week1-2 Machine Learning 机器学习

1-2-0.png

人工智能的兴起在很大程度上是由人工智能学中的一种工具驱动的。

在本视频中,您将了解什么是机器学习,因此最终,您希望我们将开始思考如何将机器学习应用于您的公司或行业。

最常用的机器学习类型是一种学习A到B或输入到输出映射的AI。

这称为监督学习。

我们来看一些例子。

1-2-1.png

1-2-2.png

1-2-3.png

如果输入A是电子邮件而输出B是否是垃圾邮件,则为零。

然后,这是用于构建垃圾邮件过滤器的核心AI。

或者,如果输入是音频剪辑,并且AI的工作是输出文本记录,则这是语音识别。

更多的例子,如果你想输入英语并输出不同的语言,中文,西班牙语等等,那就是机器翻译。

或者最有利可图的监督学习形式,这种类型的机器学习可能是在线广告,其中所有大型广告平台都有一块人工智能输入关于广告的一些信息,以及一些关于你的信息,并试图弄明白,你点击这个广告了吗?

通过向您展示您最有可能点击的广告,这可能非常有利可图。

也许不是最具启发性的应用程序,但今天肯定会产生巨大的经济影响。

或者,如果你想建造一辆自动驾驶汽车,人工智能的关键部分之一就是在人工智能中输入图像,从雷达或其他传感器获取一些信息,并输出其他汽车的位置,这样你的自我驾驶carcan避开其他车。

或者在制造业。

我实际上已经在制造业中做了很多工作,你可以把你刚刚制造的东西的图片作为输入,例如手机装配线上的照片。

这是一张手机的照片,而不是手机拍的照片,你想要输出,是否存在刮痕,或者是否存在凹痕,或者是否有任何其他缺陷?

这是视觉检查,它帮助制造商减少或防止他们正在制造的东西中的缺陷。

这组AI称为监督学习,只是学习输出到输出,或A到B映射。

一方面,输入到输出,A到B似乎非常有限。

但是,当您找到正确的应用场景时,这可能非常有价值。

现在,监督学习的想法已存在了数十年。

但它在过去几年里真的兴起了。

为什么是这样?

好吧,我的朋友问道,“嘿Andrew,为什么现在监督学习兴起了?”有一张图片我为他们画画。

我现在想向你展示这张照片,你也可以为那些问你同样问题的人提供这张照片。

让我们说在水平轴上绘制一个任务的数据量。

因此,对于语音识别,这可能是您拥有的音频数据和转录的数量。

在许多行业中,在过去的几十年中,数据量的增长确实增长了。

由于互联网的兴起,计算机的兴起。

现在,许多曾经说过纸张的东西都被记录在数字计算机上。

所以,我们刚收到越来越多的数据。

现在,让我们说在纵轴上绘制AI系统的性能。

事实证明,如果你使用传统的AI系统,那么性能就会像这样增长,因为当你输入更多数据时,性能会变得更好。

但是超过某一点它没有那么好。

因此,就好像你的语言识别系统没有那么准确,或者你的在线广告系统没有那么准确地表示最相关的广告,即使你展示了更多的数据。

由于神经网络的兴起和深度学习,人工智能最近真正兴起。

我将在后面的视频中更准确地定义这些术语,所以不要太担心它现在意味着什么。

但是对于现代AI,神经网络和深度学习,我们看到的是,如果你使用小型神经网络,那么性能就像这样,在你为它们提供更多数据时,性能会持续更长时间。

如果你训练一个甚至更大的神经网络,比如中型神经网络,那么性能可能就是这样。

如果你训练一个非常大的神经网络,那么表现就会越来越好。

对于应用程序喜欢语音识别,在线广告,构建自动驾驶汽车,具有高性能,高度准确,说语音识别系统很重要,使这些AI系统更好,并使语音识别产品更容易被用户接受,对公司和用户更有价值。

现在,这个数字的几个例子。

如果你想要最好的性能水平,你的性能在这里,达到这个级别的性能,那么你需要两件事:一个是,它确实有助于拥有大量数据。

这就是为什么有时你会听到大数据的原因。

拥有更多的数据总是有帮助的。

第二件事是,你希望能够训练一个非常大的神经网络。

因此,包括摩尔定律在内的快速计算机的兴起,以及图形处理单元或GPU等专用处理器的兴起,您将在后来的视频中听到更多,这使得许多公司,而不仅仅是一家大型科技公司,许多其他公司能够在足够大的数据量上训练大型神经网络,以获得非常好的性能和商业价值。

AI中最重要的思想是机器学习,基本上是监督学习,即A到B,或输入到输出映射。

使数据更好地工作的是数据。

在下一个视频中,让我们来看看数据是什么以及数据可能已经有了什么?

以及如何考虑将其馈入AI系统。

让我们继续下一个视频。

讲师:Andrew Ng
课程:https://www.coursera.org/learn/ai-for-everyone

iOSDevLog wechat
欢迎您扫一扫上面的微信公众号,订阅我的博客!