andrew ng,软件工程师如何转行做人工智能?
我原来也是一个码农,所以我再此深知码农转行机械学习的弯路与辛酸,想在此分享一下我在学习路上的一些总结及建议,能让跟我一样的你少走弯路。图像算法工程师也是我结束付费课程后找的第一份工作,主要运用机器学习算法与OpenCV的结合,对车牌,人脸的识别。主要运用于交通和安防。
与机器学习偶遇
在2017年为了听一个专栏《通往财富自由之路》下载了一个app,了解了知识付费,自此知识付费这一概念深入我心,也是在这里了解到了人工智能,对人工智能的好奇让我走上了学习机器学习和深度学习的道路。当时网络学习资源很多,刚开始看国内的一些公开的免费视频,看完了,自己却无法上手独立写代码,后来在网上继续搜有关人工智能的知识,才知道机器学习,深度学习的概念,我都记不清是怎么选了优达的课程,但现在觉得自己很幸运。
本人于2017年五月份开始学习编程,七月结束优达学城数据分析入门纳米学位,十月结束机器学习纳米学位,2018年一月左右结束深度学习纳米学位,二月份刚找的工作,虽然找工作有些坎坷,这是转行的必然,但最终做我学过的东西,感觉都是自己所熟悉的。
面对专业人士,转行的你用什么与之抗衡下面是我在学习过程中总结出来的一些经验,给大家做参考学习,希望大家在学习的时候少走弯路。
有明确的学习方向很多人其实论努力程度不输任何人,但是总感觉自己进步非常慢,那么原因很可能是你不够专注。我看到这么一个现象,IT 界技术日新月异,动不动就会出来一门新语言,新框架,尤其前端界更是,很多人就看到有一个看似很火的东西出来了,然后去学习,另一个东西出来了,又忙不迭的去学习,生怕错过了时间窗口就错过了巨大的机会。然而殊不知,万变不离其宗。选择一个方向,攻克了,继续深入。方向确定了,选课就是关键了,我当时选的课对我帮助很大。首先,课程设计给了我明确的方向;其次,没遇到关键的知识点都会给我推荐相关学习资料和课外阅读;再次,约到问题有大牛一对一的辅导,能和志同道合的人一起交流探讨技术,对自己的提升很有帮助。
以主带辅的学习路线以课程为主导,有大牛们的指导,比如:我选的优达学城课程(机器学习工程师 | Udacity)中总有大牛告诉我该怎么学,学了能用在什么地方,也会组织一些学员活动一起探讨,一对一的项目审阅及课程辅导和资深课程推荐等让你省下了很多去探索学习之路的时间,不至于走错了方向;学院也会针对你学习过程中用到的基础知识推荐相应的基础课程。另外自我网络资源的搜索推荐google,还有上论坛如CSDN,看微博等为辅助。
以项目驱动为指导选择课程一定要看是否有项目主导,这样你才能在实践中学习,深刻认知。项目主导对于学习是非常关键的,好的项目面向应用,面向企业;当时我学习深度学习,课程不但设立了通关项目,还有许多练习项目,不但扩充了知识面,还锻炼了编码能力,思维能力。这是我当时学习的一些项目资源链接(udacity/cn-deep-learning):涉及风格迁移,情感分析,文本处理及生成,文本翻译等。
另外,自己应该参加一下如Kaggle,京东,腾讯等知名研学社及企业组织的比赛。下面是kaggle里cats vs dogs的项目Dogs vs. Cats | Kaggle,供大家学习参考:
升级版地址:kuhung/DateCastle
当时记得最后学的深度学习课程链接如下:深度学习 | Udacity
一共设立了5个项目,由简入深,从共享单车客服出行量预测到人脸生成,一步步深入,这种对于我这种基础的人还是比较合适的。
分享式的学习与沟通近朱者赤近墨者黑,一个良好的环境对你的影响非常大,与同行人士在一起探讨,以团队的形式组织学习,不但提高你的兴趣,还能提高学习效率,扩充知识面,当时进入优达学城就有组织分组,到现在我们组还在联系,一起探讨各个行业知识(关于AI方向)。不仅锻炼社交能力,还能扩充知识面,跟是对现学知识提升的有效途径,所以足见选好课程的重要性,不要总认为网上资源众多,单打独斗不适应现在知识更新如此之快的时代。记笔记(比如写简书,有道,csdn论坛),写微博,在Udacity论坛上发论坛,分享自己所学,收获大牛给的意见建议,教会别人也教会了自己更是强化了知识。
提高自己的起点坚持看博客、文档学习,看博客除了节省我的学习时间之外,还提高了我的阅读能力。我当时学城也给我推荐国外大牛的文章,论文,都是权威及最新的科技论述,让我每次都走在科技的前沿。当别人在用百度,查看国内各种二手资料的时候,我坚持使用 Google,查看国外大牛博客,我英语很差,这对我来说很难,但是我硬逼着自己,坚持下去,当别人混国内小白论坛的时候,我就开始混GitHub 开源社区,学习国外大牛的开源项目,当别人在看国内翻译的资料的时候,我却逼着自己去官方看英文文档。
这一切的一切,本质上都是为了提高自己的起点,虽然我起步晚,但是我起点高,慢慢的就
会缩小差距,时间长了,甚至后来居上。
蒙的多音字组词?
蒙多音字组词:
蒙蒙,发蒙,混蒙,迷蒙,启蒙,蒙胧
蒙骗,蒙事,坑蒙,瞎蒙,昏蒙,厖蒙
63, 我国工业地理学发轫于20世纪初,在经历了启蒙和成长两个阶段后,终于成为经济地理学的一个重要分支学科。
64, 法国启蒙民权思想虽然始自法国,但其影响却波及世界众多角落。
65, 五四时代是一个启蒙与救亡并存的时代,因此,作为现代文学发轫的五四文学,个性解放、女性解放、社会解放就成为其基本主题。
2018年的人工智能行业的走向将会是怎样的?
据中研产业研究院发布的《2019-2025年中国人工智能行业发展分析与投资战略研究报告》统计数据显示
国际人工智能行业发展分析及经验借鉴
第一节 全球人工智能市场总体情况分析
一、全球人工智能行业的发展特点
“人工智能”涵盖了很多前沿技术和分支,却很难用一句话来定义,因为它一直处在发展当中。比如,一些在过去看来很“人工智能”的事情,现在却变成了简单的“机械重复”,像是数字的高速计算、图像的处理等。但总体上来看,“人工智能”的本质和目的一直没有发生太多变化,那就是“完成人类的部分脑力工作”。
20世纪60年代开始,就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧,比如斯皮尔伯格的知名影片《人工智能》。不过在现实中,长久以来,受到技术、科技发展和应用层面的限制,人工智能只是一件人人都在说,都以为别人在做,但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。
人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时,到了21世纪伊始却变成了一个禁忌,大家开始怀疑它是否存在。而到了2011年,美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司,投资范围从应用层面的机器人、增强现实,到底层技术层面的深度学习算法、神经网络芯片等,人工智能项目也遍地开花。比如,Google接连投资了虚拟现实创业公司Magic Leap,收购了人工智能公司DeepMind;Facebook收购语音识别公司Wit.ai,等等。
除了投资外部团队之外,像IBM、Google、Facebook和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队,招募了一批人工智能尤其是深度学习相关领域的科学家,如深度学习鼻祖之一Geoffrey Hinton加入了Google,Yann LeCun加入了Facebook担任人工智能实验室负责人,Andrew Ng(吴恩达)加入百度负责深度学习研究院等。
从人工智能的整个发展历程来看,按照应用场景和人工智能资源的集中度,可以大致分成三个阶段。
第一阶段:实验室研究阶段,这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段,资源高度集中在国家或大学资助的研究机构中,用于算法模型的训练和研究,人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外,还包括建立计算能力本身。
第二阶段:企业应用阶段,这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后,科技巨头们一拥而上,纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后,其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提,因此这一阶段人工智能资源的集中度仍然非常高,而这将是人工智能在企业场景下的主要应用形式,即集中计算,分布使用。
第三步:个人应用阶段,这一阶段的人工智能资源被分散到个人手中。显然,依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用,因为集中式计算意味着巨量的网络资源消耗,并且因为网络问题,难以在消费者应用场景中有稳定的表现。因此,人工智能的本地化,也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现,将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。
图表:人工智能发展阶段
数据来源:中研普华产业研究院
二、全球人工智能市场结构
全球人工智能企业分布极不平衡,主要集中于美国、欧洲及中国等少数国家地区。排名前三的美国旧金山/湾区、纽约及中国北京,企业数量分别占全球的16.9%,4.8%与4.0%。在增速方面,整体上一直保持增长势头,直至2015年出现小幅度回落。欧洲的人工智能企业多集中于本国家的首都。在欧洲各城市中,英国伦敦的企业数量最多,为第二位巴黎的3.1倍,占全球总数的3.69%。日本与韩国的企业数量明显不及中国,日本东京仅与杭州相当,韩国首尔仅与成都相当。东亚地区排名前三的城市,北上深三城占全球总数的7.4%。虽然还远不及美国,但在全球中的重要性将日益明显。
三、全球人工智能行业发展分析
“人工智能”涵盖了很多前沿技术和分支,却很难用一句话来定义,因为它一直处在发展当中。比如,一些在过去看来很“人工智能”的事情,现在却变成了简单的“机械重复”,像是数字的高速计算、图像的处理等。但总体上来看,“人工智能”的本质和目的一直没有发生太多变化,那就是“完成人类的部分脑力工作”。
20世纪60年代开始,就有许多科幻电影和科幻小说描述着人类对“人工智能”的憧憬和恐惧,比如斯皮尔伯格的知名影片《人工智能》。不过在现实中,长久以来,受到技术、科技发展和应用层面的限制,人工智能只是一件人人都在说,都以为别人在做,但事实上却没多少人知道该怎么做的事——无论在学术研究层面还是在应用层面都是如此。
人工智能曾经在20世纪90年代互联网泡沫破裂前风靡一时,到了21世纪伊始却变成了一个禁忌,大家开始怀疑它是否存在。而到了2011年,美国资本市场再度为人工智能而疯狂。风险投资机构和顶级科技公司们开始频繁投资这个领域的创业公司,投资范围从应用层面的机器人、增强现实,到底层技术层面的深度学习算法、神经网络芯片等,人工智能项目也遍地开花。比如,Google接连投资了虚拟现实创业公司Magic Leap,收购了人工智能公司DeepMind;Face book收购语音识别公司Wit.ai等。除了投资外部团队之外,像IBM、Google、Face book和百度等国内外科技巨头们也纷纷加强自己的人工智能方面的专业团队,招募了一批人工智能尤其是深度学习相关领域的科学家,如深度学习鼻祖之一Geoffrey Hinton加入了Google,YannLeCun加入了Face book担任人工智能实验室负责人,Andrew Ng(吴恩达)加入百度负责深度学习研究院等。
图表:人工智能发展阶段
数据来源:中研普华产业研究院
从人工智能的整个发展历程来看,按照应用场景和人工智能资源的集中度,可以大致分成三个阶段。
第一阶段:实验室研究阶段,这一阶段的人工智能资源高度集中。人工智能在2011年前的发展大致还处于实证研究阶段,资源高度集中在国家或大学资助的研究机构中,用于算法模型的训练和研究,人工智能还只能为极少数人接触到。这一阶段大量的工作除了在算法模型本身的研究外,还包括建立计算能力本身。
第二阶段:企业应用阶段,这一阶段的人工智能资源被少部分科技巨头掌握。在人工智能表现出一定的实际应用价值后,科技巨头们一拥而上,纷纷希望在这个领域取得突破。在少部分核心企业掌握了大规模的人工智能资源以后,其它小规模的企业一般会利用这些核心企业提供的人工智能资源接口和其支持的人工智能应用为自身的发展提供服务。由于掌握大规模的计算资源是这一模式的前提,因此这一阶段人工智能资源的集中度仍然非常高,而这将是人工智能在企业场景下的主要应用形式,即集中计算,分布使用。
第三步:个人应用阶段,这一阶段的人工智能资源被分散到个人手中。显然,依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用,因为集中式计算意味着巨量的网络资源消耗,并且因为网络问题,难以在消费者应用场景中有稳定的表现。因此,人工智能的本地化,也就是从集中走向分布(细化到智能手机、可穿戴设备等)实现将是人工智能在消费者场景中得到普及的关键一步。伴随着人工智能的本地化实现,将使得人工智能真正延展到手持设备、家用电器、汽车等消费级应用。
当前人工智能的浪潮已席卷了全球,人工智能领域的公司也在不断激增。根据Venture Scanner的统计,截至到2016年初,全球共有957家人工智能公司,美国以499家位列第一。覆盖了深度学习/机器学习(通用)、深度学习/机器学习(应用)、自然语言处理(通用)、自然语言处理(语音识别)、计算机视觉/图像识别(通用)、计算机视觉/图像识别(应用)、手势控制、虚拟私人助手、智能机器人、推荐引擎和协助过滤算法、情境感知计算、语音翻译、视频内容自动识别13个细分行业。
四、全球人工智能行业竞争格局
各国政府高度重视人工智能相关产业的发展。自人工智能诞生至今,各国都纷纷加大对人工智能的科研投入,其中美国政府主要通过公共投资的方式引导人工智能产业的发展,2013财年美国政府将22亿美元的国家预算投入到了先进制造业,投入方向之一便是“国家机器人计划”。在技术方向上,美国将机器人技术列为警惕技术,主攻军用机器人技术,欧洲主攻服务和医疗机器人技术,日本主攻仿人和娱乐机器人。
现阶段的技术突破的重点一是云机器人技术,二是人脑仿生计算技术。美国、日本、巴西等国家均将云机器人作为机器人技术的未来研究方向之一。伴随着宽带网络设施的普及,云计算、大数据等技术的不断发展,未来机器人技术成本的进一步降低和机器人量产化目标实现,机器人通过网络获得数据或者进行处理将成为可能。目前国外相关研究的方向包括:建立开放系统机器人架构(包括通用的硬件与软件平台)、网络互联机器人系统平台、机器人网络平台的算法和图像处理系统开发、云机器人相关网络基础设施的研究等。
由于深度学习的成功,学术界进一步沿着连接主义的路线提升计算机对人脑的模拟程度。人脑仿生计算技术的发展,将使电脑可以模仿人类大脑的运算并能够实现学习和记忆,同时可以触类旁通并实现对知识的创造,这种具有创新能力的设计将会让电脑拥有自我学习和创造的能力,与人类大脑的功能几无二致。在2013年年初的国情咨文中,美国总统奥巴马特别提到为人脑绘图的计划,宣布投入30亿美元在10年内绘制出“人类大脑图谱”,以了解人脑的运行机理。欧盟委员会也在2013年年初宣布,石墨烯和人脑工程两大科技入选“未来新兴旗舰技术项目”,并为此设立专项研发计划,每项计划将在未来10年内分别获得10亿欧元的经费。美国IBM公司正在研究一种新型的仿生芯片,利用这些芯片,人类可以实现电脑模仿人脑的运算过程,预计最快到2019年可完全模拟出人类大脑。
高科技企业普遍将人工智能视为下一代产业革命和互联网革命的技术引爆点进行投资,加快产业化进程。谷歌在2013年完成了8 家机器人相关企业的收购,在机器学习方面也大肆搜罗企业和人才,收购了Deep Mind和计算机视觉领军企业Andrew Zisserman,又聘请DARPA原负责人 Regina Dugan负责颠覆性创新项目的研究,并安排构建Google基础算法和开发平台的著名计算机科学家Jeff Dean转战深度学习领域。苹果2014 年在自动化上的资本支出预算高达110 亿美元。苹果手机中采用的Siri智能助理脱胎于美国先进研究项目局(DARPA)投资1.5亿美元,历时5年的CALO( Cognitive Assistant that Learns and Organizes)项目,是美国首个得到大规模产业化应用的人工智能项目。Amazon计划在2015年能够使用自己的机器人飞行器进行快递服务。韩国和日本的各家公司也纷纷把机器人技术移植到制造业新领域并尝试进入服务业。
五、全球人工智能市场区域分布
图表:2018年全球人工智能企业数量前五名
数据来源:中研普华产业研究院
2018年,全球人工智能初创企业共计2617家。美国占据1078家居首,中国以592家企业排名第二,其后分别是英国,以色列,加拿大等国家。
全球人工智能企业融资规模的分布,与人工智能企业分布相同。美中英三国融资规模为全球最大,但三者间的规模目前仍存在较大差距。
图表:2018年全球人工智能企业融资规模分布
数据来源:中研普华产业研究院
截止至目前,美国达到978亿元,在融资金额上领先中国54.01%,占据全球总融资50.10%;中国仅次于美国,635亿,占据全球33.18%;其他国家合计占15.73%。
中国的1亿美元级大型投资热度高于美国,共有22笔,总计353.5亿元。美国超过1亿美元的融资一共11笔,总计417.3亿,超过中国63.8亿。
六、国际重点人工智能企业运营分析
1、微软公司
(1)企业发展概况
微软,是一家美国跨国科技公司,也是世界PC(Personal Computer,个人计算机)软件开发的先导,由比尔·盖茨与保罗·艾伦创办于1975年,公司总部设立在华盛顿州的雷德蒙德(Redmond,邻近西雅图)。以研发、制造、授权和提供广泛的电脑软件服务业务为主。
最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office系列软件,目前是全球最大的电脑软件提供商。
(3)微软AI研究新进展
微软在人工智能方面有着很深的积淀,比如微软研究院在语音识别、自然语言和计算机视觉、机器学习方面已经有很多成果,在这些研究的基础上微软先后推出了Skype即时翻译、小冰和小娜(Cortana)这样的AI产品。
而新成立的部门必将深化这种产研的结合。微软称,整合后的新部门将包括AI产品设计、基础与应用研究实验室,以及新体验与技术(NExT)这几部分。
而为了实现AI普及的目标,微软列出了4大重点关注领域:
代理。利用AI通过Cortana这样的代理从根本上改变人机交互方式。
应用。将智能注入从相机app到Skype、Office365等的一切应用。
服务。把注入到微软应用的相同能力(如视觉、声音等认知能力,机器分析能力)开放给全球的应用开发者。
基础设施。微软称要利用Azure开发出全球最强大的AI超级计算机并开放给每个人,让个人和组织都能利用它的能力(这让人想到IBM的Watson)
从中可以看出,微软已经把AI当作一种基础能力,希望从端到端渗透到各个领域。
(4)微软加快布局人工智能
现在,小娜(Cortana)收到的指令和问题已经超过120亿条,拥有1.33亿活跃用户。小娜可以在多设备上运行。她根据你的日常生活和工作养成的技巧,已经形成了一个高效的生态系统。通常在你意识到自己有需要之前,她就能做好准备。为了让开发人员都能够使用认知能力,微软还提供了CortanaIntelligenceSuite。
微软的MicrosoftPix应用是一个图片编辑工具,它能感知,帮助你选择合适的图像。
MileIQ是一个位置提醒APP,它的智能在于帮助你量化和分类旅行。SwiftKey是一个智能键盘,使用神经网络,根据你的输入方式进行训练,能为你想要输入的下一个词建模,即使这样一个简单的任务,也会变得更加智能。它不受平台的限制。SwiftKey现在已经被30亿安卓和IOS设备使用。在Office365中,MyAnalytics会追踪你每天的工作,通过图表展示你每天的时间分配。
客户关系管理(CRM),CRM系统一般都是孤立的,用具体的术语为客户行动建模,为管理而建,而不是销售生产率。假如销售员能够根据客户的CRM系统之外的信息行动,比如来自Twitter,Facebook,客户服务应用程序等的信息,那会怎么样呢?微软在每天交互的应用中注入智能wait,可以让销售员以一种综合的方式采取行动,使用丰富的数据模型,这些模型能在所有的地方加入智能。
微软的平台BotFramework,允许在新的应用程序中建立智能的工具包——从Build大会以来,已经有40000开发人员使用它——包括像Uber这样的品牌,在认知服务中使用人脸识别APIs来改善他们的移动应用程序,以确保乘客安全。
AI服务需要各种类型的技术。为了实现这个目标,微软们已经往我们的云中投入大量FPGA(现场可编程门阵列),它能直接与网络对话。在云中加入FPGA达到前所未有的网络性能,提高了所有工作负载的吞吐量,包括运行如SAP这种关键任务程序。
此外,微软还有一个全球性的、超大规模的云基础框架,在云中增加了GPU,以提供更高性能的云接入,使一些从前根本不可能的方案得以实现。微软的Azure现在是世界上第一台AI超级计算机。
最后,还有研究AI的平台。微软支持所有的框架,其中,微软自己的CNTK是最快的分布式运算神经网络框架,也是唯一开源的可扩展的深度学习工具包。
(5)微软人工智能发展计划
2017年7月,微软宣布建立一个专注于人工智能的全新研究实验室Microsoft ResearchAI,Eric Horvitz计划将不同的学科结合起来,以期创建更多通用的学习系统。
该新实验室将以位于华盛顿州雷德蒙德的总部为基础,由来自感知、学习、推理和自然语言处理等人工智能研究的多个子领域中的科学家组成。人数超过100人,约占微软研究院研究人员总数的十分之一。新的实验室系全球微软研究部门下属机构,微软雷德蒙研究院院长EricHorvitz同时担任MSRAI的负责人。
(6)、微软建立机器学习工具
无论是学术界的研究人员还是工业界的开发者,DMTK可以帮助他们在超大规模数据上灵活稳定地训练大规模机器学习模型。当前版本的工具包包含以下几个部分:
1.DMTK分布式机器学习框架:它由参数服务器和客户端软件开发包(SDK)两部分构成。参数服务器在原有基础上从性能和功能上都得到了进一步提升——支持存储混合数据结构模型、接受并聚合工作节点服务器的数据模型更新、控制模型同步逻辑等。客户端软件开发包(SDK)支持维护节点模型缓存(与全局模型服务器同步)、节点模型训练和模型通讯的流水线控制、以及片状调度大模型训练等。
2.LightLDA:LightLDA是一种全新的用于训练主题模型,计算复杂度与主题数目无关的高效算法。在其分布式实现中,我们做了大量的系统优化使得LightLDA能够在一个普通计算机集群上处理超大规模的数据和模型。例如,在一个由8台计算机组成的集群上,我们可以在具有2千亿训练样本(token)的数据集上训练具有1百万词汇表和1百万个话题(topic)的LDA模型(约1万亿个参数),这种规模的实验以往要在数千台计算机的集群上才能运行。
想要了解更多关于行业专业分析请关注中研普华研究报告《2019-2025年中国人工智能行业发展分析与投资战略研究报告》
不想硬啃理论和算法?
在我看来,即使目标是想要入门深度学习,那么其中所需要学习的东西也不少,因为它实在涉及了太多方面。虽然我学习深度学习的时间不算久,但是在学习中还是有自己的一些方法。总结一下,主要有三个。
视频学习推荐去看 Andrew Ng 的 DeepLearning.ai 的视频,在网易云课堂上也能收到免费的课程,课后的编程作业可以上网搜索。这个课程好在每个视频都很浅显直观地说明一个知识点,平均每个视频有 7 分钟,很短。全部看完结合作业的理解,也算是对深度学习有了个基本的认识。如果想要看原版的视频及作业,可以去 Coursera 上付费观看,会提供课后作业并且帮你批改,还有社区交流,当你全部学完后还会给你颁发毕业证。
编程学习如果你对于编程感兴趣,那么一个很好的方法就是试着使用代码去实现。我试过完全自己用 Python 写一个简单神经网络的代码,写完之后发现自己更加的知道其中的原理了。还有一个比较有趣的就是去 GitHub 上找一些项目,去跑。例如有 TensorFlow 风格转换项目,目标跟踪类的,没准跑着跑着突然就有个想法,想要试着应用到某个小东西上去。
书本学习有很多的书大篇幅地在讲理论,我个人觉得比较好的学习方法就是不一定要完全懂得其中的原理,先大概理解地去看,把整个知识面都过一遍,在之后实际应用或者操作时再深入的去理解,会更加印象深刻。看书学习不一定说要你硬啃理论,但是当你入门以后可以再回过头来仔细去看。推荐两本书:周志华的《机器学习》和 Ian GoodFellow 的《Deep Learning》,江湖分别称「西瓜书」和「花书」。
谷歌等巨头纷纷投身人工智能?
人工智能(AI)是由机器或软件展示的智能。这也是学术的名称的研究领域,其研究如何建立计算机和计算机软件
谷歌脑是一个巨大的机器学习计划,主要是针对图像处理,但有更广泛的野心。这个项目由斯坦福大学教授Andrew Ng发起,他是一位机器学习专家,后来离开了这个项目去为中国最大的搜索引擎百度工作。
微软亚当
微软对于深度学习战的做法有些不同。微软并没有试图购买深度学习专家来完善他们的算法,而是一直致力于改进实现,并找到更好的方法来并行化用于训练深度学习算法的算法。来源:微软vs谷歌 - 谁引领人工智能竞赛?
Project Adam的目标是使软件能够在视觉上识别任何对象。考虑到人类大脑中的巨大神经网络使得这些关联可以通过数万亿次的连接来实现[...],使用[互联网图像数据]比其他系统少30倍的机器来训练神经网络连接超过20亿。这种可扩展的基础架构在其对象识别方面的准确性是其他系统的两倍,比其他系统快50倍。


还没有评论,来说两句吧...