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

實驗不同的自動機器學習算法 在各種分布式環境中加速自動機器學習 快速實現或試驗新的自動機器學習算法：超參調優、神經網絡搜索、模型壓縮、特征選擇等算法 在自己的機器學習平臺中支持

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。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。