AI机器学习深度学习概念------AI

机器学习深度学习
机器学习是一个数学的流程,把我们现实生活中的实际东西,如照片视频语音,文本转为数字或者说数学模型
基于这些得到的数据或者说数学模型,数字模型来做归纳学习,基于数学的公式进行计算
最终达到推测计算和判断之类的具体应用,如图像识别,活体检测等
主要基于统计学知识,利用的是数据的特征来进行训练

机器学习深度学习
机器学习是一个数学的流程,把我们现实生活中的实际东西,如照片视频语音,文本转为数字或者说数学模型
基于这些得到的数据或者说数学模型,数字模型来做归纳学习,基于数学的公式进行计算
最终达到推测计算和判断之类的具体应用,如图像识别,活体检测等
主要基于统计学知识,利用的是数据的特征来进行训练

机器学习主要模拟的是人类的神经网络,所谓的NLP就出现了,模拟的就是人类的神经工作原理
靠编织出的Layer层,一层一层的处理数据,通过N多层的处理以后得到目标检测
神经网络是一个黑盒程序,不需要编写这个函数,我们需要为这个函数提供很多很多的输入和输出样本
通过尝试训练模型网络,让它近似于我们给定的输入和输出值,拥有更多数据的更好的模型可以更准确模拟出近似函数

 机器学习主要模拟的是人类的神经网络,所谓的NLP就出现了,模拟的就是人类的神经工作原理
靠编织出的Layer层,一层一层的处理数据,通过N多层的处理以后得到目标检测
神经网络是一个黑盒程序,不需要编写这个函数,我们需要为这个函数提供很多很多的输入和输出样本
通过尝试训练模型网络,让它近似于我们给定的输入和输出值,拥有更多数据的更好的模型可以更准确模拟出近似函数

生命周期
我们建立鞋分类模型遵循机器学习的生命周期
首先我们获取所有鞋子的数据,这里要尽可能多,要求所有被我们人类认知为鞋子的数据都要收集到
清洗数据是很重要的,要去掉那些不能被使用者即我们人类定义为鞋子的内容要去掉
还有我们需要把收集到的数据全都转换为我们模型能用能识别的数字或者说数学模型
还有为对应我们清洗出来的数据打上人类定义的标签,如拖鞋,运动鞋,皮鞋,高跟鞋
这些就是训练需要用的数据,它们用来训练模型
接下来用他们来定义神经网络并生成模型
经过我们的神经网络的多轮处理多轮调优,多轮训练之后得到一个固定的模型
接下来就是测试和评估这个模型呢,判断这个模型的精准度和判断力如何
如果这个模型的识别率比较高,能正确的理解图片,视频,文本,人类的自然语言等(都有可能,取决于你训练的反向是什么)
就说明他的训练完成
接下来就可以部署模型发布模型了
然后使用者就可以基于这个模型获得预测或者推理结果

 生命周期
我们建立鞋分类模型遵循机器学习的生命周期
首先我们获取所有鞋子的数据,这里要尽可能多,要求所有被我们人类认知为鞋子的数据都要收集到
清洗数据是很重要的,要去掉那些不能被使用者即我们人类定义为鞋子的内容要去掉
还有我们需要把收集到的数据全都转换为我们模型能用能识别的数字或者说数学模型
还有为对应我们清洗出来的数据打上人类定义的标签,如拖鞋,运动鞋,皮鞋,高跟鞋
这些就是训练需要用的数据,它们用来训练模型
接下来用他们来定义神经网络并生成模型
经过我们的神经网络的多轮处理多轮调优,多轮训练之后得到一个固定的模型
接下来就是测试和评估这个模型呢,判断这个模型的精准度和判断力如何
如果这个模型的识别率比较高,能正确的理解图片,视频,文本,人类的自然语言等(都有可能,取决于你训练的反向是什么)
就说明他的训练完成
接下来就可以部署模型发布模型了
然后使用者就可以基于这个模型获得预测或者推理结果

以图搜物
整个网站,市面商品图,每个图是什么,需要我们人工打上标签,这一步就是所谓的准备数据
接下来开始定义神经网络,如这个图片是果子手机,图片需要多轮训练,多轮调优
部署识图模型
下一次用户需要搜图,只需要把图片上传到我们训练好的模型,模型就能和人类一样基于他学习到的知识
来进行判断,是什么东西,来给出一个判断了
而这里我们的输入内容最终进入模型的就是一个N维向量
所有大模型最终都是需要向量化的
图片,视频,音频,文本都需要转成一个N维向量
模型需要的是这个

以图搜物
整个网站,市面商品图,每个图是什么,需要我们人工打上标签,这一步就是所谓的准备数据
接下来开始定义神经网络,如这个图片是果子手机,图片需要多轮训练,多轮调优
部署识图模型
下一次用户需要搜图,只需要把图片上传到我们训练好的模型,模型就能和人类一样基于他学习到的知识
来进行判断,是什么东西,来给出一个判断了
而这里我们的输入内容最终进入模型的就是一个N维向量
所有大模型最终都是需要向量化的
图片,视频,音频,文本都需要转成一个N维向量
模型需要的是这个