主要人工智能技术概览  | Andrew Ng/是 DeepLearning.AI 的创始人、AI Fund 的普通合伙人、Coursera 的董事长和联合创始人

人工智能技术并不只有监督学习。监督学习依赖大量带标签数据,虽然目前最有经济价值,却也面临样本需求过高的问题。围绕这一点,内容依次介绍了非监督学习、迁移学习、强化学习、生成对抗网络和知识图谱:非监督学习可在无标签数据中自动发现聚类和潜在分层,帮助市场细分;迁移学习能把已有任务中学到的知识迁移到新任务,缓解数据不足;强化学习通过奖励与惩罚训练系统,在直升机控制和游戏中表现突出;生成对抗网络可合成全新图像;知识图谱则用于组织人物、地点等实体及其关系,为搜索和数据库提供支撑。读者可据此把握主要AI技术的特点、适用场景和局限。

正文

现如今有很多AI和机器学习技术

尽管监督式学习(学习从输出A到输出B的映射)在现今环境下是最有价值的技术,还有许多其他技术从经济角度也值得了解。让我们一起来看看。


非监督式学习

在非监督式学习里最著名的是聚类,下面列举一个相关案例。

假设你正经营一家卖薯片的杂货店,您收集不同客户的数据,并跟踪每个消费者购买不同类型薯片的数量以及每包薯片所支付的平均价格。你既卖低端薯片,也卖高端薯片,或者说,更昂贵的薯片。不同的人可能会买不同数量的薯片,这对经营杂货店是典型的场景。

使用以上数据,聚类算法在数据中观察到两种群体:

  • 一些顾客倾向于购买便宜点的薯片,但是会买很多包。假如杂货店靠近大学校园,你可能发现许多大学生都在买便宜薯片,但是,他们肯定会买很多。
THE END
分享
评论 抢沙发

请登录后发表评论

    暂无评论内容