图像识别技术与应用

一、图像识别技术相关的职位

1.深度学习应用工程师

2.AI算法工程师

人工智能应用工程师

 

 二、人工智能与工业文明演变

演变过程：

机械化时代－电气化时代－信息化时代－人工智能时代

三、人工智能定义与学科范畴  

人工智能（AI）：通过人工方法赋予机器类人智能，使其能模拟人类决策与学习能力。  

人工智能学科目标：研究如何模拟、延伸和扩展人类智能的理论、方法及应用系统，属于技术科学分支。

四、生活方式转变

 智能购物，智慧医疗，智慧试衣

五、机器学习中的关键组件：  

无论什么类型的机器学习问题，都会遇到这些组件: 

1.可以用来学习的数据(data); 

2.如何转换数据的模型(model); 

3.一个目标函数(objective function),用来量化模型的有效性；

4.调整模型参数以优化目标函数的算法(algorithm)

数据

每个数据集由一个个样本组成，大多时候，它们遵循独立同分布。样本有时也叫做数据点或者数据实例，通常每个样本由一组称为特征(features,或协变量(covariates))的属性组成。

模型

任一调整参数后的程序被称为模型。 

这些模型由神经网络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。 

目标函数

“学习”，是指自主提高模型完成某些任务的效能。 

什么才算真正的提高呢？在机器学习中，我们需要定义模型的优劣程度的度量，这个度量在大多数情况是“可优化”的，这被称之为目标函数。 

机器学习中的关键组件

ZPArKEP 中关村软件园|南思

目标函数

定义一个目标函数，并优化它到最小值一-损失函数。 预测数值任务--平方误差:预测值与实际值之差的平方。 预测分类任务--最小化错误率:预测与实际情况不符的样本比例。 损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最小化总损失来学习模型参数的最佳值。

优化算法

当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最小化损失函数。深度学习中， 大多流行的优化算法通常基于一种基本方法--梯度下降(gradient descent) 在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。