一、人工智能定义：
通过学习掌握某种技能的机器，我们认为它具备人工智能。
二、人工智能研究方向：
图像、语音、自然语言、机器学习。
y=f(x,u) y:输出 x:输入 f:规则 u:参数 模型：规则f+参数u 样本:(x,y)
若f,u是认为定义的，则称为软件；若f，u是机器学习的，则成为AI.
三、人工智能分类
1、按能力:弱人工智能、强人工智能
2、按业务领域：信号、图像、语音、自然语义、自动化
图像领域：识别/检测、跟踪、切割（抠图）运营医疗邻域、生成
语音领域：小爱同学/siri、语音识别/生成
自然语义：机器翻译下、智能问答、图像语义
自动化：机器人、AI游戏、深度强化学习
3、按学习方式:（机器学习）
有监督：样本中既包含数据也包含标签（目标） 优点：高效 缺点：成本高
无监督：样本中只有数据，没有标签（目标）。如婴儿时期的学习方式，主要学习数据特征。优点： 成本低、泛化能力较好 缺点：效率低
半监督：用少量包含标签（目标)的样本 和大量不包含标签（目标)的样本来学习
自监督：属于无监督学习，主要为推理预测。
4、按实时分类
在线学习：学习和使用（推理）是同时进行的。缺点：很消耗资源（计算力）
离线学习：先学习，再使用，在使用过程中，是无法学习的。
5、按学习步骤分类
非端到端学习：
优点：对样本要求量低。 缺点：特征提取比较困难，对最终结果影响很大，提取拿到的特征都是识别级（轮廓），达不到语义级。
端到端学习：
优点：特征提取由计算机自动完成，可以提取到语义级别的特征。缺点：当问题过于复杂时，学习起来比较复杂。
6、按学习技巧分类：
迁移学习：直接按原有的训练好的模型基础之上，继续训练新的数据，缩短训练周期。
元学习：学习的时数据的本质特征。
级别学习：对一个任务进行分解学习，学习起来难度比较大。
递增学习：逐级增加学习难度。
对抗学习：相互竞争，达到学习的目的。
合作学习：分工学习。
7、按学习轮次分类：N-SHOT/Few-Shot、ONE-SHOT、ZERO-SHOT
8、按模型分类：判别模型、生产模型
9、按任务分类：
回归/拟合/函数逼近：模型推理是某个数值的
分类：将数据进行分类
聚类：和分类任务一样，都是将数据分类，区别在于聚类是无监督的
特征提取/降维/主成分分析
生成创造
评估与规划
决策
10、按学派分类
符号主义(逻辑主义):心理学派，专家系统，以数学基础。主要应用于数据处理。
连接主义:模拟、仿生，神经网络，目前主流AI方向，模仿神经元。
行为主义:进化(控制体系)
四、模型研发过程
1、常用数据处理方式：
数据采集：人工采集、系统采集、爬虫、虚拟仿真、对抗生成、开源数据
数据标注：人工标注、数据标注软件、自动化标注
数据增强：增强工具、openCV等编程
数据集划分
2、训练集+测试集 +验证集 =数据集
3、评估指标
性能指标：与模型运行平台有关，主要由参数量和计算量
精度指标：
泛化能力：过拟合与欠拟合
性能指标与精度指标在一般情况下是矛盾的。
网友评论