机器学习0 — 总体架构,ChatGPT时代必须掌握的

1 从ChatGPT看目前AI重要性

随着ChatGPT的一声巨响,拉响了强人工智能的序幕。ChatGPT相对于目前的各种机器人,简直就是弓箭和导弹的区别。沉寂了两三年后,AI如今又一次站在了人类工业的最高舞台。个人认为AI已经成为所有人,特别是程序员,必须了解甚至掌握的一项基本技能,原因如下

  1. 需求端越来越爆炸。随着人口负增长时代的来临,以及肉眼可见的愈演愈烈,机器辅助甚至替代人类劳动,已经刻不容缓。AI对于各行各业产能提升意义重大,已经成为国家与国家之间竞争的核心
  2. 技术端越来越成熟。ChatGPT能力强大到让人难以置信,不论是多轮对话语义理解,还是文本生成,都已经十分成熟。它可以知识解答、闲聊陪伴、任务助理、撰写诗歌小说甚至论文,前两天连数学能力这一短板也补齐了。毫不夸张的说,ChatGPT目前具备的能力,已经足够成为一个真正意义的AI机器人。最重要的是,ChatGPT让人相信强人工智能完全可能落地,不再是所谓的江湖骗子。ChatGPT帮我们在无人区探索了一条光明大道,完成了从0到1的验证,后面谷歌、亚马逊、阿里等各大公司只会更拼命的跟进,技术进步也会越来越快。
  3. 应用面越来越广泛。ChatGPT主要面向NLP领域,如语义理解、文本生成等。据说下一阶段就是文本、图像的多模态机器人。后续肯定也会在语音、视频等更多领域遍地开花。AI在各行业的落地也正如火如荼的展开,极大的提升了各行业的生产力。有人甚至传言,未来教师、程序员、蓝领工人、司机,都有很大的职业危机。AI已经成为全行业的基础设施,各行业完全可以利用AI重新再做一次,就像10年前的移动互联网一样。

对于已经从事AI行业的人来说,恭喜你,处在了还不错的时代,可以坚定不移的走下去。对于还没有进入,但有兴趣进入这个行业的人,目前也不算晚。机器学习是人工智能的基础理论,学习难度也比较大,因此我整理了一个系列博客,从各方面讲解机器学习的原理。

2 机器学习总体架构

机器学习内容很多,理论也十分复杂。我这边参考李宏毅老师的课件,分成了17个章节。总体架构如下图所示,包含了每个章节的知识架构。各章节具体内容,请移步文章最后的链接。

https://img-blog.csdnimg.cn/9b919794ed284c33827b1634f2abc610.png

 各章节详细内容,请移步

机器学习1 -- 梯度下降(Gradient Descent)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108267463

机器学习2 -- 优化器(SGD、SGDM、Adagrad、RMSProp、Adam等)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108268525

机器学习3 -- 误差来源(偏差bias和方差variance)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108278303

机器学习4 -- 反向传播(back propagation)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108294176

机器学习5 -- 为什么深度学习需要加深?icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108296861

机器学习6 -- 深度学习训练优化icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108306983?spm=1001.2014.3001.5502

机器学习7 -- 可解释学习icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108336178

机器学习8 -- 模型攻防(model attack & model defense)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108495755

机器学习9 -- 模型压缩和加速icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108500392

机器学习10 -- 半监督学习 Semi-supervised Learningicon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108539697

机器学习11 -- 无监督学习之Auto-Encodericon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108547217

机器学习12 -- 无监督学习之线性模型(clustering、PCA、MF)icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108549365

机器学习13 -- 无监督学习之自监督 self-supervisedicon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108553383

机器学习14 -- Transfer Learning 迁移学习icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108566050

机器学习15 -- Meta Learning 元学习icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108580449

机器学习16 -- Lifelong Learning 终生学习icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108584923

机器学习17 -- GAN 生成对抗网络icon-default.png?t=N7T8https://xieyangyi.blog.csdn.net/article/details/108603760

猜你喜欢

转载自blog.csdn.net/u013510838/article/details/128850160
今日推荐