AI地图:模式与问题领域在自然语言处理和计算机视觉中的体现

2024-11-26
来源:网络整理

深度学习研究_动手学深度学习_深度学习特征学习

人工智能地图

X 轴:不同模型(最近的右侧)符号学、概率模型:统计模型、机器学习

Y轴:问题区域(先理解一些东西,然后通过推理形成知识,最后制定计划)

知觉:能看见的物体

推理:根据所见想象未来可能发生的事情

知识:根据你看到的数据或现象形成你自己的知识

计划:在了解一切的情况下能够制定一个相对长远的计划

自然语言处理:虽然取得了很大的进步,但仍然停留在最简单的感知上

机器翻译常用于自然语言处理

任何一个人在几秒钟内能够反映出来的行为,都可以认为是在感知范围之内。

自然语言处理从符号学开始,因为语言是一种符号,然后是概率模型和机器学习。

计算机视觉:能够在某些图像中进行推理

图像由像素组成,很难用符号学来解释,因此大多数计算机视觉使用概率模型和机器学习。

深度学习:机器学习的一种

过去八年最热门的大方向是自然语言处理、计算机视觉和深度学习的结合。

深度学习应用的突破

该数据集是一个比较大的图像分类数据集,包含1000类自然物体图像,大约有100万张图像。

上图显示了2010年至2017年的分类错误率。X轴代表时间,Y轴代表错误率。图中的点代表某些任务的错误率。

2012年错误率有比较大的下降,这也是深度学习的开始。在接下来的五年里,深度学习对整个图像进行分类的误差已经降到很低。 2017年,基本上所有团队都能做到错误率低于5%,基本可以达到人体图像识别的准确率。因此,深度学习在图像分类方面做得非常好。

当你不仅想知道图片里有什么,还想知道它是什么、在哪里时,这就需要物体检测。

物体分割就是知道每个像素属于哪个物体

网站::// - -/

动手学深度学习_深度学习特征学习_深度学习研究

合成风格图片和内容图片也可以认为是滤镜。这样做的好处是,只要找到某种风格的图片,就可以将内容图片更改为任何想要的形式。

图片中的所有面孔都是假的,是算法随机合成的照片。

通过描述文字生成对应的图片

案例研究:广告点击

问题:给定用户输入,如何推送合适的广告

大致可以分为以下三个阶段:

1.触发:输入关键词后,立即找到一些对应的广告

2、点击率预估:建立预测模型,预测用户看到广告后的点击情况。 p表示用户点击广告的概率。

3、排序:根据广告的点击率以及每次用户点击后广告主支付的报酬,以用户点击率*出价作为广告排序的依据。值越大,排名越高,排名较低的可能会被丢弃

上述三个阶段中最重要的是机器学习模型来预测用户点击率。步骤如下图所示:

1.看到广告后,首先需要提取特征:广告主、产品描述信息、产品图片

2、将以上特征代入预测模型后,即可得到点击率​​的预测

3、另外,可以保存过去所有用户的广告点击数据,然后作为用户的真实点击行为进行特征提取,然后训练模型。

领域专家:对应用领域有非常深入的了解,了解机器学习。重点是机器学习模型对产品的影响。

数据科学家:将原始数据转化为机器学习模型可以理解的数据,然后对其进行训练

AI专家:聚焦某些点,进一步提升准确率和性能

--------成为-----

“深度学习实践”,

分享