说起吴恩达「Andrew Ng」，相信大家都非常熟悉了。作为人工智能的大 IP，吴恩达一直致力于人工智能的推广和普及，争取让每个人都能感受人工智能的魅力。自去年8月开始，吴恩达在 Coursera 上开设了由 5 门课组成的深度学习专项课程，掀起了一股人工智能深度学习热潮。吴恩达在 Coursera 上已经开设了一门新的课程：AI For Everyone。本篇是课程第一周的第二课——机器学习。
人工智能的兴起主要是由人工智能中的一种称为机器学习的工具驱动的。在本视频中，您将了解什么是机器学习，因此最终，您希望我们将开始考虑如何将机器学习应用于您的公司或您的行业。最常用的机器学习类型是一种学习A到B或输入到输出映射的AI。这称为监督学习。我们来看一些例子。
如果输入A是电子邮件而输出B是电子邮件垃圾邮件，则为零。然后，这是用于构建垃圾邮件过滤器的核心AI。或者，如果输入是音频剪辑，并且AI的工作是输出文本记录，则这是语音识别。更多的例子，如果你想输入英语并输出不同的语言，中文，西班牙语等等，那么这就是机器翻译。或者最有利可图的监督学习形式，这种类型的机器学习可能是在线广告，其中所有大型在线广告平台都有一块人工智能输入一些广告信息，以及一些关于你的信息，并试图想象你会点击这个广告吗？通过向您展示您最有可能点击的广告，结果证明这是非常有利可图的。也许不是最鼓舞人心的应用程序，但今天肯定会产生巨大的经济影响。或者，如果你想要制造一辆自动驾驶汽车，人工智能的一个关键部分就是在人工智能中输入图像，从雷达或其他传感器获取一些信息，并输出其他车辆的位置，所以你的自动驾驶汽车可以避开其他车。或者在制造业。我实际上已经在制造方面做了很多工作，你可以把你刚刚制造的东西的图片作为输入，例如手机下线的照片。这是一张手机的照片，而不是手机拍的照片，你想要输出，是否有划痕，或者是否有凹痕，或者你刚制造的这个东西还有其它缺陷？这是视觉检查，帮助制造商减少或防止他们正在制造的东西的缺陷。这组AI称为监督学习，只是学习输出到输出，或A到B映射。一方面，输入到输出，A到B似乎非常有限。但是当您找到合适的应用场景时，这可能非常有价值。
现在，监督学习的想法已经存在了几十年。但它在过去几年里真的起飞了。为什么是这样？好吧，我的朋友问我，“嘿安德鲁，为什么现在有人监督学习起飞？”有一张我为他们画的照片。我现在想给你看这张照片，你也可以把这张照片画给那些问你同样问题的人。假设您在水平轴上绘制了任务的数据量。因此，对于语音识别，这可能是您拥有的音频数据和成绩单的数量。在许多行业中，您可以访问的数据量在过去几十年中确实增长了。由于互联网的兴起，计算机的兴起。过去常被说成纸的很多东西现在被记录在数字计算机上。所以，我们刚刚获得越来越多的数据。现在，让我们说在纵轴上绘制AI系统的性能。事实证明，如果你使用传统的AI系统，那么性能会像这样增长，因为当你输入更多数据时，性能会变得更好。但是超过某一点它没有那么好。因此，就好像您的语音识别系统没有那么准确，或者您的在线广告系统没有那么准确，显示最相关的广告，即使您显示的数据更多。由于神经网络和深度学习的兴起，人工智能最近真正起飞。我将在以后的视频中更准确地定义这些术语，所以不要过于担心它现在意味着什么。但是对于现代AI，神经网络和深度学习，我们看到的是，如果你训练一个小型神经网络，那么性能就像这样，在你为它们提供更多数据时，性能会持续变得更好。如果你训练一个更大的神经网络，比如说中型神经网络，那么性能可能就像那样。如果你训练一个非常大的神经网络，那么性能就会越来越好。对于语音识别，在线广告，构建自动驾驶汽车等应用，具有高性能，高精度的语音识别系统非常重要，使这些AI系统变得更好，并使语音识别产品更易被用户接受，对公司和用户更有价值。现在，这个数字有几个含义。如果你想要最好的性能水平，你的性能在这里，达到这个性能水平，那么你需要两件事：一个是，它确实有助于拥有大量的数据。这就是为什么有时你会听到大数据的原因。 拥有更多数据几乎总是有帮助。 第二件事是，你希望能够训练一个非常大的神经网络。 因此，包括摩尔定律在内的快速计算机的兴起，以及图形处理单元或GPU等专用处理器的兴起，在后来的视频中你会听到更多，这使得许多公司，而不仅仅是一家大型科技公司 但是，许多其他公司能够在足够大量的数据上训练大型神经网络，以获得非常好的性能并提高业务价值。 AI中最重要的想法是机器学习，基本上是监督学习，即A到B，或输入到输出映射。 使它能够很好地工作的是数据。 在下一个视频中，让我们看一下数据是什么以及您可能拥有哪些数据？ 以及如何考虑将其投入AI系统。 让我们继续下一个视频。
关注我的CSDN博客：港版国产机 ：https://me.csdn.net/u012897401
