一定要認清技術的邊界以及定義好問題的範圍(scope)。舉個例子,不要試圖使用完全開放的對話系統來搭建機器人訂餐系統,因爲目前的對話技術還不足以支撐完全開放環境下的對話。
簡答來講,BI是一種分析的工具,也就是通過一些方式把數據更直觀的展示給用戶,輔助人去決策。另一方面,AI是通過數據幫助人做決策。所以從這個角度,可以把BI看作是輔助的決策的工具,AI則可以直接幫我們做決策。
機器學習: 機器學習是解決人工智能問題的最核心的技術。比如推薦系統、無人駕駛、人臉識別、競技分析等應用都要依賴於機器學習技術。從數據中學習規律;
常見的監督算法和無監督算法:
如何區別迴歸和分類: 主要是看預測值的形式;
區分標籤樣本和特徵:
標籤其實就是可能的預測值,特徵即爲每一列,也就是屬性,樣本即爲每一行,也就是一條數據
機器學習建模流程:
第一步:數據,至關重要
預處理: 數據的去噪等
特徵工程: 提取出有價值信息,不同應用場景用到的特徵也不一樣,50%的精力需要花費在特咸亨挑選
建模:特徵結果的數據會作爲建模的輸入,建模可能包含:調參,改造
驗證: 對模型進行驗證,如果結果不好可能需要從其他步驟進行改進;
端到端的方法: 從數據預處理直接到建模,跳過特徵工程步驟;