人人AI

第一章：解密人工智能
- 1.1 第一章简介
- 1.2 什么是机器学习
- 1.3什么是数据
- - 1.3.1 获取数据
  - 1.3.2 使用和误用的数据
- 1.4 人工智能术语
- 1.5 什么是人工智能公司
- 1.6 机器学习的可行性
- 1.7 机器学习的可行性事例
- 1.8 深度学习的直观解释
- 1.9 测试
第二章：建立AI项目
- 2.1 第二章简介
- 2.2 机器学习项目的工作流程
- 2.3 数据科学的工作流程
- 2.4 每个工作职能都需要学会使用数据
- 2.5 如何选择一个人工智能项目
- 2.6 如何与AI团队合作
- 2.7 AI 团队的技术改进
- 2.8 测试
第三章：在公司里运用AI
- 3.1 简介
- 3.1 智能音箱案例研究
- 3.2 自动驾驶汽车案例研究
- 3.3AI团队的角色示例
- 3.4 人工智能转型白皮书
- 3.5 需要避免的AI陷阱
- 3.6 迈出AI人工智能的第一步
- 3.7 主要人工智能应用概览
- 3.8 测试
第四章：AI与社会
- 4.1 简介
- 4.2 针对人工智能的现实看法
- 4.3 歧视和偏见
- 4.4 AI的对抗攻击
- 4.5 AI的不良使用
- 4.6 人工智能与发展中国家
- 4.7 AI和工作
- 4.8 结论
- 4.8 测试

第一章：解密人工智能

1.1 第一章简介

AI是两个独立的ideas：弱人工智能（智能音箱、自动驾驶、网络搜索）&强人工智能（帮你做任何事）

ANI进步很快，AGI进步的缓慢。
ANI（单一的人工智能）
下面的课程安排：

1.2 什么是机器学习

监督学习：从输入到输出的映射（从A到B）

例子：

要想得到良好的效果，需要什么：
1.大量的数据
2.训练一个非常大的神经网络

1.3什么是数据

A、B一般是自己决定的，从哪到哪

1.3.1 获取数据

手动标记
观察用户行为或其他类型的行为
从网站下载或从合作伙伴那里下载

1.3.2 使用和误用的数据

通常数据多比数据少要好，但也不全是这样

不要认为只要扔数据给AI团队，就觉得它们会创造价值
不要为数据而过度投资，有时候不知道这些数据如何创造价值，除非有一个AI团队来研究这些数据

有时候数据很差，有问题

1.4 人工智能术语

机器学习：A->B（通常有通过一个软件，从输入到输入）
DS:一些帮助你做商业决定的见解，比如是否需要投资来翻新房子，通常做一些决策
深度学习/神经网络

1.5 什么是人工智能公司

1.6 机器学习的可行性

AI可以做什么，不可以做什么
判断监督学习（A->B）能做什么不能做什么？

几乎所有一瞬间你可以完成的事，都可以用监督学习来完成

左边的容易做,A->B.
右边的不好做，Ai不容易写出这样一段话（感同身受）

AI很难写出感同身受的东西

两个经验法则判断机器学习是否可行的？？通过直觉判断形目是否可行

解释：

学习一个简单的概念是可行的，1s或几秒就可以得出一个结论，比如观察窗外汽车的位置
大量可用的数据，A->B，客户发来的邮件->邮件类型（退款，发货）

1.7 机器学习的可行性事例

雷达-》车的位置
伸手-》无法确定意图

1.8 深度学习的直观解释

乐高积木一样堆叠神经元

1.9 测试

如今使用的垃圾邮件过滤器、语音识别和其它应用最符合哪种人工智能类型的定义？专用人工智能（ANI）
最常用的学习输入（A）到输出（B）映射的 AI 技术叫作什么？监督学习
使用监督学习构建语音识别系统，为了让神经网络（深度学习）达到最佳性能，理想的选择是？（多选）

一个大型数据集（由音频文件和对应的文本转录构成）、一个大型神经网络
人工标注是为监督学习算法获取数据的唯一途径？例如给定输入A，人工提供B。×
一些类型的数据相较于其它数据更有价值，人工智能团队能够帮助您搞清楚什么样的数据是值得获取的
您运营着一家摩托车生产公司，下列哪些是非结构化数据？（多选）
假设您运营着一家卖猫粮的网站，下列哪些是数据科学项目成果？（多选）
根据视频3中对人工智能属于的定义，下列哪些陈述是正确的？（多选）
人工智能公司应当在哪些方面做得很好？
假设您想输入一张人脸面部图片（A），输出他们是否在微笑（B），因为这是一项大多数人都能在一秒内完成的任务，所以监督学习可以学习这种 A 到 B 的映射。对吗 √

第二章：建立AI项目

2.1 第二章简介

2.2 机器学习项目的工作流程

收集数据
训练模型A-》B
部署模型

2.3 数据科学的工作流程

策略调整，优化生产

2.4 每个工作职能都需要学会使用数据

销售

工厂线

招聘

农业

市场营销

2.5 如何选择一个人工智能项目

AI知识和专业知识相结合

头脑风暴框架：
考虑优化某一种任务，而不是取代某一个工作
能不能给送死带来效益
能不能解决公司痛点

即使没有很多数据也能取得进步

下部分：

除了技术和业务考察外，还有道德考察

2.6 如何与AI团队合作

2.7 AI 团队的技术改进

2.8 测试

第三章：在公司里运用AI

3.1 简介

3.1 智能音箱案例研究

3.2 自动驾驶汽车案例研究

3.3AI团队的角色示例

3.4 人工智能转型白皮书

统一管理AI人才、建设管理统一数据软件平台、给足够资金

白皮书地址： link

3.5 需要避免的AI陷阱

3.6 迈出AI人工智能的第一步

3.7 主要人工智能应用概览

非监督学习

迁移学习
强化学习
强化学习需要大量数据
生成对抗神经网络
生成对抗网络：无中生有，创造新内容
知识图谱

3.8 测试

第四章：AI与社会

4.1 简介

4.2 针对人工智能的现实看法

4.3 歧视和偏见

4.4 AI的对抗攻击

4.5 AI的不良使用

4.6 人工智能与发展中国家

4.7 AI和工作

4.8 结论

4.8 测试

人人AI（吴恩达系列）相关推荐

【机器学习基础】重磅发布！吴恩达 AI 完整课程资源超级大汇总！
编辑 | Will 出品 | 字节AI 吴恩达(Andrew Ng),毫无疑问,是全球人工智能(AI)领域的大 IP!随着近些年来 AI 越来越火的大趋势下,吴恩达一直致力于普及.宣传.推广 AI 教 ...
重磅发布！吴恩达 AI 完整课程资源超级大汇总！
编辑 | Will 出品 | 字节AI 吴恩达(Andrew Ng),毫无疑问,是全球人工智能(AI)领域的大 IP!随着近些年来 AI 越来越火的大趋势下,吴恩达一直致力于普及.宣传.推广 AI 教 ...
吴恩达新公司曝光：签下富士康，要用AI变革制造业
夏乙发自凹非寺量子位出品 | 公众号 QbitAI 一切都在吴恩达的计划之中. 这个月初,吴恩达现身乌镇世界互联网大会,同时透露了一个重要进展:几周后,他的新公司将有重要消息发布.(据网易科技 ...
吴恩达deeplearning.ai系列课程笔记+编程作业(11)第四课卷积神经网络-第二周深度卷积网络：实例探究（Deep convolutional models: case studies）
第四门课卷积神经网络(Convolutional Neural Networks) 第二周深度卷积网络:实例探究(Deep convolutional models: case studies) ...
吴恩达deeplearning.ai系列课程笔记+编程作业(15)序列模型(Sequence Models)-第三周序列模型和注意力机制
第五门课序列模型(Sequence Models) 第三周序列模型和注意力机制(Sequence models & Attention mechanism) 文章目录第五门课序列模型( ...
吴恩达deeplearning.ai系列课程笔记+编程作业(14)序列模型(Sequence Models)-第二周自然语言处理与词嵌入
第五门课序列模型(Sequence Models) 第二周自然语言处理与词嵌入(Natural Language Processing and Word Embeddings) 文章目录第五门课 ...
吴恩达deeplearning.ai系列课程笔记+编程作业(13)序列模型(Sequence Models)-第一周循环序列模型（Recurrent Neural Networks）
第五门课序列模型(Sequence Models) 第一周循环序列模型(Recurrent Neural Networks) 文章目录第五门课序列模型(Sequence Models) 第一周 ...
吴恩达deeplearning.ai系列课程笔记+编程作业(6)第二课改善深层神经网络-第二周：优化算法 (Optimization algorithms)
第二门课改善深层神经网络:超参数调试.正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and ...
吴恩达deeplearning.ai最后一课上线，下一次得等多少年？
喜大普奔!今天,吴恩达的深度学习系列课程最后一课上线了! 去年6月,吴恩达宣布deeplearning.ai创业项目,8月,该项目揭晓:一套由5门课组成的深度学习系列课程--Deep Learning ...

人人AI（吴恩达系列）