01人工智能
來源：TesterHome社區(qū)
轉(zhuǎn)自：圖靈人工智能
作者：李云敏 京東物流
01人工智能
人工智能，英文Artificial Intelligence，簡稱AI，是利用機(jī)器學(xué)習(xí)技術(shù)模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用的一門新的技術(shù)科學(xué)。
人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識(shí)別、圖像識(shí)別、自然語言處理和專家系統(tǒng)等。人工智能可以對(duì)人的意識(shí)、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。
通俗地說，就是讓機(jī)器可以像人類一樣有智能，讓機(jī)器看得懂、聽得懂、會(huì)思考、能決策、能行動(dòng)，實(shí)現(xiàn)原來只有人類才能完成的任務(wù)。
AI的本質(zhì)是通過軟件來實(shí)現(xiàn)特定的算法。
一個(gè)優(yōu)秀的人工智能系統(tǒng)，應(yīng)該具有三個(gè)方面的特征：知識(shí)運(yùn)用的能力、從數(shù)據(jù)或經(jīng)驗(yàn)中學(xué)習(xí)的能力、處理不確定性的能力。
知識(shí)是智能體現(xiàn)的一個(gè)最重要的維度。聽說看能力如果不考慮內(nèi)容的深度，則僅僅是停留在感知智能的層面，只能與環(huán)境交互和獲取環(huán)境的信息，其智能表現(xiàn)的空間非常有限。一個(gè)智能系統(tǒng)應(yīng)該能夠很好地存儲(chǔ)與表示、運(yùn)用知識(shí)，并基于知識(shí)進(jìn)行歸納推理。
從數(shù)據(jù)中或過去的經(jīng)驗(yàn)中學(xué)習(xí)的能力，這通常需要運(yùn)用機(jī)器學(xué)習(xí)算法。具備一個(gè)不斷進(jìn)化和進(jìn)步的學(xué)習(xí)能力，那么就可能具備更高的智能水平。同時(shí)，學(xué)習(xí)過程應(yīng)該能夠融入盡可能多的知識(shí)類信息，才能夠達(dá)到支持智能系統(tǒng)的要求。
能夠很好地處理數(shù)據(jù)中不確定性，像噪聲、數(shù)據(jù)屬性缺失，模型決策的不確定性，甚至模型內(nèi)部參數(shù)的不確定性。無人駕駛系統(tǒng)就需要處理各種各樣的不確定性如環(huán)境的不確定性、決策的不確定性。
人工智能分為弱人工智能和強(qiáng)人工智能，前者讓機(jī)器具備觀察和感知的能力，可以做到一定程度的理解和推理。而強(qiáng)人工智能期待讓機(jī)器獲得自適應(yīng)能力，解決一些之前沒有遇到過的問題。
也有人將人工智能分為弱人工智能、一般人工智能和強(qiáng)人工智能，后超級(jí)人工智能。
人工智能分為弱人工智能和強(qiáng)人工智能，前者讓機(jī)器具備觀察和感知的能力，可以做到一定程度的理解和推理。目前的科研都集中在弱人工智能這部分。而強(qiáng)人工智能期待讓機(jī)器獲得自適應(yīng)能力，解決一些之前沒有遇到過的問題。
2017年發(fā)布的一項(xiàng)針對(duì)AI研究人員的調(diào)查報(bào)告稱，高級(jí)機(jī)器智能（HLMI）實(shí)現(xiàn)的總體平均估計(jì)值是到2061年。
目前人工智能應(yīng)用最廣泛的領(lǐng)域主要有四個(gè)，分別是語音識(shí)別和自然語言處理、圖像識(shí)別與處理、推薦系統(tǒng)、機(jī)器學(xué)習(xí)。
語音識(shí)別，如語音的自動(dòng)翻譯、語音轉(zhuǎn)文字等。目前微軟的語音識(shí)別技術(shù)已經(jīng)達(dá)到了人類同等水平，翻譯機(jī)器人已經(jīng)超越專業(yè)翻譯水準(zhǔn)。
圖像識(shí)別，如高速車牌識(shí)別、人臉識(shí)別等，目前已經(jīng)廣泛應(yīng)用在道路監(jiān)控、停車場、門禁、金融系統(tǒng)訪問身份識(shí)別等領(lǐng)域。刷臉解鎖、刷臉支付也已經(jīng)進(jìn)入我們生活的很多領(lǐng)域。
推薦系統(tǒng)，如電商系統(tǒng)根據(jù)用戶的購買習(xí)慣，推薦可能需要購買的產(chǎn)品；今日頭條的內(nèi)容推薦算法等。
02人工智能和機(jī)器學(xué)習(xí)的關(guān)系
機(jī)器學(xué)習(xí)所研究的主要內(nèi)容，是關(guān)于在計(jì)算機(jī)上從數(shù)據(jù)中產(chǎn)生 “模型” 的算法。即學(xué)習(xí)算法，有了學(xué)習(xí)算法，我們把數(shù)據(jù)提供給它，它就能基于這些數(shù)據(jù)產(chǎn)生模型；在面對(duì)新的數(shù)據(jù)時(shí)，模型會(huì)給我們提供相應(yīng)的預(yù)測結(jié)果。
機(jī)器學(xué)習(xí)的按學(xué)習(xí)方式來可以劃分四類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。
監(jiān)督學(xué)習(xí)指的就是我們給學(xué)習(xí)算法一個(gè)數(shù)據(jù)集。這個(gè)數(shù)據(jù)集由 “正確答案” 組成。關(guān)注的是對(duì)事物未知表現(xiàn)的預(yù)測，一般包括分類問題和回歸問題。
無監(jiān)督學(xué)習(xí)，指在數(shù)據(jù)集中沒有 “正確答案”，期望從數(shù)據(jù)本身發(fā)現(xiàn)一些潛在的規(guī)律，無監(jiān)督學(xué)習(xí)傾向于事物本身特性的分析，常用的技術(shù)包括數(shù)據(jù)降維和聚類問題。
半監(jiān)督學(xué)習(xí)，訓(xùn)練數(shù)據(jù)集中有一部分答案，一部分沒答案的稱為半監(jiān)督學(xué)習(xí)。
強(qiáng)化學(xué)習(xí)相對(duì)來說比較復(fù)雜，是指一個(gè)系統(tǒng)和外界環(huán)境不斷地交互，獲得外界反饋，然后決定自身的行為，達(dá)到長期目標(biāo)的最優(yōu)化。也就是從一開始什么都不懂, 通過不斷地嘗試, 從錯(cuò)誤中學(xué)習(xí), 最后找到規(guī)律, 學(xué)會(huì)了達(dá)到目的的方法。比如AlphaGo用的深度強(qiáng)化學(xué)習(xí)。
機(jī)器學(xué)習(xí)三要素包括數(shù)據(jù)、模型、算法。簡單來說，這三要素之間的關(guān)系，可以用下面這幅圖來表示
總結(jié)成一句話：算法通過在數(shù)據(jù)上進(jìn)行運(yùn)算產(chǎn)生模型。
如圖中不同的動(dòng)物，給它們分別打上正確的標(biāo)記。通過算法訓(xùn)練后，達(dá)到正確分類的目的。要進(jìn)行機(jī)器學(xué)習(xí)，首先要有數(shù)據(jù)。有了數(shù)據(jù)之后，再對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，利用人工標(biāo)注的數(shù)據(jù)給到機(jī)器進(jìn)行學(xué)習(xí)，使機(jī)器智能化。
那實(shí)際項(xiàng)目中是怎么給數(shù)據(jù)打標(biāo)注，為什么要給數(shù)據(jù)標(biāo)注？帶著這兩個(gè)問題我們來看個(gè)視頻(https://www.thepaper.cn/newsDetail_forward_2052136\)
大家來做下這個(gè)猜數(shù)字游戲，1, 4, 16…（）… 256… 括號(hào)里的是什么。為什么是64，不是其他數(shù)字，又為什么是數(shù)字，不是一個(gè)漢字或者一個(gè)字母。我們找到了數(shù)字之間的規(guī)律，邏輯關(guān)系，并且抽象成了模型，我們才能知道括號(hào)里是什么。
舉個(gè)生活中的例子，小米硬件中手機(jī)外殼，在大批量生產(chǎn)前需要先設(shè)計(jì)手機(jī)外殼的模具，然后所有同型號(hào)的手機(jī)外殼都按這個(gè)模具樣版生產(chǎn)出來。這個(gè)模具也是個(gè)硬件上的模型。
算法的模型又是什么？模型是從數(shù)據(jù)里抽象出來的，用來描述客觀世界的數(shù)學(xué)模型。通過對(duì)數(shù)據(jù)的分析，找到其中的規(guī)律，找到的規(guī)律就是模型。
機(jī)器學(xué)習(xí)的根本目的，是找一個(gè)模型去描述我們已經(jīng)觀測到的數(shù)據(jù)。
例如，你可能會(huì)在研究論文和教科書中看到用偽代碼或 線性代數(shù) 描述的機(jī)器學(xué)習(xí)算法。你可以看到一個(gè)特定的機(jī)器學(xué)習(xí)算法與另一個(gè)特性算法相比的計(jì)算效率。
學(xué)術(shù)界可以設(shè)計(jì)出很多機(jī)器學(xué)習(xí)算法，而機(jī)器學(xué)習(xí)實(shí)踐者可以在他們的項(xiàng)目中使用標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)算法。這就像計(jì)算機(jī)科學(xué)的其他領(lǐng)域一樣，學(xué)者可以設(shè)計(jì)出全新的排序算法，程序員可以在應(yīng)用程序中使用標(biāo)準(zhǔn)的排序算法。
·線性回歸
·邏輯回歸
·決策樹
·人工神經(jīng)網(wǎng)絡(luò)
·K- 最近鄰
·K- 均值
·
你還可能會(huì)看到多個(gè)機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)，并在一個(gè)具有標(biāo)準(zhǔn)API的庫中提供。一個(gè)流行的例子是scikit-learn庫，它在Python中提供了許多分類、回歸和聚類機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)。
03AI算法模型測試
泛化能力指的是學(xué)習(xí)方法對(duì)未知數(shù)據(jù)的預(yù)測能力。就好比運(yùn)動(dòng)員平時(shí)都是在訓(xùn)練場進(jìn)行訓(xùn)練，而評(píng)估運(yùn)動(dòng)員的真實(shí)實(shí)力要看在大賽中的表現(xiàn)。
我們實(shí)際希望的，是在新樣本上能表現(xiàn)得很好的學(xué)習(xí)器，為了達(dá)到這個(gè)目的，應(yīng)該從訓(xùn)練樣本中盡可能推演出適用于所有潛在樣本的 “普通規(guī)律”，這樣才能在遇到新樣本時(shí)做出正確的預(yù)測，泛化能力比較好。
當(dāng)學(xué)習(xí)器把訓(xùn)練樣本學(xué)得 “太好” 了的時(shí)候，很可能已經(jīng)把訓(xùn)練樣本自身的一些特點(diǎn)當(dāng)作了所有潛在樣本都會(huì)具有的一般性質(zhì)，這樣就會(huì)導(dǎo)致泛化性能下降。這種現(xiàn)象在機(jī)器學(xué)習(xí)中稱為 “過擬合 “，與之相對(duì)是 “欠擬合” 指的是對(duì)訓(xùn)練樣本的一般性質(zhì)尚未學(xué)習(xí)。
有多種因素可能導(dǎo)致過擬合，其中最常見的情況是由于學(xué)習(xí)能力過于強(qiáng)大，以至于把訓(xùn)練樣本所包含的不太一般的特性都學(xué)到了，而欠擬合則通常是由于學(xué)習(xí)能力低下而造成的。
首先有關(guān)TP、TN、FP、FN的概念。大體來看，TP與TN都是分對(duì)了情況，TP是正類，TN是負(fù)類。則推斷出，F(xiàn)P是把錯(cuò)的分成了對(duì)的，而FN則是把對(duì)的分成了錯(cuò)的。
【舉例】一個(gè)班里有男女生，我們來進(jìn)行分類，把女生看成正類，男生看成是負(fù)類。我們可以用混淆矩陣來描述TP、TN、FP、FN。
混淆矩陣
準(zhǔn)確率、召回率、F1
人工智能領(lǐng)域兩個(gè)最基本指標(biāo)是召回率 (Recall Rate) 和準(zhǔn)確率 (Precision Rate)，召回率也叫查全率，準(zhǔn)確率也叫查準(zhǔn)率，概念公式:
?召回率 (Recall) = 系統(tǒng)檢索到的相關(guān)文件 / 系統(tǒng)所有相關(guān)的文件總數(shù)
?準(zhǔn)確率 (Precision) = 系統(tǒng)檢索到的相關(guān)文件 / 系統(tǒng)所有檢索到的文件總數(shù)
準(zhǔn)確率和召回率是互相影響的，理想情況下肯定是做到兩者都高，但是一般情況下準(zhǔn)確率高、召回率就低，召回率低、準(zhǔn)確率高，當(dāng)然如果兩者都低，那是什么地方出問題了。一般來說，精確度和召回率之間是矛盾的，這里引入F1-Score作為綜合指標(biāo)，就是為了平衡準(zhǔn)確率和召回率的影響，較為全面地評(píng)價(jià)一個(gè)分類器。F1是精確率和召回率的調(diào)和平均。F1-score越大說明模型質(zhì)量更高。一般情況，用不同的閥值，統(tǒng)計(jì)出一組不同閥值下的精確率和召回率，如下圖：
評(píng)價(jià)指標(biāo)跑出來看又怎么評(píng)判呢？我們來看下 2016 年的新聞
百度自動(dòng)駕駛負(fù)責(zé)人王勁：去年的這個(gè)時(shí)候，我們的圖像識(shí)別，識(shí)別汽車這一項(xiàng)，剛好也是89%。我們認(rèn)為這個(gè)89%，要達(dá)到97%的準(zhǔn)確率，需要花的時(shí)間，會(huì)遠(yuǎn)遠(yuǎn)超過5年。而人類要實(shí)現(xiàn)無人駕駛，主要靠攝像頭來實(shí)現(xiàn)安全的保障的話，我們認(rèn)為要多少呢？我們認(rèn)為起碼這個(gè)安全性的保障，要達(dá)到99.9999%，所以這個(gè)是一個(gè)非常非常遠(yuǎn)的一條路。我們認(rèn)為不是5年，10年能夠達(dá)得到的。一般的人工智能系統(tǒng)，如搜索、翻譯等可允許犯錯(cuò)，而無人駕駛系統(tǒng)與生命相關(guān)，模型性能要求很高。
在不同的領(lǐng)域，對(duì)召回率和準(zhǔn)確率的要求不一樣。如果是做搜索，那就是保證召回的情況下提升準(zhǔn)確率；如果做疾病監(jiān)測、反垃圾，則是保準(zhǔn)確率的條件下，提升召回。所以，在兩者都要求高的情況下，可以用F1來衡量。
魯棒性 (robustness)，也就是所說健壯性，簡單來說就是在模型在一些異常數(shù)據(jù)情況下是否也可以比較好的效果。也就是我們?cè)谧铋_始講人工智能三個(gè)特征中的處理不確定性的能力。
比如人臉識(shí)別，對(duì)于模糊的圖片，人戴眼鏡，頭發(fā)遮擋，光照不足等情況下的模型表現(xiàn)情況。算法魯棒性的要求簡單來說就是 “好的時(shí)候” 要好，“壞的時(shí)候” 不能太壞。在AlphaGo和李世石對(duì)決中，李世石是贏了一盤的。李世石九段下出了 “神之一手” Deepmind團(tuán)隊(duì)透露：錯(cuò)誤發(fā)生在第79手，但AlphaGo直到第87手才發(fā)覺，這期間它始終認(rèn)為自己仍然領(lǐng)先。這里點(diǎn)出了一個(gè)關(guān)鍵問題：魯棒性。人類犯錯(cuò)：水平從九段降到八段。機(jī)器犯錯(cuò)：水平從九段降到業(yè)余。
測試方法就是用盡可能多的異常數(shù)據(jù)來覆蓋進(jìn)行測試。
模型安全，攻擊方法有：試探性攻擊、對(duì)抗性攻擊兩種
在試探性攻擊中，攻擊者的目的通常是通過一定的方法竊取模型，或是通過某種手段恢復(fù)一部分訓(xùn)練機(jī)器學(xué)習(xí)模型所用的數(shù)據(jù)來推斷用戶的某些敏感信息。主要分為模型竊取和訓(xùn)練數(shù)據(jù)竊取
對(duì)抗性攻擊對(duì)數(shù)據(jù)源進(jìn)行細(xì)微修改，讓人感知不到，但機(jī)器學(xué)習(xí)模型接受該數(shù)據(jù)后做出錯(cuò)誤的判斷。比如圖中的雪山，原本的預(yù)測準(zhǔn)確率為94%，加上噪聲圖片后，就有99.99%的概率識(shí)別為了狗。
響應(yīng)速度是指從數(shù)據(jù)輸入到模型預(yù)測輸出結(jié)果的所需的時(shí)間。對(duì)算法運(yùn)行時(shí)間的評(píng)價(jià)。
業(yè)務(wù)測試，包括業(yè)務(wù)邏輯測試，業(yè)務(wù)&數(shù)據(jù)正確性測試。主要關(guān)注業(yè)務(wù)代碼是否符合需求，邏輯是否正確，業(yè)務(wù)異常處理等情況。可以讓產(chǎn)品經(jīng)理提供業(yè)務(wù)的流程圖，對(duì)整體業(yè)務(wù)流程有清晰的了解。
白盒測試，先讓算法工程師將代碼的邏輯給測試人員講解，通過講解理清思路。然后測試做代碼靜態(tài)檢查，看是否會(huì)有基本的bug?？梢允褂胮ylint工具來做代碼分析。
模型監(jiān)控，項(xiàng)目發(fā)布到線上后，模型在線上持續(xù)運(yùn)行，需要以固定間隔檢測項(xiàng)目模型的實(shí)時(shí)表現(xiàn)，可以是每隔半個(gè)月或者一個(gè)月，通過性能指標(biāo)對(duì)模型進(jìn)行評(píng)估。對(duì)各指標(biāo)設(shè)置對(duì)應(yīng)閥值，當(dāng)?shù)陀陂y值觸發(fā)報(bào)警。如果模型隨著數(shù)據(jù)的演化而性能下降，說明模型已經(jīng)無法擬合當(dāng)前的數(shù)據(jù)了，就需要用新數(shù)據(jù)訓(xùn)練得到新的模型。
大數(shù)據(jù)輔助，機(jī)器學(xué)習(xí)算法訓(xùn)練和驗(yàn)證是一個(gè)持續(xù)改進(jìn)的過程。當(dāng)數(shù)據(jù)量逐步放大時(shí)候，如何統(tǒng)計(jì)算法的準(zhǔn)確率呢？這個(gè)時(shí)候需要引入大數(shù)據(jù)技術(shù)針對(duì)數(shù)據(jù)結(jié)果進(jìn)行統(tǒng)計(jì)，根據(jù)周期性統(tǒng)計(jì)的準(zhǔn)確率結(jié)果生成線性報(bào)表來反饋算法質(zhì)量的變化。
04常見的機(jī)器學(xué)習(xí)平臺(tái)或者工具
已經(jīng)躍居第一位，貢獻(xiàn)者增長了三位數(shù)。Scikit-learn排名第二，但仍然有很大的貢獻(xiàn)者基礎(chǔ)。
TensorFlow 最初是由研究人員和工程師在Google機(jī)器智能研究組織的 Google Brain 團(tuán)隊(duì)中開發(fā)的。該系統(tǒng)旨在促進(jìn)機(jī)器學(xué)習(xí)的研究，并使其從研究原型到生產(chǎn)系統(tǒng)的快速和輕松過渡。
是用于數(shù)據(jù)挖掘和數(shù)據(jù)分析的簡單而有效的工具，可供所有人訪問，并可在各種環(huán)境中重用，基于NumPy，SciPy和matplotlib，開源，商業(yè)可用 - BSD 許可證。
一種高級(jí)神經(jīng)網(wǎng)絡(luò)API，用Python編寫，能夠在TensorFlow，CNTK或Theano 之上運(yùn)行。
Tensors和Python中的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，具有強(qiáng)大的GPU加速功能。
允許您有效地定義，優(yōu)化和評(píng)估涉及多維陣列的數(shù)學(xué)表達(dá)式。
是一個(gè)免費(fèi)的Python庫，具有可擴(kuò)展的統(tǒng)計(jì)語義，分析語義結(jié)構(gòu)的純文本文檔，檢索語義相似的文檔等功能。
是一個(gè)深刻的學(xué)習(xí)框架，以表達(dá)，速度和模塊化為基礎(chǔ)。它由伯克利視覺和學(xué)習(xí)中心（BVLC）和社區(qū)貢獻(xiàn)者開發(fā)。
是一個(gè)基于Python的獨(dú)立開源框架，適用于深度學(xué)習(xí)模型。Chainer 提供靈活，直觀和高性能的方法來實(shí)現(xiàn)全方位的深度學(xué)習(xí)模型，包括最新的模型，如遞歸神經(jīng)網(wǎng)絡(luò)和變分自動(dòng)編碼器。
是一個(gè)Python模塊，允許用戶瀏覽數(shù)據(jù)，估計(jì)統(tǒng)計(jì)模型和執(zhí)行統(tǒng)計(jì)測試。描述性統(tǒng)計(jì)，統(tǒng)計(jì)測試，繪圖函數(shù)和結(jié)果統(tǒng)計(jì)的廣泛列表可用于不同類型的數(shù)據(jù)和每個(gè)估算器。
是機(jī)器學(xué)習(xí)工具箱，提供各種統(tǒng)一和高效的機(jī)器學(xué)習(xí)（ML）方法。工具箱無縫地允許輕松組合多個(gè)數(shù)據(jù)表示，算法類和通用工具。
是一個(gè)機(jī)器學(xué)習(xí)庫。它的大部分功能都建立在Theano之上。這意味著您可以使用數(shù)學(xué)表達(dá)式編寫Pylearn2 插件（新模型，算法等），Theano 將為您優(yōu)化和穩(wěn)定這些表達(dá)式，并將它們編譯為您選擇的后端（CPU或GPU）。
是一個(gè)基于新皮層理論的開源項(xiàng)目，稱為分層時(shí)間記憶（HTM）。HTM 理論的一部分已經(jīng)在應(yīng)用中得到實(shí)施，測試和使用，HTM理論的其他部分仍在開發(fā)中。
是Nervana基于Python的深度學(xué)習(xí)庫。它提供易用性，同時(shí)提供最高性能。
是一個(gè)Python模塊，用于快速簡便地統(tǒng)計(jì)NeuroImaging數(shù)據(jù)。它利用 scikit-learn Python工具箱進(jìn)行多變量統(tǒng)計(jì)，并使用預(yù)測建模，分類，解碼或連接分析等應(yīng)用程序。
是新手和專家的開源機(jī)器學(xué)習(xí)和數(shù)據(jù)可視化。具有大型工具箱的交互式數(shù)據(jù)分析工作流程。
是一個(gè)python模塊，它實(shí)現(xiàn)貝葉斯統(tǒng)計(jì)模型和擬合算法，包括馬爾可夫鏈蒙特卡羅。其靈活性和可擴(kuò)展性使其適用于大量問題。
是一種新穎的進(jìn)化計(jì)算框架，用于快速原型設(shè)計(jì)和思想測試。它旨在使算法明確，數(shù)據(jù)結(jié)構(gòu)透明。它與多處理和SCOOP等并行機(jī)制完美協(xié)調(diào)。
是一個(gè)帶有 Python 綁定的C ++ 庫，用于搜索空間中接近給定查詢點(diǎn)的點(diǎn)。它還創(chuàng)建了大型只讀基于文件的數(shù)據(jù)結(jié)構(gòu)，這些數(shù)據(jù)結(jié)構(gòu)映射到內(nèi)存中，以便許多進(jìn)程可以共享相同的數(shù)據(jù)。
是一個(gè)用于Python的模塊化機(jī)器學(xué)習(xí)庫。其目標(biāo)是為機(jī)器學(xué)習(xí)任務(wù)和各種預(yù)定義環(huán)境提供靈活，易用且功能強(qiáng)大的算法，以測試和比較您的算法。
是一個(gè)數(shù)據(jù)管道框架，為您的機(jī)器學(xué)習(xí)模型提供所需的數(shù)據(jù)。計(jì)劃由Blocks和 Pylearn2神經(jīng)網(wǎng)絡(luò)庫使用。
通過上述列出的一堆工具發(fā)現(xiàn)，基本上都支持python，python提供了大量的人工智能機(jī)器學(xué)習(xí)相關(guān)的API，是首選語言。
1. 微軟的機(jī)器學(xué)習(xí)平臺(tái)
https://studio.azureml.net/
2. Facebook 的應(yīng)用機(jī)器學(xué)習(xí)平臺(tái)
https://research.fb.com/publications/applied-machine-learning-at-facebook-a-datacenter-infrastructure-perspective/
3. Uber 的機(jī)器學(xué)習(xí)平臺(tái)
https://eng.uber.com/scaling-michelangelo/
4. Twitter 的機(jī)器學(xué)習(xí)平臺(tái)
5.Databricks 開源機(jī)器學(xué)習(xí)平臺(tái) MLflow
https://mlflow.org/docs/latest/concepts.html
6.百度機(jī)器學(xué)習(xí) BML
https://cloud.baidu.com/doc/BML/s/Wjxbindt7
7. 阿里 PAI
https://help.aliyun.com/document_detail/72285.html?spm=a2c4g.11174359.6.544.4da35d87h2vsGy
8. 騰訊機(jī)器學(xué)習(xí)平臺(tái)
https://cloud.tencent.com/document/product/851
9.京東 JD neuCube
https://neuhub.jd.com/neuCube
10.美團(tuán)點(diǎn)評(píng) MLX 平臺(tái)
https://www.infoq.cn/article/spark-flink-carbondata-best-practice
11. 滴滴機(jī)器學(xué)習(xí)平臺(tái)
https://www.infoq.cn/article/jJ4pjkf8Huf-WVlE7Xw7
12. 華為 MLS
https://support.huaweicloud.com/productdesc-mls/zh-cn_topic_0122559740.html\
13.金山云智機(jī)器學(xué)習(xí)平臺(tái) (KML)
https://www.ksyun.com/post/product/KML
14.第四范式
https://blog.csdn.net/RA681t58CJxsgCkJ31/article/details/79492729
1.人工智能中 RPA、NLP、OCR 介紹：
https://blog.csdn.net/sdhgfhdshjd/article/details/115342671
2.機(jī)器學(xué)習(xí)入門（一）：機(jī)器學(xué)習(xí)三要素之?dāng)?shù)據(jù)、模型、算法：
https://blog.csdn.net/liujian197905187511/article/details/104815578?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_title~default-0.essearch_pc_relevant&spm=1001.2101.3001.4242\
3.AI 算法實(shí)現(xiàn)：
https://blog.csdn.net/RA681t58CJxsgCkJ31/article/details/79492729
聯(lián)系客服
