AI_神经网络监督学习
神经网络的神奇之处在哪?
所有神经网络创造出来的价值,都是由一种机器学习,称之为监督学习,
下面这些例子神经网络效果拔群,通过深度学习获利最多的是在线广告
技术的进步来源于计算机视觉和深度学习
例如:
- 预测房价:输入房子的一些特性x,就能输出或者预测价格y
- 在线广告: 给网站输入广告信息,网站会考虑是否给你看这个广告,向用户展现,最有可能用户会点开的广告,这说明了什么?有了一种能力,向用户展现广告用户最有可能点开的能力,钱也随之而来
- 计算机视觉:通过深度学习,你输入一个图形,然后向输出一个指数,可以是1到1000来表明这张图片,是1000个不同的图像中的某一个,可以用来给照片打标签
- 语音识别:音频片段输入神经网络,它可以输出文本
- 机器翻译: 一个神经网络可以实现,输入英文句子,它直接输出一个中文句子
- 无人驾驶: 输入一副图像,汽车前放的一个快照,还有一些雷达信息,基于这些数据训练神经网络,能告诉你其他汽车的位置,这个才是无人驾驶的核心部件
这些例子中,需要机智的选择x y 数据样本,才能解决特定的问题,然后把这个监督学习组件,嵌入到更大型的系统中,比如无人驾驶
不同的神经网络,应用到不同的地方,都是有效的
有哪些神经网络?
1. 广告推荐和房价预测,相对标准神经网络架构 SNN
2. 图像领域,卷积神经网络 CNN
3. 音频,含有时间成分,音频随着时间播放的,被称为一维时间序列数据,对于序列数据,常用RNN(循环神经网络)
4. 语言 英语 和 汉语 字母或单词, 都是逐个出现,所以,语言最自然的表现方式也是序列数据
5. 无人驾驶,需要更复杂的 RNNS
机器学习,应用于结构化数据和非结构化数据,那他们有什么区别?
结构化数据: 传统数据库和nosql数据库中数据
非结构化数据: 音频、原始音频、图像,想要识别图形中文本内容,通过一些特征,可能是图像中的像素值,或者文本中的单个单词
从人类历史中来观察,非结构化数据比结构化数据,计算机识别起来更难,人类进化到此,很擅长理解音频信号和图像,文本是一个更近代的发明
通过深度学习,神经网络,计算机也能更好的解释非结构化数据
语音识别、图像识别、自然文字处理,神经网络在非结构化数据上的成功,尤其是媒体,短期收益来源于结构化数据
神经网络改变了深度学习,也在创造着更多的经济价值