02 深度学习介绍【动手学深度学习v2】

AI地图

问题领域：

• 感知：最底层的、我所了解到的东西、我所看到的。

• 推理：基于看到的东西想象未来会发生的东西。

• 知识：根据我看到的数据、我看到的现象来形成自己的知识结构。

• 规划：在知道一些的基础上可以对未来做出一定的规划、我未来可以做些什么事情。

自然语言处理：语言->符号

计算机视觉：在一个图片里可以帮你做一些处理->图片很难用符号解释->使用概率模型

深度学习：是机器学习的一种、可以做自然语言处理、计算机视觉，也做可以更高深一点的东西

图片分类

横轴表示时间、y轴表示失误率

机器学习已经做的非常好了

机器学习实际应用

物体检测和分割

检测--知道每一个物体在哪个地方、比如左边第一个人在哪里

|深层次

分割--知道每一个像素是属于人还是属于飞机

样式识别

相当于添加滤镜

人脸合成

算法从随机数开始和策划国内的照片、足以以假乱真

文字生成图片

文字生成

GPT

无人驾驶

案例研究—广告点击

点击率预测—应用机器学习模型

预测与训练

预测：特征提取 - 模型预测

训练：训练数据（过去广告展现和用户点击 - 特征提取 - 模型训练

完整故事

一个大型应用往往有这三类人、可以一人多个角色：

• 领域专家：对应用有更深的了解，更关心机器学习模型对产品的影响 展现和点击

• 数据科学家：原始数据 - > 机器学习可理解的数据 -> 训练模型

• AI专家：提升模型精度和性能

Q&A

• 机器学习的可解释性 - > 不同模型会考虑不同的信息、现在仍在等待更多学术的进展

• 领域专家 - > 比如农业专家想看今年的收成、领域专家可以当作甲方、数据科学家是乙方

• 机器学习只能从直觉理解吗 - > 会有数学解释、但解释仍不全面

• 符号学可以和机器学习融合起来吗 - > 可以

• 数据科学家和AI专家的区别 - 区别不大、资深数据科学家往深处走可以是AI专家

• mac是否支持pytorch - 支持、但是会慢一些

• 语言仅在感知层面存在是否合适 - 自然语言处理仍有待提高

• 如何寻找自己领域论文 - 后期会介绍老师的方法

• 无人驾驶如何降低误差 - 竞赛中讲解通过多模型提升精度的方法