人工智能的非技术使用说明书

据麦肯锡估计,从现在到2030年,人工智能将创造约13万亿美元的美国国内生产总值。相比之下,2017年整个美国的国内生产总值约为19万亿。人工智能已经成为第四次工业革命, 人工智能无疑是数字化转型的核心,它在整个行业中的应用将极大地改变我们的世界以及工业生产方式。 越来越多的人希望投入这场人工智能革命,但他们不知道AI能做什么,AI是一种什么样的技术。 因此本文将介绍什么是AI。

关于人工智能的误解

关于人工智能的炒作从未停止过,许多人对人工智能存在一定的误解。人工智能可分为两部分:

人工窄智能(ANI)

人工窄智能是指擅长一项特定任务的AI ,它们是经过训练和开发的。 例如一个人工智能系统可根据历史数据向您推荐YouTube视频的算法或者预测未来房屋价格。ANI是一个非常强大的工具,它将在未来几年为我们的社会增加许多额外的价值。 我们近年来所看到的所有人工智能进展其实都是人工窄智能。

人工智能(AGI)

人工智能的最终目标是一个比人类聪明或聪明的计算机系统 。 AGI可以成功地完成人类可以做的任何智力任务。 这也是AI引起人们最大恐惧的一部分。 他们想象一个计算机比人类聪明得多的世界,几乎每个工作都是自动化的,甚至是类似终结者的场景。而实际上, 我们仍远远未达到真正的AGI技术水平 。

人工智能相关术语

人工智能是一个非常复杂的领域,里面包括很多术语可能会让你很混乱。 你可能听说过神经网络,深度学习或数据科学。 但并不清楚其中具体的含义以及相互间的关系。

人工智能

人工智能是一个计算机科学领域 ,它强调智能机器的创造,拥有像人类一样工作和反应 。 就像我已经提到的那样,当人们谈论AI时,他们主要是人工智能(AGI)。机器学习和深度学习都是用于使计算机智能操作的技术。

机器学习

机器学习是AI的一个子领域 。 通过一定的算法使计算机能够从数据中学习并执行某项任务。 机器学习项目示例:

想象一下,你是一家房地产公司,你有很多关于房屋的数据。 您与机器学习公司合作,建立机器学习系统,以预测房屋的未来价格。 这样的系统使您能够更好地决定您想要投资的房屋,并找出清算投资的合适时机。

深度学习

深度学习是机器学习的一个子部分,它与机器学习基本相同:你给算法标记数据,然后算法从数据中学习数据规律并进行预测。 与机器学习的不同之处在于深度学习具有更现代,更复杂的算法,而机器学习使用更简单的传统算法。由于它们的复杂性以及足够的数据和计算能力,深度学习算法在准确度上有了重大突破,甚至在其中一些任务上超过人类(例如:组织病理学图像分析,或在Netflix上推荐电影)。

数据科学

数据科学项目的输出通常是一组见解,可帮助您做出更好的业务决策,例如决定是否投资某些东西,是否应该购买某些设备,或者是否应重新构建您的网站。 数据科学是通过统计方法 ,可视化等分析数据来提取数据知识和洞察力的科学 。输出通常是演示文稿或幻灯片帮助管理者做出某些决策的结论。

人工智能术语还包括强化学习,生成性对抗网络(Gans)等。这些都是使AI系统智能化的工具。

数据

数据可以采用多种形式:电子表格,图像,音频,传感器数据等。这些可分为两大类:结构化和非结构化数据。

结构化数据是按照预定义模式以结构化格式存储的数据 。 它指的是驻留在记录或文件中的固定字段中的任何数据。可以是文本的也可以是非文本。 例如泰坦尼克号数据集就是一种结构化数据。

非结构化数据本质上是未通过预定义模式构建的其他所有内容。 它可以是文本的或非文本的, 主要包括图像,视频,音频文件,文档等。

监督学习是最常用的机器学习类型,当人们说“数据”时,它们主要是指标记数据 。例如您有一个数据集,其中包含100,000只狗和猫的照片,其中每张照片都有一个标签,“Cat”或“Dog”。还比如一个包含房价信息的数据集。 每个房屋对应的价格就是标签。

数据获取

您可以在互联网上找到许多问题的数据集(一些是免费的,一些是花钱的),但大多数时候您需要创建自己的数据集,获取数据有三种主要方式:

1.手动创建

假如你想要建立一个分类器检测给定图片上是否有男人或女人。 要训练这样的分类器,你需要搜集一些男女图片。 然后,您需要为每个图像指定一个标签:men(标签1)或女人(标签2)。

2.用户行为

假如您经营一家电子商务公司并希望预测客户何时会进行购买,您可以通过观察用户在您网站上的行为来创建数据集。

3.使用免费数据源

像Kaggle上有许多免费的数据集资源。 还可以使用Google数据搜索 ,如果没有找到任何内容,还可以在数据市场上购买数据集。

参考

https://towardsdatascience.com/the-non-technical-guide-to-artificial-intelligence-e9e5da1a15c5

深度学习与Python,专注于深度学习、机器学习前沿知识与资讯

本文分享自微信公众号 - 深度学习与python(PythonDC)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-06-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法原理与实践

机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导

    在矩阵向量求导前4篇文章中,我们主要讨论了标量对向量矩阵的求导,以及向量对向量的求导。本文我们就讨论下之前没有涉及到的矩阵对矩阵的求导,还有矩阵对向量,...

15420
来自专栏深度学习和计算机视觉

为什么不建议你入门计算机视觉

作者:Jackpop https://zhihu.com/p/question/317440183 本文已授权,未经允许,不得二次转载

37130
来自专栏ATYUN订阅号

谷歌开发新模型EfficientNets,缩放CNN的精度与效率超越现有模型

卷积神经网络(CNN)通常以固定的资源成本开发,然后进行缩放,以便在获得更多资源时得到更好的精度。

12430
来自专栏Jerry的SAP技术分享

机器学习在SAP Cloud for Customer中的应用

关于机器学习这个话题,我相信我这个公众号1500多位关注者里,一定有很多朋友的水平比Jerry高得多。如果您看过我以前两篇文章,您就会发现,我对机器学习仅仅停留...

8910
来自专栏深度学习和计算机视觉

CVPR2019 | 6D目标姿态估计,李飞飞夫妇等提出DenseFusion

6D 目标姿态估计对许多重要的现实应用都很关键,例如机器人抓取与操控、自动导航、增强现实等。理想情况下,该问题的解决方案要能够处理具有各种形状、纹理的物体,且面...

42930
来自专栏机器学习与统计学

揭秘LinkedIn!全球最大的招聘推荐系统如何被机器学习驱动?

大数据文摘出品 来源:towardsdatascience 编译:夏雅薇、Stats熊

12430
来自专栏深度学习和计算机视觉

SIGGRAPH提出的图像修复技术

图像修复技术是一种用可选内容填充目标区域的技术,它的主要用途是在对象删除任务中,从照片中删除一个对象,并用希望能保持图像上下文完整性的内容自动替换被删除的部分。...

14540
来自专栏小詹同学

Dropout的前世与今生

图 1:一些目前提出的 Dropout方法,以及 2012 到 2019 年间 Dropout 方法的理论进展。

11810
来自专栏AI科技评论

解读|基于多级神经纹理迁移的图像超分辨方法 (Adobe Research)

超分辨(Super-Resolution)图像恢复旨在从低分辨模糊图像中恢复出高分辨的清晰图像,是计算机视觉中的一个重要任务,在工业界有非常强的应用前景。CVP...

13330
来自专栏ATYUN订阅号

纳米级无人机PULP Dronet仅重27克,具有强大的自主导航能力

苏黎世联邦理工学院和博洛尼亚大学的研究人员开发了一个纳米级无人机,名为PULP Dronet,仅有27克,具有深度学习的视觉导航引擎。论文显示无人机可以在一个端...

19630

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励