AI学习与进阶实践-基于行业价值的AI学习与进阶路径
生活随笔
收集整理的這篇文章主要介紹了
AI学习与进阶实践-基于行业价值的AI学习与进阶路径
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
AI學習與進階實踐
- 如何轉型搞AI?
- 無行業不智能-基于行業價值的AI學習與進階路徑
- 1 行業與需求
- 2 行業與技術
- 3 AI入門指引
- 機器學習與前沿AI開源項目
- 1 機器學習建模與自動機器學習
- 2 自動機器學習的概念與過程
- 2.1 參數和超參數
- 2.2 搜索空間
- 2.3 優化與評估
- 3 自動機器學習工具NNI的安裝與使用
- 4 如何使用NNI進行模型優化
- 5 更多前沿AI開源項目
- 使用TensorFlow實現經典模型
- 1 TensorFlow簡介
- 2 CNN(卷積神經網絡)模型發展歷程
如何轉型搞AI?
華為云ModelArts開發總監 周明耀
- 人工智能發展歷程
- AI業務流程
- 推薦書籍
- 各種角色如何轉型搞AI
無行業不智能-基于行業價值的AI學習與進階路徑
中國電信北京研究院資深產品專家 高飛
1 行業與需求
- 行業認知:行業分解認知+行業組合認知
- 行業分析:業務流程分析+產業鏈分析+商業模式分析
- 行業常識:業內知名企業+行業領導者
- 場景:通過人類經驗完成工作的過程
- 原則:機器輔助人工
- 路徑:從行業入手,垂直化場景
2 行業與技術
3 AI入門指引
- 數學
- 計算科學
- 行業
機器學習與前沿AI開源項目
微軟亞洲研究院高級研發工程師 宋馳
1 機器學習建模與自動機器學習
- 自動機器學習:構建于機器學習算法上的學習超參的算法。用機器學習的方法來學習超參。
2 自動機器學習的概念與過程
2.1 參數和超參數
- 參數(Parameters):幾十到上百億個數值,大部分是矩陣和向量。通過數據讓計算機不斷調優這些參數,從而能學習到數據中的規律,即知識。
- 超參數(Hyper-parameters):需要手工設定,模型不易自動調優的參數。如算法,循環次數,學習率,神經元數量,神經網絡結構等。
2.2 搜索空間
- 選擇超參,并限定其取值范圍
- 搜索空間大,不易漏掉最佳超參組合,但需要的計算資源也多
- 搜索空間小,需要的計算資源小,但可能漏掉較好的超參組合
- 常用類型:枚舉、整數、浮點
- 均勻分布、正太分布、指數分布、正太指數分布:提高搜索效率
- 分段:減少搜索空間
2.3 優化與評估
- 中間結果、最終結果:即模型的優化目標,如精度(Accuracy),損失值(Loss)
3 自動機器學習工具NNI的安裝與使用
- 自動機器學習工具的比較
- 微軟中國AI開源項目-NNI(Neural Network Intelligence,輕量易用可擴展AutoML工具)
- NNI是一個輕量但強大的工具包,幫助用戶自動的進行特征工程,神經網絡架構搜索,超參調優及模型壓縮。
- 使用場景
4 如何使用NNI進行模型優化
5 更多前沿AI開源項目
使用TensorFlow實現經典模型
滴滴出行專家工程師 趙永科
1 TensorFlow簡介
- 開源端到端機器學習框架
- 自動求導
- 全面而靈活的生態系統
- 社區活躍度非常活躍
2 CNN(卷積神經網絡)模型發展歷程
- 卷積層特點:局部連接+權重共享
總結
以上是生活随笔為你收集整理的AI学习与进阶实践-基于行业价值的AI学习与进阶路径的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: AIProCon在线大会笔记之Googl
- 下一篇: AI识虫:林业病虫害数据集和数据预处理方