本帖最后由 人工智能 于 2018-8-16 15:50 编辑
为了Python的自学党们，黑马真的是拼了 ！我们不仅有“人工智能+Python学习路线图”，还根据以往的经验，总结出学习Python之前的各种问题，想详细了解，从此贴开始吧！！！
人工智能课程主要有三个分支：
1) 认知AI （cognitive AI） 认知计算是最受欢迎的一个人工智能分支，负责所有感觉“像人一样”的交互。认知AI必须能够轻松处理复杂性和二义性，同时还持续不断地在数据挖掘、NLP（自然语言处理）和智能自动化的经验中学习。 现在人们越来越倾向于认为认知AI混合了人工智能做出的最好决策和人类工作者们的决定，用以监督更棘手或不确定的事件。这可以帮助扩大人工智能的适用性，并生成更快、更可靠的答案。
2) 机器学习AI （Machine Learning AI） 机器学习（ML）AI是能在高速公路上自动驾驶你的特斯拉的那种人工智能。它还处于计算机科学的前沿，但将来有望对日常工作场所产生极大的影响。机器学习是要在大数据中寻找一些“模式”，然后在没有过多的人为解释的情况下，用这些模式来预测结果，而这些模式在普通的统计分析中是看不到的。 然而机器学习需要三个关键因素才能有效： a) 数据，大量的数据 为了教给人工智能新的技巧，需要将大量的数据输入给模型，用以实现可靠的输出评分。例如特斯拉已经向其汽车部署了自动转向特征，同时发送它所收集的所有数据、驾驶员的干预措施、成功逃避、错误警报等到总部，从而在错误中学习并逐步锐化感官。 一个产生大量输入的好方法是通过传感器：无论你的硬件是内置的，如雷达，相机，方向盘等（如果它是一辆汽车的话），还是你倾向于物联网(Internet of Things)。蓝牙信标、健康跟踪器、智能家居传感器、公共数据库等只是越来越多的通过互联网连接的传感器中的一小部分，这些传感器可以生成大量数据（多到让任何正常的人来处理都太多）。 b) 发现 为了理解数据和克服噪声，机器学习使用的算法可以对混乱的数据进行排序、切片并转换成可理解的见解。（如果你想吓跑你的同事，请先听听常用的不同排序算法） 从数据中学习的算法有两种，无监督算法和有监督算法。 无监督算法只处理数字和原始数据，因此没有建立起可描述性标签和因变量。该算法的目的是找到一个人们没想到会有的内在结构。这对于深入了解市场细分，相关性，离群值等非常有用。 另一方面，有监督算法通过标签和变量知道不同数据集之间的关系，使用这些关系来预测未来的数据。这可能在气候变化模型、预测分析、内容推荐等方面都能派上用场。 c) 部署 机器学习需要从计算机科学实验室进入到软件当中。越来越多像CRM、Marketing、ERP等的供应商，正在提高嵌入式机器学习或与提供它的服务紧密结合的能力。
3) 深度学习(Deep Learning) 如果机器学习是前沿的，那么深度学习则是尖端的。这是一种你会把它送去参加智力问答的AI。它将大数据和无监督算法的分析相结合。它的应用通常围绕着庞大的未标记数据集，这些数据集需要结构化成互联的群集。深度学习的这种灵感完全来自于我们大脑中的神经网络，因此可恰当地称其为人工神经网络。 深度学习是许多现代语音和图像识别方法的基础，并且与以往提供的非学习方法相比，随着时间的推移具有更高的准确度。 希望在未来，深度学习AI可以自主回答客户的咨询，并通过聊天或电子邮件完成订单。 或者它们可以基于其巨大的数据池在建议新产品和规格上帮助营销。或者也许有一天他们可以成为工作场所里的全方位助理，完全模糊机器人和人类之间的界限。 人工智能通过在其上使用的数据规模来生存和改进，这意味着不但我们能够随着时间的推移看到更好的人工智能，而且它们的发展将会围绕着那些可以挖掘最大数据集的组织。
Python还拥有世界规模最大的支持团队，Google, Yahoo!, IBM等等都在使用Python，而Dropbox, Pintrest, Mozilla,豆瓣，知乎这些我们熟知的产品也都是Python编写的。除了知名公司，Python还拥有数以千计的个人开发者。
虽然Python在国内还不能替代Java，但是它已经跻身编程语言的前五位，其受欢迎的程度绝不亚于Java。而正是基于这些优势，Python在未来的发展中可能会占据编程语言的首位，而人工智能也将优先选择Python作为开发语言。
学习后可以从事人工智能相关工作，不过人工智能课程比较深奥，以往的学生只有少部分从事相关的工作。
你想要的传送门：
![]()
| 
收藏
淘帖
踩
