## 人工智能 、 機器學習、 深度學習的概念和關系  * 人工智能 （Artificial Intelligence）AI- 機器展現出人類智慧 * 機器學習 （Machine Learning) ML, 達到人工智能的方法 * 深度學習 （Deep Learning）DL,執行機器學習的技術 從范圍上來說： AI > ML > DL 從邏輯關系上： AI是目標， ML是手段， DL是技術 ### 概念 * **人工智能（AI）**：人工智能是一門技術科學，旨在模擬、延伸和擴展人的智能。它涵蓋了廣泛的理論、方法、技術及應用系統，是新一輪科技革命和產業變革的重要驅動力量。 * **機器學習（ML）**：機器學習是人工智能的一個子領域，它專門研究計算機如何模擬或實現人類的學習行為，以獲取新的知識或技能，并重新組織已有的知識結構來不斷改善自身的性能。機器學習涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。 * **深度學習（DL）**：深度學習是機器學習的一個子集，也是目前最熱門的研究方向之一。它通過搭建深層的神經網絡模型來處理任務，如圖像分類、語音識別等。深度學習的核心是學習樣本數據的內在規律和表示層次，幫助機器實現類似于人類的分析學習能力。 ### 區別 1. **技術層次**：人工智能是一個更廣泛的領域，而機器學習和深度學習則是其重要組成部分。深度學習是機器學習的一個子集，特別側重于通過深層的神經網絡模型來進行學習。 2. **模型復雜度**：機器學習的模型可以簡單到線性模型和統計模型，而深度學習的模型則通常更為復雜，包含多層神經網絡。 3. **數據處理**：深度學習通常需要處理大量的數據，尤其是在圖像、語音等非結構化數據方面表現出色。相比之下，機器學習對數據量的要求并不那么嚴格。 4. **算法**：傳統機器學習算法大多基于統計學，而深度學習則更多地依賴于神經網絡和復雜的隱藏層算法。 5. **可解釋性**：機器學習模型通常較為簡單，具有一定的可解釋性。而深度學習模型由于其復雜性和黑箱性質，通常難以解釋。 6. **應用領域**：機器學習廣泛應用于推薦系統、數據挖掘等領域；而深度學習則更多地應用于圖像識別、語音識別、自然語言處理等復雜任務 ### 關聯 一、概念層面 1. 人工智能（AI）： * 定義：研發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 * 特點：涵蓋了廣泛的技術領域，如自然語言理解、圖像識別、語音識別等。 2. 機器學習（ML）： * 定義：人工智能的一個子領域，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構，使之不斷改善自身的性能。 * 方法：通過數據和算法，自動調整模型參數，實現預測和分類等功能。 3. 深度學習（DL）： * 定義：機器學習的一個子方向，通過構建深度神經網絡模型來實現大規模數據的自動分類和預測。 * 特點：利用深層的神經網絡模型處理任務，尤其在圖像識別、語音識別等領域有出色表現。 二、關系層面 1. 人工智能是一個大的概念，涵蓋了多個子領域和技術方向。 2. 機器學習是人工智能的一個重要組成部分和實現方式，它賦予了計算機自動學習和優化的能力。 3. 深度學習是機器學習的一個高級形式或特殊分支，它通過深度神經網絡模型實現了更復雜的任務處理和數據預測。 三、技術層面 1. 人工智能是一個綜合性的領域，包括機器學習、深度學習、專家系統等多種技術。 2. 機器學習是實現人工智能的一種方法，它基于數據和算法來訓練和優化模型。 3. 深度學習則是機器學習的一個子方向，通過深層的神經網絡模型來處理任務，具有更強大的表示能力和泛化能力。 四、應用層面 1. 人工智能的應用非常廣泛，包括但不限于語音識別、圖像識別、自然語言處理、智能推薦等。 2. 機器學習在實際應用中有著廣泛的應用領域，如推薦系統、數據挖掘等。 3. 深度學習則在圖像識別、語音識別、自然語言處理等領域中表現出色，成為目前最為流行的實現方式之一。 ## 人工智能 、 機器學習、 深度學習的具體應用示例 一、人工智能（AI）示例 人工智能的應用廣泛，以下是一些具體的示例： 1. **無人駕駛汽車**：利用AI技術實現車輛的自主導航、障礙物識別、決策控制等功能。例如，谷歌的Waymo和特斯拉等公司都在積極研發無人駕駛汽車技術。 2. **智能醫療**：AI在醫療領域的應用包括醫學影像分析、疾病診斷和治療輔助等。例如，IBM的Watson醫療助手可以通過分析醫療圖像和病歷數據，幫助醫生進行更準確的診斷。 3. **智能家居**：AI技術可以在家居領域實現智能化控制、安全監控等功能。例如，通過智能家居系統，用戶可以遠程控制家中的燈光、溫度、安全監控等設備。 二、機器學習（ML）示例 機器學習是AI的一個重要組成部分，以下是一些具體的ML示例： 1. **推薦系統**：基于用戶的瀏覽歷史、購買記錄等信息，使用機器學習算法為用戶推薦相關產品或服務。例如，電商平臺中的“猜你喜歡”功能就是典型的機器學習應用。 2. **圖像分類**：利用機器學習算法對圖像進行自動分類。例如，使用支持向量機（SVM）或卷積神經網絡（CNN）對動物、植物、建筑等圖像進行分類。 3. **情感分析**：通過機器學習算法分析文本中的情感傾向，如正面、負面或中性。這在社交媒體分析、客戶服務等領域有廣泛應用。 三、深度學習（DL）示例 深度學習是機器學習的一個子領域，以下是一些具體的DL示例： 1. **圖像識別**：深度學習在圖像識別領域取得了顯著成果，尤其是在人臉識別、目標檢測等方面。例如，使用深度學習算法可以實現對人臉的精確識別，進而實現刷臉支付、人臉門禁等功能。 2. **語音識別**：深度學習在語音識別領域也有廣泛應用，如智能語音助手、語音搜索等。例如，蘋果的Siri和亞馬遜的Alexa等智能語音助手就是基于深度學習技術實現的。 3. **自然語言處理**：深度學習在自然語言處理（NLP）領域也有廣泛應用，如機器翻譯、文本生成等。例如，谷歌的神經機器翻譯系統就是基于深度學習技術實現的，可以實現高效、準確的跨語言翻譯。 ## GAI的概念以及與AI的區別和關系 GAI，即生成式人工智能（Generative Artificial Intelligence），是一種能夠創造新內容的人工智能技術。它不同于傳統的、基于規則或統計分析的人工智能方法，而是基于機器學習和深度學習算法，通過從大量數據中學習特定的模式或風格，然后生成新的內容。GAI的核心能力在于其創新性輸出，包括但不限于文本、圖像、音頻、代碼甚至三維模型等多元形式的數據。 ### GAI的特點 1. 創新性：GAI能夠根據訓練數據集的模式和規律自主創建全新的內容，具有高度的創新性。 2. 多樣性：GAI能夠生成多種形式的內容，如文本、圖像、音頻等，滿足不同領域的需求。 3. 高效性：通過深度學習和神經網絡等技術，GAI能夠快速地學習并生成高質量的內容。 ### GAI與AI的區別 1. 范疇大小：AI是一個廣泛的概念，涵蓋了模擬、延伸和擴展人類智能的所有技術，包括機器學習、深度學習、自然語言處理等多個子領域。而GAI則是AI的一個子集或特定類型，專注于生成新的內容。 2. 功能與應用：AI的功能和應用非常廣泛，包括決策支持、預測分析、自動化控制等。而GAI則更側重于內容創作和生成，如文章、詩歌、圖像、視頻等的創作和生成。 3. 技術特點：AI包含了多種技術，如機器學習、深度學習、自然語言處理等。而GAI則主要基于深度學習和神經網絡等技術，通過從大量數據中學習并生成新的內容。 4. 創新性：雖然AI在某些領域也表現出一定的創新性，但GAI的創新性更為突出。它能夠通過學習和模仿生成全新的、前所未有的內容，展示了從海量數據中提煉知識進而創造新知識的智能化能力。 ## ChatGPT的概念以及其與GAI的關系 ChatGPT是一款由OpenAI開發的聊天機器人模型，它能夠模擬人類的語言行為，與用戶進行自然的交互。ChatGPT建立在OpenAI的GPT-3.5大型語言模型之上，并采用了監督學習和強化學習技術進行了微調。它使用了Transformer架構作為深度學習模型的基礎，具有很強的表達能力和學習能力。ChatGPT的應用場景廣泛，包括對話機器人、問答系統、客服機器人等，并可以應用于各種自然語言處理任務，如文本摘要、情感分析和信息提取等。 **ChatGPT與GAI的關系** 1. **技術基礎**： * ChatGPT作為一種高級別的聊天機器人模型，其技術基礎與GAI（生成式人工智能）緊密相關。GAI強調生成新內容的能力，而ChatGPT正是通過其強大的生成能力，為用戶提供個性化的回答和回復。 2. **應用場景**： * ChatGPT在內容生成方面的應用與GAI的目標相契合。GAI旨在通過生成新內容來輔助或替代人類的創作過程，而ChatGPT則可以通過其自然語言處理能力，為用戶提供包括文本、代碼等多種形式的生成內容。 3. **創新性與發展**： * ChatGPT的發展進一步推動了GAI技術的進步。隨著ChatGPT在對話系統、問答系統等領域的應用和優化，GAI在內容生成方面的能力也得到了進一步的提升。 4. **持續學習**： * ChatGPT具有持續學習的能力，這也是GAI的一個重要特點。通過不斷的訓練和反饋，ChatGPT能夠不斷改進和優化自己的性能，為用戶提供更加準確、豐富的回答。這種能力使得ChatGPT在GAI領域具有更高的應用價值和潛力。 ## 其他的GAI 工具 除了OpenAI的ChatGPT之外，GAI（生成式人工智能）領域還有眾多其他工具。以下是一些主要的GAI工具，它們各自具有獨特的功能和應用場景， 比如： 1. **Google Bard**： * 功能：Google的試驗性會話式生成AI聊天機器人，使用NLP和機器學習快速回應各種詢問。 * 應用場景：包括生成文本、翻譯語言、回答問題以及生成創意內容等。 * 特點：用戶友好的界面和多項便利的功能，如編輯之前的問題和在任何點重啟對話的能力。 2. **Microsoft Azure AI服務**： * 功能：提供多種AI服務，包括語音識別、圖像識別等。 * 應用場景：企業可以使用Azure的AI服務構建智能應用，如智能客服、圖像識別系統等。 * 特點：作為微軟的云平臺，Azure提供了廣泛的AI解決方案，支持企業快速開發智能應用。 3. **IBM Watson**： * 功能：一個認知計算系統，能夠處理大量數據，并提供洞察和分析。 * 應用場景：Watson可以應用于醫療診斷、金融分析、客戶服務等領域，幫助企業和機構做出更準確的決策。 * 特點：Watson在多個領域都有成功的應用案例，展示了其強大的數據分析和處理能力。 4. **Amazon Alexa**： * 功能：一個智能個人助理，能夠進行語音交互，控制智能家居設備，并提供信息查詢等功能。 * 應用場景：用戶可以通過語音命令與Alexa進行交互，如播放音樂、查詢天氣、控制智能燈泡等。 * 特點：Alexa作為智能家居的入口，為用戶提供了便捷的語音交互體驗。 5. **TensorFlow**： * 功能：一個開源的機器學習框架，由Google Brain團隊開發，用于數據分析和機器學習項目。 * 應用場景：開發者可以使用TensorFlow構建和訓練各種機器學習模型，應用于圖像識別、語音識別、自然語言處理等領域。 * 特點：TensorFlow擁有強大的社區支持和豐富的資源，是機器學習領域的重要工具。 6. **Bing AI**： * 功能：從網絡上收集答案以回答用戶的查詢，不僅是一個AI語言模型，還能接入互聯網并瀏覽網絡找到文檔、視頻等。 * 應用場景：適用于在線搜索和智能問答系統。 * 特點：Bing AI的個性化推薦和對話風格選項為用戶提供了更加豐富的搜索體驗。 7. **YouChat**： * 功能：一款AI驅動的聊天機器人搜索引擎，通過自然語言輸入接收答案。 * 應用場景：適用于在線查詢和客服系統。 * 特點：YouChat利用語言模型和算法的組合提供準確、相關和直觀的回應，并支持跨平臺同步。 8. **Jasper AI**： * 功能：一款幫助營銷人員、企業主和品牌快速寫出準確的SEO友好內容的寫作軟件。 * 應用場景：內容營銷、廣告文案創作等。 * 特點：Jasper AI提供了超過50個AI驅動的寫作模板，支持多種語言，并可以生成數字藝術。 ## ChatGPT 3.5, ChatGPT 4, ChatGPT4o ### ChatGPT 3.5 介紹 **一、概述** ChatGPT 3.5是OpenAI在ChatGPT系列基礎上進行改進的一款AI模型，它在自然語言處理方面展現出了非常強大的能力，能夠進行對話、閱讀、生成文本等多種任務。 **二、主要特點** 1. **模型規模與參數**：ChatGPT 3.5的預訓練模型包含了1750億個參數，是目前最大的自然語言處理模型之一。 2. **多語言支持**：該模型可以處理多種語言，包括英語、西班牙語、德語、法語、意大利語、荷蘭語、俄語、韓語、日語、阿拉伯語和中文等。 3. **自適應回復**：采用“Adaptive Prompt”技術，可以根據用戶輸入的上下文和意圖自適應地生成回復。 4. **廣泛的應用場景**：ChatGPT 3.5可用于生成對話、回答問題、提供建議等任務，是深度學習技術的巔峰之作之一。 **三、應用前景** ChatGPT 3.5在人工智能領域有著廣泛的應用前景，包括但不限于在線客服和支持、虛擬助手和個性化服務、內容生成和創意輔助、教育和培訓等。 ### ChatGPT 4 介紹 **一、概述** ChatGPT 4.0是OpenAI開發的最新一代大型語言模型，是ChatGPT的升級版本。它在多個自然語言處理任務中的表現都比之前的版本更好，具有更強的適應性和通用性。 **二、主要特點** 1. **多模態輸入**：ChatGPT 4.0首次支持接受圖像或文本輸入，并發出文本輸出，實現了多模態的理解和生成。 2. **視覺變換器（ViT）**：采用了一種新穎的架構，稱為視覺變換器（Vision Transformer），用于處理圖像輸入。 3. **跨注意力機制**：增加了圖像編碼器和文本編碼器之間的跨注意力機制，使得兩種類型的輸入可以相互影響和參考。 4. **增強的功能和性能**：ChatGPT 4.0在對話能力、知識庫、創造力、推理和解決問題能力等方面都有顯著提升。 5. **訓練數據量**：ChatGPT 4.0的訓練數據量是ChatGPT 3.0的100倍以上，包含了截至2022年互聯網上的幾乎所有文本信息。 ### ChatGPT 4o OpenAI 于2024年5月14日正式宣布推出 GPT-4o，這一消息迅速在科技界引起了巨大反響。 GPT-4o，其中 "o" 代表 "omni"，即全能之意。這一模型不僅在文本處理上達到了前所未有的水平，更在圖像和語音處理方面取得了重大突破。GPT-4o 能夠實時對音頻、視覺和文本進行推理，提供與人類相似的響應時間。 **GPT-4o 的技術亮點包括：** * **實時音頻輸入響應：** GPT-4o 能夠在最快232毫秒內響應音頻輸入，平均響應時間為320毫秒，幾乎接近人類在交談中的響應時間。 * **多模態交互：**該模型可以接受文本、音頻和圖像三者組合作為輸入，并生成文本、音頻和圖像的任意組合輸出，這標志著向更自然人機交互邁出的重要一步。 * **安全性與倫理：** GPT-4o 在設計中內置了跨模式的安全性，并與外部專家合作，以識別和減少新增加的模式可能引入或放大的風險。 * **性能提升：** 在傳統基準測試中，GPT-4o 在文本、推理和編碼等方面實現了與 GPT-4 Turbo 級別相當的性能，同時在多語言、音頻和視覺功能方面的表現分數也創下了新高。 ***** ***** ### 數據歸一化 數據標準化（歸一化）處理是數據挖掘的一項基礎工作，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數據分析的結果，為了消除指標之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性。原始數據經過數據標準化處理后，各指標處于同一數量級，適合進行綜合對比評價 ### 機器學習與深度學習的框架 * Scikit-learn： 機器學習的框架 * 2013 華人賈揚清開發出第一個面向深度學習的框架Caffe。C++編寫 * Theano： 加拿大科學家開發‘ * Google收購 Theano之后，借鑒Keras開發了TensorFlow * PyTorch - FaceBook的框架 * Chainer - 日本科學家 * MXNet - 亞馬遜深度學習框架 * NUS SINGA - Apache 的下一個孵化項目 Keras由Python編寫，Keras 提供了深度學習的接口，基于TensorFlow、Theano以及CNTK后端， ### 概念 #### 張量 Tensor， 向量、矩陣的自然推廣，使用張量表示廣泛的數據類型。 0階張量， 即標量，也就是一個數 1階張量， 向量， 2階張量， 矩陣 3階張量， 立方體 #### TensorFlow中的 th與tf th , Theano模式， 100張RGB三通道的16*32 的彩色圖表示為(100,3,16,32) 第0個維度：樣本維，樣本數量 第1個維度：通道維， 顏色 第2個維度：高度 第3個維度： 寬度 #### 泛型模型 原本的Keras有兩種模型， Sequential（序貫模型，單輸入單輸出）和Graph（圖模型，多輸入多輸出）。 現在圖模型被移除，增加了“functional model API”， 一般模型， 泛型模型。 #### Anaconda 是什么？ Anaconda 包括Conda、Python以及其他安裝好的工具包， 比如 numpy，pandas等。 conda 包和環境管理器，可以在同一個機器安裝不同版本的軟件包及依賴，并能夠在不同的環境之間切換。 安裝Anaconda之后就可以不需要再單獨安裝Python等。 https://blog.csdn.net/weixin_44707982/article/details/88201786 ### pytorch 根據環境設置產生安裝命令 https://pytorch.org/get-started/locally/#mac-anaconda pip install torch==1.4.0+cpu torchvision==0.5.0+cpu -f https://download.pytorch.org/whl/torch_stable.html ## 參考 * [https://blogs.nvidia.com/blog/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/](https://blogs.nvidia.com/blog/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/)