jī)擁有智能的基石，本文對(duì)機(jī)器學(xué)習(xí)的核心領(lǐng)域、術(shù)語(yǔ)和深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)作簡(jiǎn)單介紹，不涉及復(fù)雜的數(shù)學(xué)模型，通俗地講解AI底層知識(shí)原理。

一、機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能核心，是使計(jì)算機(jī)具有智能的根本途徑，最早可追溯到17世紀(jì)，貝葉斯、拉普拉斯關(guān)于最小二乘法的推導(dǎo)和馬爾可夫鏈，這些構(gòu)成了機(jī)器學(xué)習(xí)的使用工具和基礎(chǔ)。

可以簡(jiǎn)單地說(shuō)AI主要是讓計(jì)算機(jī)去認(rèn)識(shí)我們的數(shù)據(jù)，我們畫(huà)一幅畫(huà)，大家能認(rèn)識(shí)，但是在計(jì)算機(jī)眼中，這是一個(gè)像素點(diǎn)所形成的矩陣，計(jì)算機(jī)視覺(jué)是把我們的圖像數(shù)據(jù)和視頻數(shù)據(jù)，轉(zhuǎn)換成計(jì)算機(jī)能認(rèn)識(shí)的一些特征或者向量；自然語(yǔ)言處理就是我們把文本數(shù)據(jù)交給計(jì)算機(jī)，讓計(jì)算機(jī)能夠讀懂去認(rèn)識(shí)我們的文本，所以自然語(yǔ)言處理是把文本數(shù)據(jù)轉(zhuǎn)成計(jì)算機(jī)所認(rèn)識(shí)的特征；語(yǔ)音識(shí)別是把我們的語(yǔ)音信號(hào)數(shù)據(jù)轉(zhuǎn)換成計(jì)算機(jī)所認(rèn)識(shí)的特征；同樣，數(shù)據(jù)挖掘是把工業(yè)當(dāng)中各個(gè)設(shè)備，記錄的一些傳感器的數(shù)據(jù)轉(zhuǎn)換成計(jì)算機(jī)所認(rèn)識(shí)的特征。

但是不能把這個(gè)四個(gè)領(lǐng)域孤立去看，計(jì)算機(jī)視覺(jué)就是解決圖像問(wèn)題，自然語(yǔ)處理解決文本問(wèn)題，語(yǔ)音識(shí)別解決語(yǔ)音數(shù)據(jù)問(wèn)題，AI領(lǐng)域被我們分成這么多分支，就是由于輸入的數(shù)據(jù)，即它們的載體是不同的，但是目標(biāo)一樣，就是不論以什么形式作為載體的，人工智能都要把數(shù)據(jù)轉(zhuǎn)換成一個(gè)計(jì)算機(jī)可計(jì)算、可去推理的一個(gè)特征、一個(gè)向量或者說(shuō)一個(gè)矩陣。

AI領(lǐng)域范圍很大，應(yīng)用也很多，但核心都是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)里邊的核心就叫深度學(xué)習(xí)了，目前深度學(xué)習(xí)落地的項(xiàng)目比較多。

1. 機(jī)器學(xué)習(xí)中三大核心領(lǐng)域

機(jī)器學(xué)習(xí)解決的主要問(wèn)題可分為分類(lèi)、回歸和聚類(lèi)三個(gè)領(lǐng)域。

1. 分類(lèi)：在有限的類(lèi)別當(dāng)中選擇一個(gè)固定的類(lèi)別。
2. 回歸：在一個(gè)有限的區(qū)間當(dāng)中，預(yù)測(cè)出來(lái)一個(gè)值，但這個(gè)值并不是固定的一些類(lèi)別。
3. 聚類(lèi)：在沒(méi)有標(biāo)簽的時(shí)候，做分類(lèi)。

分類(lèi)和回歸既有數(shù)據(jù)又有標(biāo)簽，聚類(lèi)只有數(shù)據(jù)，目前分類(lèi)和回歸是做得比較多的領(lǐng)域。

2. 機(jī)器學(xué)習(xí)中的有監(jiān)督與無(wú)監(jiān)督

有監(jiān)督問(wèn)題：給定標(biāo)簽，大部分算法事先給出標(biāo)簽。

無(wú)監(jiān)督問(wèn)題：在沒(méi)有標(biāo)簽的情況下也能完成建模任務(wù)。

來(lái)舉個(gè)例子，我們上學(xué)的時(shí)候做練習(xí)冊(cè)，做完要對(duì)答案，看看錯(cuò)了什么好下回改，這就是有監(jiān)督，既有數(shù)據(jù)—我們的練習(xí)冊(cè)，也有標(biāo)簽—我們的答案，就像計(jì)算機(jī)，它在學(xué)的時(shí)候知道哪里學(xué)對(duì)了，哪里學(xué)錯(cuò)了，對(duì)了的下次就不太注意，錯(cuò)了的會(huì)重點(diǎn)修正一下，這叫有監(jiān)督。

什么叫無(wú)監(jiān)督呢？大家做練習(xí)冊(cè)，做完就拉倒，也沒(méi)有答案，結(jié)果什么樣不用管，這就叫無(wú)監(jiān)督。在有監(jiān)督問(wèn)題中，需要給數(shù)據(jù)打標(biāo)簽，相當(dāng)于告訴計(jì)算機(jī)標(biāo)準(zhǔn)答案，但打標(biāo)簽是非常耗時(shí)間和精力的事，無(wú)監(jiān)督比較節(jié)省人力，但是效果遠(yuǎn)沒(méi)有有監(jiān)督的好。

二、機(jī)器學(xué)習(xí)流程

機(jī)器學(xué)習(xí)流程可簡(jiǎn)單分為四個(gè)步驟：

1. 數(shù)據(jù)獲取
2. 特征工程
3. 建立模型
4. 評(píng)估與應(yīng)用

1. 數(shù)據(jù)獲取

1）數(shù)據(jù)獲取方式

除開(kāi)openAI或者Google等世界頂尖AI科技公司，數(shù)據(jù)相對(duì)于算法和開(kāi)源的項(xiàng)目更重要且有價(jià)值，我們?nèi)ソ佑|一些實(shí)際項(xiàng)目的時(shí)候，跟企業(yè)合作課題做過(guò)最多一件事就是簽保密協(xié)議。

很多有資源的大廠都會(huì)有專(zhuān)門(mén)數(shù)據(jù)的標(biāo)注員，或者外包出去，但是創(chuàng)業(yè)型公司會(huì)讓大家一起標(biāo)注數(shù)據(jù)。數(shù)據(jù)的來(lái)源包括但不限于企業(yè)的業(yè)務(wù)數(shù)據(jù)、購(gòu)買(mǎi)的數(shù)據(jù)、攝像機(jī)拍的圖片數(shù)據(jù)、由機(jī)器傳感器獲取上傳到服務(wù)器的數(shù)據(jù)、后臺(tái)的日志、爬蟲(chóng)等，但無(wú)論什么方式獲取，在有監(jiān)督學(xué)習(xí)中都需要打標(biāo)簽。

我們一般把數(shù)據(jù)分成三個(gè)部分，分別為：訓(xùn)練集、驗(yàn)證集和測(cè)試集。

訓(xùn)練集是給模型提供、讓它學(xué)習(xí)的數(shù)據(jù)，驗(yàn)證集是優(yōu)化模型性能的數(shù)據(jù)集，它不參與學(xué)習(xí)確定參數(shù)的過(guò)程，測(cè)試集用于驗(yàn)證模型的最終效果。舉個(gè)例子，我們學(xué)習(xí)的時(shí)候，需要做海量的練習(xí)冊(cè)，這些練習(xí)冊(cè)就是訓(xùn)練集，驗(yàn)證集就是平時(shí)期中期末考試的時(shí)候看看學(xué)習(xí)的效果怎么樣，有哪些知識(shí)點(diǎn)需要彌補(bǔ)或調(diào)整，測(cè)試集就是最終的高考。通常三者的比例訓(xùn)練集最高，取7：2；1或者6：2：2，按照實(shí)際情況來(lái)調(diào)整，三個(gè)數(shù)據(jù)集不能重疊。

2）數(shù)據(jù)預(yù)處理

我們獲取到數(shù)據(jù)一般都是雜亂無(wú)章，沒(méi)有規(guī)律可循，怎樣讓計(jì)算機(jī)更好地識(shí)別呢？

讓我們看看計(jì)算機(jī)適合處理什么樣的數(shù)據(jù)，舉個(gè)例子，有個(gè)標(biāo)準(zhǔn)化的公式：(x-μ)/θ，μ是均值，下圖中，左邊是原始數(shù)據(jù)，中間是減μ去均值，可以發(fā)現(xiàn)原始數(shù)據(jù)的圖像并不以原點(diǎn)為中心對(duì)稱(chēng)，但是在各個(gè)維度去掉均值之后必然以原點(diǎn)為中心對(duì)稱(chēng)，右圖再進(jìn)行縮放來(lái)減少需要的算力等資源，在計(jì)算機(jī)眼中對(duì)稱(chēng)的數(shù)據(jù)是能更好地學(xué)習(xí)的，就像在人眼中，對(duì)稱(chēng)的更容易讓大腦記住識(shí)別。

以上就是一種簡(jiǎn)單的數(shù)據(jù)預(yù)處理的方法，直白地說(shuō)就是將雜亂無(wú)章的數(shù)據(jù)通過(guò)一些數(shù)學(xué)公式的變換盡可能地將原始數(shù)據(jù)達(dá)到比較有結(jié)構(gòu)或?qū)ΨQ(chēng)的效果，讓計(jì)算機(jī)學(xué)起來(lái)容易些。一般數(shù)據(jù)決定了項(xiàng)目的一個(gè)上限，算法和模型只是讓我們?nèi)ケ平谶@個(gè)上限，所以數(shù)據(jù)處理是整個(gè)AI領(lǐng)域必不可少且非常重要的一環(huán)。

在計(jì)算機(jī)看來(lái)，數(shù)據(jù)一般會(huì)服從某種分布或規(guī)律，我們希望模型能從中學(xué)到這種規(guī)律或分布，以便有新數(shù)據(jù)的時(shí)候能預(yù)測(cè)新數(shù)據(jù)屬于什么類(lèi)別等。

但機(jī)器學(xué)習(xí)并不是萬(wàn)能的，比如在股票行情當(dāng)中，由于人、市場(chǎng)、政策等諸多因素一直在變，而機(jī)器學(xué)習(xí)的本質(zhì)是學(xué)習(xí)歷史數(shù)據(jù)當(dāng)中分布及規(guī)律，用這個(gè)規(guī)律處理新的數(shù)據(jù)，我們期望新的數(shù)據(jù)跟歷史數(shù)據(jù)有幾乎一樣的特征，這樣對(duì)于從歷史數(shù)據(jù)中訓(xùn)練的模型能更有效地分辨新數(shù)據(jù)，而彩票是隨機(jī)的，如果它服從于某一種分布或規(guī)律，那人人都可以輕松中獎(jiǎng)。

2. 特征工程

簡(jiǎn)單地說(shuō)，特征工程就是計(jì)算機(jī)從一個(gè)預(yù)處理后的數(shù)據(jù)中提取它能理解的特征的過(guò)程，這些特征可以很好的表示已經(jīng)有的數(shù)據(jù)，比如我們看到的圖像、視頻、聲音等，從而去預(yù)測(cè)未知的數(shù)據(jù)，在實(shí)際應(yīng)用中，特征通常按照業(yè)務(wù)需要來(lái)提取。

比如我想預(yù)測(cè)某位同學(xué)的學(xué)習(xí)成績(jī)，但是我有這位同學(xué)特別多的指標(biāo)，比如游戲的段位等級(jí)、學(xué)習(xí)時(shí)間、身高年齡體重家庭住址等等，這些指標(biāo)不一定跟他成績(jī)都相關(guān)，我們需要在所有的數(shù)據(jù)當(dāng)中選擇一些最重要的特征。

再比如，某新能源科技公司給每個(gè)車(chē)間流水線上都安裝了自動(dòng)化設(shè)備，這些設(shè)備去捕捉傳感器每個(gè)流水線上的一些運(yùn)行指標(biāo)，如果他們的需求是想提升工廠的運(yùn)行效率，該選哪些特征呢？整條生產(chǎn)線上總共有1000多條特征，在這么多特征中選擇是件很困難的事，跟業(yè)務(wù)非常掛鉤。

程序員們要實(shí)現(xiàn)一個(gè)功能，通常不用自己去寫(xiě)源碼，會(huì)套用現(xiàn)成源碼，俗稱(chēng)“調(diào)包”，但是在調(diào)包之前要先把數(shù)據(jù)做好，做好數(shù)據(jù)不是件容易的事，需要非常多的業(yè)務(wù)知識(shí)儲(chǔ)備，這些是做好特征工程的前置條件，很多業(yè)務(wù)的瓶頸就卡在這一步。

3. 建立模型

我們先引入一個(gè)簡(jiǎn)單的公式：y=wx+b，在這個(gè)任務(wù)當(dāng)中，y代表實(shí)際的值，x代表輸入的數(shù)據(jù)，w是權(quán)重參數(shù)，b是偏置參數(shù)。其中x-輸入數(shù)據(jù)和y-實(shí)際值是已知的數(shù)據(jù)，基于這兩個(gè)已知條件，我們需要找出什么樣的權(quán)重參數(shù)w和偏置參數(shù)b正好符合于目前這個(gè)等式，建模就是給定輸入數(shù)據(jù)以及對(duì)應(yīng)的結(jié)果，來(lái)得出能達(dá)到這樣的擬合結(jié)果的參數(shù)的過(guò)程，如果已知了權(quán)重參數(shù)和偏置參數(shù)，我們就可以預(yù)測(cè)以后需要的值。

在十年前，權(quán)重參數(shù)可達(dá)到千萬(wàn)級(jí)別的一個(gè)量級(jí)，而現(xiàn)在chatgpt的權(quán)重參數(shù)已達(dá)千億級(jí)，模型就像是一個(gè)黑盒子，我們給一個(gè)輸入傳到盒子里邊，它給出一個(gè)預(yù)測(cè)，但是對(duì)于千億級(jí)被的盒子究竟做了什么，目前我們?nèi)祟?lèi)還不能理解它，所以模型是不一定可解釋的。

4. 評(píng)估模型

模型不可解釋?zhuān)晕覀儗?duì)于預(yù)測(cè)出來(lái)的結(jié)果不能保證，但我們可以把實(shí)際數(shù)據(jù)拿到模型中去驗(yàn)證，這就是模型的評(píng)估。在不同的業(yè)務(wù)場(chǎng)景中，評(píng)估的方法是不同的，最常用的評(píng)估指標(biāo)有準(zhǔn)確率、召回率、損失值等。

• 準(zhǔn)確率：預(yù)測(cè)出正確的結(jié)果占總樣本的百分比。
• 召回率：又叫查全率，是指正確預(yù)測(cè)出樣本占實(shí)際這個(gè)樣本的百分比。
• 損失值：指預(yù)測(cè)的結(jié)果跟真實(shí)值比，損失值越小，則模型效果越好。

為了理解這幾個(gè)指標(biāo)來(lái)舉個(gè)簡(jiǎn)單的例子，某塊地里面有一堆土豆和西紅柿，其中有990個(gè)土豆和10個(gè)西紅柿，現(xiàn)在我們的任務(wù)是要把土豆從這一堆里面識(shí)別出來(lái)，如果按照準(zhǔn)確率的指標(biāo)，計(jì)算機(jī)準(zhǔn)確地識(shí)別出了900個(gè)土豆和5個(gè)西紅柿，那準(zhǔn)確率也是90.5%，但是顯然這么高的準(zhǔn)確率并不能反映我們的任務(wù)情況，所以使用召回率指標(biāo)更能說(shuō)明問(wèn)題，即在990個(gè)土豆里面準(zhǔn)確識(shí)別出土豆的能力，而不考慮識(shí)別出了多少西紅柿。

上圖中，隨著模型訓(xùn)練迭代次數(shù)的增加，驗(yàn)證集和測(cè)試集的損失值越來(lái)越?。ㄗ螅?，預(yù)測(cè)準(zhǔn)確度越來(lái)越高（右）。我們希望模型能100%正確，但這肯定達(dá)不到。

5. 調(diào)參

我們通過(guò)訓(xùn)練集和測(cè)試集來(lái)驗(yàn)證模型的準(zhǔn)確度，為了使模型更好地?cái)M合數(shù)據(jù)，需要對(duì)模型的參數(shù)進(jìn)行調(diào)整，調(diào)參很多時(shí)候是靠經(jīng)驗(yàn)或者一些技巧，谷歌曾經(jīng)提出自動(dòng)調(diào)參的方法，這需要用大量的算力去擬合和嘗試，調(diào)參對(duì)于普通的科技公司來(lái)說(shuō)是很有挑戰(zhàn)的一件事。

通過(guò)一個(gè)例子來(lái)說(shuō)明，我們需要調(diào)五個(gè)參數(shù)，每個(gè)參數(shù)有五個(gè)可能的值，需要5的5次方組實(shí)驗(yàn)才能包含所有的結(jié)果，那么訓(xùn)練一個(gè)模型需要多長(zhǎng)時(shí)間呢？假如是單卡單GPU，即便是非常強(qiáng)的算力，一般都得以天為單位，而不是以分鐘或以小時(shí)，假如一天能訓(xùn)練好一個(gè)參數(shù)的一個(gè)可能的值，這已經(jīng)屬于極快了，那訓(xùn)練完參數(shù)每個(gè)參數(shù)五種可能性需要3125天，但是我們不可能過(guò)八九年之后再回來(lái)看訓(xùn)練好的這個(gè)模型，所以說(shuō)很多時(shí)候就是通過(guò)經(jīng)驗(yàn)來(lái)調(diào)參。

有些規(guī)模大的科技公司，比如谷歌facebook用分布式計(jì)算方法，2016年谷歌專(zhuān)門(mén)為了AI訓(xùn)練而推出了TPU處理器，它采用矩陣乘法的計(jì)算方式，為訓(xùn)練節(jié)省大量的時(shí)間和精力，但這種級(jí)別的處理器只有世界龍頭企業(yè)才能負(fù)擔(dān)得起。

三、深度學(xué)習(xí)

如果說(shuō)傳統(tǒng)的機(jī)器學(xué)習(xí)從獲取數(shù)據(jù)到評(píng)估的每一步都需要人工參與，深度學(xué)習(xí)只要把數(shù)據(jù)交給模型就行，兩者要解決的問(wèn)題依舊是分類(lèi)和回歸兩大核心任務(wù)，但深度學(xué)習(xí)中間過(guò)程不用人為去干涉，相當(dāng)于找了“一條龍”的服務(wù)，深度學(xué)習(xí)模擬人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，把很多問(wèn)題簡(jiǎn)單化，節(jié)省了很多時(shí)間和人力成本，可以說(shuō)，深度學(xué)習(xí)就是神經(jīng)網(wǎng)絡(luò)專(zhuān)場(chǎng)。

深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)：

深度學(xué)習(xí)需要大量的數(shù)據(jù)和算力，由于目前算力、傳輸速度等因素，深度學(xué)習(xí)還不能完全取代傳統(tǒng)機(jī)器學(xué)習(xí)。對(duì)于計(jì)算資源有限、數(shù)據(jù)規(guī)模小的公司來(lái)說(shuō)，機(jī)器學(xué)習(xí)是一種性價(jià)比最高的算法，我們?？吹亩桃曨l特效，如果把這些特效放在本地機(jī)器去跑，大部分機(jī)器都跑的非常慢，達(dá)不到實(shí)時(shí)性的要求，可能再過(guò)幾年，隨著硬件設(shè)備和通信技術(shù)的發(fā)展，算力和傳輸速度達(dá)到一定程度后，傳統(tǒng)機(jī)器學(xué)習(xí)算法沒(méi)有存在的意義，深度學(xué)習(xí)會(huì)完全取代傳統(tǒng)機(jī)器學(xué)習(xí)。

目前深度學(xué)習(xí)主要應(yīng)用在計(jì)算機(jī)視覺(jué)、NLP、語(yǔ)音識(shí)別領(lǐng)域。

四、強(qiáng)化學(xué)習(xí)

也許大家都聽(tīng)說(shuō)過(guò)2016年谷歌的人工智能產(chǎn)品AlphaGo與韓國(guó)棋手李世石進(jìn)行的一場(chǎng)圍棋比賽事件，AlphaGo獲得比賽的勝利，一時(shí)間強(qiáng)化學(xué)習(xí)成為很多公司追捧的熱點(diǎn)。

不同于機(jī)器學(xué)習(xí)，強(qiáng)化學(xué)習(xí)不需要預(yù)先給定任何數(shù)據(jù)，而是通過(guò)接收環(huán)境對(duì)動(dòng)作的反饋獲得學(xué)習(xí)信息并更新模型的參數(shù)，如果說(shuō)機(jī)器學(xué)習(xí)是輸入樣本數(shù)據(jù)-模型-輸出數(shù)據(jù)的鏈路，強(qiáng)化學(xué)習(xí)則并不關(guān)注某一個(gè)樣本的結(jié)果，而是看全局的結(jié)果。

舉個(gè)例子，我們讓一個(gè)機(jī)器人在一個(gè)房間找出口，這個(gè)機(jī)器人撞門(mén)上、踢著人等等給它扣十分，最后走出這個(gè)門(mén)，給它加100分，它經(jīng)過(guò)了大量嘗試之后，最終成功地找到出口，這就叫全局的結(jié)果。

強(qiáng)化學(xué)習(xí)需要大量的模擬數(shù)據(jù)來(lái)訓(xùn)練，通過(guò)與環(huán)境的交互獲得經(jīng)驗(yàn)，從而讓全局收益最大，雖然這個(gè)機(jī)器人一開(kāi)始會(huì)撞玻璃，但是它撞的時(shí)候發(fā)現(xiàn)會(huì)越扣分，那以后就不會(huì)去撞玻璃，當(dāng)它發(fā)現(xiàn)只要走出門(mén)就能加很多分，那他會(huì)朝著走出門(mén)這個(gè)結(jié)果，將收益最大化。

強(qiáng)化學(xué)習(xí)的過(guò)程需要設(shè)計(jì)獎(jiǎng)勵(lì)和懲罰機(jī)制，是需要監(jiān)督學(xué)習(xí)的，并且規(guī)則越清晰明確效果越好，由于它不關(guān)注訓(xùn)練過(guò)程和依賴(lài)規(guī)則的局限，很多場(chǎng)景無(wú)法用強(qiáng)化學(xué)習(xí)來(lái)訓(xùn)練完成，比如自動(dòng)駕駛，我們可以在訓(xùn)練的時(shí)候用假人，遇到撞人、壓線、闖紅燈等情況給它扣分，按規(guī)則正常行駛的時(shí)候加分。但是在實(shí)際當(dāng)中，如果出現(xiàn)一些在訓(xùn)練當(dāng)中沒(méi)有的突發(fā)狀況，就不是懲罰扣分的事了，所以目前來(lái)看，強(qiáng)化學(xué)習(xí)在規(guī)則明確的游戲領(lǐng)域比較適用，比如游戲當(dāng)中使用技能會(huì)掉多少血等等，這些都是可以量化的指標(biāo)。

以上簡(jiǎn)單地介紹了機(jī)器學(xué)習(xí)核心領(lǐng)域、一些術(shù)語(yǔ)、機(jī)器學(xué)習(xí)流程與深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，這只是人工智能領(lǐng)域最基本的要素，之后我還會(huì)持續(xù)分享AI的有關(guān)算法、模型和應(yīng)用領(lǐng)域。