标签 “人工智能” 下的文章

腾讯云AI基础建设包括，AI基础能力，算法+工程。AI基础平台，机器学习平台 TI-ONE，数据标注平台TI-DATATRUTH。AI应用平台，应用服务平台TI-Matrix。AI行业应用：金融、工业、零售、教育、泛互。腾讯云AI基础算法能力人脸人体基本能力、车辆技术布局、文字识别技术、产业场景等，细化包括人脸检测、五官定位、人脸识别、人脸验证、RelD技术、车辆搜索、多目标检测、车辆属性识别、货架商品等，以及图像视频理解编辑增强、车辆AI研究、工业视觉、OCR、语音识别等。人工智能的未来发展趋势1、自动机器学习的自动化程度和可解释性逐步提升，机器学习每个环节都自动设计过程，推动新一代AutoML平台的建设，大众化，AutoML，全称自动化机器学习（Automated Machine ...

人工智能项目开发验收与维护模型性能评估与测试调优分类任务的评价指标评价指标：使用不同的性能度量，往往会产生不同的评判结果，评价指标的选择，影响性能、算法选择、特征重要性的评判的结果。模型的泛化性：机器学习的目标是从训练领域的训练数据到任意其他数据上的性能良好，可以在未来对模型没有见过的数据进行预测，可能会产生过拟合和欠拟合的情况。准确率：正确分类的样本数占总样本数的比例，但是对于不均衡数据而言，模型会调入“高准确率陷阱”，为避免该陷阱，引入混淆矩阵。混淆矩阵：把样本的真实分类值作为一个维度，把预测分类值作为一个维度。精准率和召回率，精确率取决于模型准不准，召回率看数据全不全，不可兼得，要取舍。模型调优，过拟合与欠拟合。调参过程类似，先找出若干模型，然后基于某种模型进行评估。算法参数一般...

机器学习开发任务实例特征工程与机器学习——搭建一个机器学习模型，人工设计特征：实际工作中，特征比模型本身更重要。分三步：预处理，去除噪音，例如文本中的停用词；特征提取，从原始数据中提取一些有效的特征。例如图像分类中，提取边缘、尺度不变特征变换特征等；特征转换，对特征进行一定的加工，例如升维和降维。训练模型和测试模型：训练过程和测试过程完全独立。开发实例：明确任务背景和目标：任务背景：房地产中介在交易中，给房屋进行一个合理报价，让房东和买家进行参考。任务目标：根据已有的交易数据，训练模型，预测房屋的价格。任务过程解析：制作数据集，数据准备、数据预处理、数据集划分；特征工程，数据理解、特征分析、特征构造；模型训练，模型优化；模型评测，输出测试集指标、判断模型可用性。制作数据集：数据准备：字...

人工智能开发目标发现与明确问题：目标：AI的目标是将隐藏在一大批数据背后的信息集中处理并提炼，从而总结出研究对象的内在规律。技术角度：性能能达到预期吗？需要多少数据？能够获取到吗？需要多久？业务角度：要解决什么问题，商业目的是什么？数据分析：通过统计、机器学习、深度学习方法，对大量的数据进行计算、汇总和整理，最大化开发数据价值，发挥数据的作用。开发周期内容：收集数据：数据源和数据格式模型探索：测试、部署、监控模型优化数据准备：重要性：数据采集和数据清洗占到人工智能项目一半以上的工作，训练的数据量越大，模型越准确。建立数据标准、数据工程、专家解决方案没来减少数据准备（79%）的时间。数据限制：时间成本、算力和数据量。业务流程：数据采集：观测数据、人工收集、问卷调查、线上数据库数据清洗：有...

人工智能、机器学习和深度学习之间的关系：机器学习是人工智能的一个分支，该领域的主要研究对象是人工智能，特别是如何在经验学习中改进具体算法的性能；深度学习是一种典型的机器学习方法，是一种基于对数据进行表征学习的算法。人工智能 > 机器学习 > 深度学习。机器学习人工智能实现路径：机器学习是对能通过经验自动改进计算机算法的研究；机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。人类是基于经验，机器学习基于训练模型。举例：草莓机器学习就是找到草莓的不同特征维度（尺寸、颜色、成熟度）与草莓标签（酸、甜）之间的映射关系。机器学习就是找到特征与标签之间的关系，利用算法从一类训练数据或信息中自动分析并获得该类数据或信息的规律，并利用获得的规律进行预测。上述寻找关系和规律的过程，...

人工智能发展的成功要素算法的进步启发人工智能的发展2006年以来，以深度学习为代表的机器学习算法发展：卷积网络、循环网络、生成对抗网络、强化学习。Hinton AI教父：相信大脑不是将信息存储在一个单元里面，而是分布式全息存储，坚持神经网络理论研究40年。算法取得长足进步：1986年，Hinton在ture发表“Learning Representations by BackPropagating Errors”，第一次阐述多隐层神经网络，解决了线性不可划分难题；（表征学习）。1989年，Hinton的学生Yann Lecun，利用卷积神经网络的技术，开发支票识别软件。面临问题：计算性能不足、数据确实严重、问题的复杂性。神经网络的发展现状：2006年，深度神经网络和深度学习算法，成为前...