第一課
- AI相關分類
- 計算機視覺
- 自然語言處理
- 語音
- AI知識體系
- 會大數據時加分項
- 機器學習項目流程
數據源 -> 數據預處理 -> 特徵工程 -> 數據建模 -> 數據驗證 - 一般不需要學爬蟲,會有大量的大數據
第二課 CV
- AI學習路線
編程語言 - 數據處理 - 人工智能 - python學習
- 基礎語法
- 函數及函數式編程
- 面向對象
- 文件操作
- 設計模塊
- 人工智能學習
- 先學機器學習算法,是基礎
- 最佳的學習方法
- 知識的獲取:書、視頻
- 知識的練習:應用
- KNN算法解析
K近鄰算法- 應用:區分菠蘿和鳳梨
- K值選取方法:窮舉圖示法,K值是奇數(K個鄰居投票,偶數個鄰居容易投出平票)
- KNN和K-means區別:前者是監督學習,後者是無監督學習
第三課 NLP
- AI 崗位劃分
- 機器學習工程師
- 深度學習工程師
- 數據分析工程師
- 業務型
- 技術型:Python SQL 機器學習
- 數據挖掘工程師
數據科學家、高級數據分析師 - CV工程師
- NLP工程師
- 推薦算法工程師
- 知識圖譜工程師
- 搜索
- 大數據
spark 分佈式 秒級
storm fliniv 流式 毫秒級
編程語言:scala java - 數據科學家
- 商業:業務能力強
- 工程:代碼能力強
- 人工智能:算法能力強
綜合上述三個方面
- 小項目:垃圾郵件識別
- 原理:貝葉斯原理