R & D 인력의 신원이 PC 인터넷과 두의 모바일 인터넷 개발 프로세스를 경험하면 ID가 개인적으로 비즈니스 관리자의 기술 업무에 종사이되지 않았지만, 지금은 AI의 물결의 새로운 물결에 직면하고있다. 인터넷의 파괴를 경험하지만 다양한는 산업 / 기업 / AI 리모델링 산업 / 기업을 활성화하면 많은 비 기술적 배경이나 문자를 구분 기술 기업 관리자를위한 추세해야합니다, AI / 기계 학습은 단순히 의미 명사는 경향 우리는 포장 - 투 - 사업을 쫓는 ....... 하지만 여전히 기술을 사랑하는 사람을 위해, 가치에 대한 깊이있는 이해는 기업이 더 이상 AI와 포장 / 제품 조합하는 방법에있다,하지만 분석 비즈니스 현장, 추상 비즈니스 장면 선택, 데이터 수집, 알고리즘에서 .... ... 기업의 비즈니스와 AI의 방문 부분은 경쟁력 선점 효과를 형성하기 위해 결합했다.
내가 이전에 좋고 나쁜 AI 관련 책과 정보를 많이 봤다, 숟가락 수유 할 교육을. 마음에있는 개념의 전체 역사의 모든 종류, 안개 느낌의 일종. 협회을 제압이 흩어져있는 지식의 명확한 계층을 활용, 우수한 책이나 기사의 숫자에 직면했을 때 그러나 이것은 또한 숟가락 수유 교육을위한 좋은입니다. 예를 들어, 단지 학습 인공 지능, 기계의 핵심 기술을 알고, 인공 지능, 상징, connectionism, 행동주의의 역사적 발전을 알고 있지만, 학습의 깊이와 기계 학습의 하위 집합입니다, 신경망 학습의 깊이를 실현 기본 모델, 이미지 인식, 음성 인식, 지금은 거의 AI (코어)와 동의어가 있기 때문에 ..... 학습 기계의 자연 언어 처리 응용 프로그램 깊이 연구는,이 지역을 배우는 모든 사람의 초점이되었다, 매우 운이 찾을 수 "Scikit이-배우고 실천 가이드 (사본 판) 학습 TensorFlow 기계" 이 책은, 책의 첫 장에서는 자신의 기계 학습을하자, 명확하고 체계적으로 이해되고있다. 다른 장과 케이스 깊이와 코드는 실용적이고 집행에 아주 좋은 것입니다.
인공 지능에 대한 다른 책을 읽기
"스마트 시대" 2016 년은 준비 초기 단계에서 인공 지능이 파도의 물결을 쫓아 책을 출판했다. 그래서이 책에서 한 구절을 기억 :. "이, 동종 요법, 또는 역 발상 아래 배의 최악의 우리의 자신의 선택이 시대의 최고입니다."
"인공 지능 혁명" 대중 과학 책 - 평가는 매우 얕은 말했지만, 각 책은 자신의 위치를해야했지만, 인공 지능, 기술, 과학 도서 문자의 꽤 좋은 역사를 느낌. 이 책은 위대한 영국 드라마에서 배운 동시에 "블랙 미러" 몇 분기를 쫓는, 횡재에게 그것을 생각했다. ^ _ ^
"과학의 궁극적 인 : 토크 인공 지능이" 인기 과학 책이지만, 나는이 책 Zhekesiwei에 반영되어 기분이 더 어려워 이해합니다.
"집단 지성 프로그램" 출판 15 년, 물냉이 8.9 높은 점수하지만, 독자의 소수 점수. 나는 AI와 빅 데이터의 뜨거운 시대를 생각 모호한 제목이 당신이 좋은 책을 그리워 "기계 학습"을 이해하고 연습 할 수있게된다 "통계 컴퓨팅,"친구가 읽고 추천하는 시나리오 (예 : 제품의 환경 설정 추천, 예측 가격과 같은 경기, 금융 장면을 ...... 날짜) 생활에 매우 가까운, 코드가 할 수있는 추가 ......하지만 지식을 수반하는이 책을 이해하는 것은 예상 할 필요 읽는 연습보다 더 많은 포인트입니다 시간 및 확장 학습을 많이 (¯ (●●)를 ¯)
"인공 지능 소개" , 형식적인 학술 교과서 책과 유사 항목 학습 인공 지능 가이드에 적합한 넓은 범위를 포함한다.
"분열 초 인공 지능이 기본 과정을 이해하기" 등 어떤 인공 지능의 수학적 기초를 마스터하기 위해 배우는 좋은 조직과 맥락의 책, 기계 학습, 인공 신경 네트워크의 가장 불, 깊은 학습 등이며, 신경 네트워크의 예; 인공 지능의 시나리오, 무엇을 깊이 학습, 인공 지능을 넘어 인공 지능, 기계 학습이 전부는 아닙니다. 상황이 점진적 층은 자신이 인공 지능의 프레임 워크에 대한보다 명확한 이해를 설명합니다. 이 책의 저자와 "인공 지능 혁명"의 저자뿐만 아니라, 쓰기 기술과 휴머니즘 모두 아주 좋은 것입니다.
레저 책 :
"미래의 간략한 역사" "A 연혁 오늘" Yuval 교수 • 헬라 리튬의 작품은 미래의 갈등과 위기의 많은 인간을 탐구하는 기계 지능에 직면 할 수있다.
"인공 지능" "AI · 미래" 이해하기 쉬운 Kai - Fu는 리 선생님의 책. 일의 몇몇 기술적 인 측면, 개인, 사회와 인공 지능 사이의 관계에 대해 주로 생각.
"Scikit-배우고 TensorFlow 기계 학습 실용 가이드 (사본 판)"첫 번째 장 운동 첨부
어떻게 기계 학습을 정의?
기계 학습은 컴퓨터 과학 (예술)의 데이터로부터 배울 수 있도록 프로그램되어있다.
기계 학습은 명시 적 프로그래밍없이 배울 수있는 능력을 가진 컴퓨터입니다.
컴퓨터 프로그램은 학습 작업 작업 성능 P의 T를 들어, E 및 P의 성장 경험도 증가 할 경우 T E, P 성능, 그것은 기계 학습라고의 경험을 사용합니다.
기계 학습은 어떤 문제를 해결할 수, 사를 기재 해주세요?
문제는 수동 조정이 많이 필요하거나 해결하기 위해 규칙의 긴 문자열이 필요합니다 : 기계 학습 코드를 단순화하고 성능을 향상시킬 수 있습니다.
문제를 복잡하게, 전통적인 방법 어려운 해결하기 위해 : 사용 좋은 기계 학습 기술 솔루션을 찾을 수 있습니다.
환경의 변동 : 학습 알고리즘 기계는 새로운 데이터에 적용 할 수 있습니다.
복잡한 문제와 문제를 해결하기 위해 더 나은 방법으로 많은 양의 데이터 (데이터 마이닝)에서 예기치 못한 관계 / 동향보세요.
레이블이 설정 한 훈련은 무엇인가?
지도 학습에서 알고리즘을 훈련하는 데 사용되는 훈련 데이터는 태그라는 대답이 포함되어 있습니다.
이 공통 감독 학습 작업을 적어주십시오?
스팸 필터와 같은 분류는 분류 샘플 메일의 많은 양성하는 것입니다, 또한 새로운 메일 필터를 분류하기 위해;
반환 (예측 목표 값)은, 예를 들어, 자동차의 가격을 예측하기 위해, 몇 가지 특성 (주행 거리, 차량 연령, 브랜드 등)을 제공합니다.
네 가지 일반적인 비 감독 업무 지적?
사용자 데이터의 다수를 사용하여 클러스터링 패킷 유사한 방문자 검출 블로그 방문자 가정한다.
시각화 및 사이즈 감소, 복잡한 알고리즘 태그의 알고리즘은 2D 또는 3D 이미지 데이터를 다수의 데이터가 출력된다.
이상 검출 그러한 사기를 방지 훈련 데이터 전에 트레이닝 세트로부터 자동으로 삭제 제조상의 결함이나 특이점을 검출하는 신용 전송로의 이상을 검출.
협회 규칙 학습, 데이터 마이닝 많은 양의은 속성 간의 흥미로운 관계를 찾을 수 있습니다.
만약 알 수없는 지형의 다양한 걸을 수있는 로봇은 기계 학습 알고리즘 것이 무엇?
보강 학습 : 학습 시스템은 본원 제로서, (네거티브 보상 형벌) 보상 환경, 선택 및 동작의 구현에 관찰 될 수 칭함. 그런 다음 최대 장기적인 보상을 얻기 위해 가장 좋은 방법 (전략)이 무엇인지 배울 소유해야합니다. 정책은 주어진 상황에서 작업 에이전트가 취해 져야한다 결정한다.
要对你的顾客进行分组，你会采用哪类算法？
在不知如何定义顾客组的情况下采用非监督学习的聚类算法；如果你知道你想要什么类别的用户组，采用监督学习的分类算法。
垃圾邮件检测是监督学习问题，还是非监督学习问题？
监督学习问题
什么是在线学习系统？
在线学习是用数据持续的进行训练，可以一次一个或者一次几个实例（小批量）。每个学习步骤都很快且廉价，所以系统可以动态地学习到达的数据。
什么是核外学习？
在线学习算法也可以当机器的内存存不下大量数据时，用来训练系统（成为核外学习）。算法加载部分的数据，用这些数据进行训练，重复这个过程，直到用所有数据都进行了训练。
什么学习算法是用相似度做预测？
基于实例学习的机器学习算法使用记忆来学习案例数据。然后使用相似度测量推广到新的例子。
基于模型学习算法的参数和学习算法的超参数的区别是什么？
基于模型学习算法有一个或多个模型参数，这些参数决定了它将如何预测给定的新实例（例如，线性模型的斜率）。此学习算法试图找到这些参数的最优值，这样模型就可以很好地推广到新的实例。学习算法的超参数是是其本身的参数，而不是模型的。
基于模型学习的算法搜寻的是什么？最成功的策略是什么？基于模型学习如何预测？
基于模型的学习算法为模型参数寻找最优值，使模型能够很好地推广到新的例子中。我们可以定义一个实用函数（或拟合函数）用来测量模型是否够好，或者定义一个代价函数来测量模型有多差。对于线性回归问题，人们一般是用代价函数测量线性模型的预测值和训练样本的距离差，目标是使距离差最小。
机器学习的四个主要挑战是什么？
训练数据不足。机器学习需要大量的数据，才能让多数机器学习算法正常工作。即便对于非常简单的问题，一般也需要数千的样本，对于复杂的问题，比如图像或语音识别，你可能需要数百万的样本。（也可重复使用部分存在的模型）。
没有代表性的训练数据。
低质量的数据。如果训练集中的错误、异常值和噪声太多，系统检测出潜在规律的难度就会变大，性能就会降低。
不相关的特征。避免进来的是垃圾，出去的也是垃圾。
如果模型在训练集上表现好，但推广到新实例表现差，问题是什么？给出三个可能的解决方案？
出现了训练集的过拟合。过拟合发生在相对少量的训练数据，噪声较多，模型过于复杂的情况。解决方案：
简化模型，可以选择一个参数更少的模型（比如使用线性模型，而不是高阶多项式模型）、减少训练数据的属性数、或者限制一下模型）；
收集更多的训练数据；
减少训练数据的噪声（比如修改数据错误和去除异常值）。
什么是测试集，为什么要用它？
在将算法模型应用在产品中前，使用测试集来进行评估模型推广误差率。
验证集的目的是什么？
用训练集和多个超参数训练多个模型，选择在验证集上有最佳性能的模型和超参数。
如果用测试集调节超参数，会发生什么？
如果在测试集上多次测量了推广误差率，调整了模型和超参数，以使模型最适合这个集合。这意味着模型对新数据的性能不会高。
什么是交叉验证，为什么它比验证集好？
为了避免“浪费”过多训练数据在验证集上，通常的办法是使用交叉验证：训练集分成互补的子集，每个模型使用不同的子集训练，再用剩下的子集验证。一旦确定模型类型和超参数，最终的模型使用这些超参数和全部的训练集进行训练，用测试集得到推广误差率。