AI---人工智能

 

数据+算法+计算资源

产品落地后得到符合业务的数据，利用这些数据进行建模得到模型，进行深度学习的结果再反作用于产品。闭环走很久后产生大量有用数据，就很适合做深度学习的模型，我们用产品+数据+模型，形成一个正反馈的闭环后能够不断的来进行迭代。不断的搜集数据提升智能，然后再反过来提升产品体验，让使用产品的人越来越多。

比如可以通过传感器或者红外雷达，把产品的信息进行数字化，来挖掘产品某个环节中的数据进行数字化，然后后面再做一些智能的事情。产品中的数据进行数字化后就完成了AI应用到产品中的第一步。从产品到数据的数字化是很重要的。

从智能到产品，怎样把一个人工智能的算法模型应用到产品，因为人工智能目前还不是绝对完美的，所以要考虑怎样用产品来发挥人工智能技术的优势，来覆盖他的一些短板。常用的方式如下：

1、用来辅助人力的操作，而不是完全替代人力的操作。

2、用一个容错的界面，允许人工智能犯错，允许人工智能再不完美的时候犯错，利用户的反馈数据在闭环中来提高我们的人工智能。

3、人工智能的某个模型限定在一个特定的领域，针对这个领域能做好就可以，不可能是针对所有领域都万能的。

 

怎样获得高质量的数据：

1、为数据打上标签

2、数据是自带标签的，人工智能是可以直接使用的，比如点击行为的数据对搜索就是打上标签的

3、羊毛出在猪身上

语音识别要得到大量的语音和对应的文本的数据，训练模型对这些样本数据的学习，就可以分析出新来的语音数据对应的文本信息了。

4、机器自学习

我们通过建立产品+数据+模型的闭环，来进行模型的迭代达到一个比较好的效果。

根据之前的答题情况，来预测后面的题他是否能答对。

 

 

线性回归：

梯度下降：

神经网络：分类算法

神经网络的梯度下降

 

1、先创建一个数据模型算法，然后喂给它很多的样本数据，他对样本数据计算的结果，和对每个数据给定的结果进行比较，如果不相同那么，模型内部会不断调节内部的一个数值(比如神经元的权重数值)，当这个数值调节到一个合适范围之后，即找到了数据的规律(比如一条分割线)，这样在传入新的数据经过计算得到的值，检查在线的上方还是下方，就可以对输入的数据进行分类了。(这就要求数据是线性可分的，并且开始的样本数据也要给出每个数据对应的结果，让模型计算的结果跟给定的结果进行比较如果不相同那么调整内部参数值，通过不断调整这个参数使得计算的结果跟实际结果的差距越来越小，这样这个模型算法的预测效果就会越来越准确)