| |
|
|
| 首页 淘股吧 股票涨跌实时统计 涨停板选股 股票入门 股票书籍 股票问答 分时图选股 跌停板选股 K线图选股 成交量选股 [平安银行] |
| 股市论谈 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 商业财经 科技知识 汽车百科 工程技术 自然科学 家居生活 设计艺术 财经视频 游戏-- |
| 天天财汇 -> 科技知识 -> 人工智能有哪些领域？ -> 正文阅读 |
|
|
[科技知识]人工智能有哪些领域？ |
| [收藏本文] 【下载本文】 |
|
人工智能有哪些领域？ 关注问题?写回答 [img_log] 人工智能 人工智能算法 人工智能AI酱 AI技术 AIGC应用 人工智能有哪些领域？ |
|
人在英国，目前是人工智能领域的博士，平时也会跟我老婆（文科生）解释人工智能的各种应用，比如什么人脸识别技术，或者是ChatGPT这类型的技术。通常我不会深入到技术细节，因为确实会很难懂，所以我会很很多生活中的案例来解释。 当我们提到人工智能（AI），很多人可能首先会想到一些很“科幻”的场景，或者就是日常生活中常用的语音助手，比如手机里的“小爱同学”或者智能家居中的“天猫精灵”。这些都是AI的应用层面，但其实AI的世界要比这些更为广阔和深入。 先让我们了解AI的基础层。基础层好比人的心脏和大脑，为AI提供运行的基本能力。假设你家里的电视机通过AI智能推荐系统向你推荐了一部火爆的电视剧，那么这背后就是机器学习的功劳。这个系统会根据你过去看过什么，以及其他类似你的观众喜欢什么，来为你做个性化的推荐。还有一些技术，比如自然语言处理（NLP），让这些助手能够理解你的语言。举个例子，如果你告诉“小爱同学”：“明天早上八点叫我起床”，它能理解你的意思，并在第二天早上准时叫你起床。 那么，让我们转向应用层。应用层是AI如何用基础层的能力去解决现实问题，也就是说，它是AI“上岗工作”的地方。比如，在电商平台上，AI可以通过分析你的购物记录和浏览习惯，为你推荐可能会感兴趣的商品。在医疗领域，AI可以协助医生读取和分析X光片或MRI图像，更准确地诊断病情。在交通方面，AI可以控制智能红绿灯，根据路况自动调整红绿灯的时间，减少拥堵。 总结一下，基础层是AI能“听得懂、看得见、学得会”的地方，而应用层则是AI用这些能力去完成具体任务的场所。在电视剧推荐的例子里，机器学习和数据分析就是基础层的代表。而当AI用这个推荐能力去帮你找到感兴趣的电视剧，或者在电商平台、医疗诊断和交通管理等方面帮你解决问题时，这就是应用层的表现。 其实对于基础层和应用层来说，他们的内容远比上述提到的要多得多。 |
|
|
上图来自一篇学术论文，总体来说，人工智能会分为两大层，基础层Infrastructure Layer和应用层Application Layer。 还是用现实生活来举例子，比如打开电视看电视节目前，需要有电视信号塔、卫星、电缆等来传输信号。这些都是“基础设施”，没有它们，电视节目就无法传输。 当你打开电视并选择一个节目或频道来观看时，你实际上是在与应用层进行交互。这里的应用层包括了电视节目、用户界面、遥控器等。 这两个很明显的区别就是基础层的东西你是很难直接感受的，比如说信号塔的位置在哪里，卫星的信道是什么，因为这些都是已经部署好的，你也没有必要去了解这里面的细节。而应用层就显得直观多了，比如各个电视节目，你可以通过遥控器来随便选，可以看网络直播，也可以看电影点播。 这个跟人工智能的基础层和应用层是非常相似的，基础层是人工智能的“引擎”，负责处理与运算、数据存储和其他基本任务。这一层包括硬件（如服务器、GPU、TPU等）、底层软件（如操作系统、数据库管理系统）、网络（云计算资源、数据中心等）以及基础算法（机器学习算法、深度学习网络等）。应用层则更关注人工智能如何与实际应用相结合。这一层会包括特定领域的应用程序、用户界面、高级数据分析和业务逻辑等。它通常是普通用户最直接接触到的部分比如刷脸支付，语音翻译等等。 下面的内容是针对于对于人工智能想要有更加深入的技术方面的理解的朋友，泛泛而谈的话基础层和应用层就可以覆盖大多数的内容了。 其次，如果对于人工智能感兴趣的话，从GPT这种每个人都可以使用的软件是非常推荐的，因为它比起其他的人工智能应用更加的简单和有趣，而知乎知学堂开设的这门人工智能介绍课，就非常的适合作为入门课程进行人工智能的全面了解和学习，这对于不管是工作还是学习都会是受益良多的。 ??2024大模型公开课??训练方法+应用场景+个人增收 ￥0.00点击领取 |
|
|
确实，将人工智能（AI）的结构细分为更多层次可以提供更深入的理解。在基础层（Infrastructure Layer）和应用层（Application Layer）之间，通常还存在三个额外的层次：感知层（Perception Layer）、认知层（Cognitive Layer）和决策层（Decision-Making Layer）。这些层次起到桥梁作用，它们处理从基础设施到最终应用之间更为复杂和高级的任务。 这个分层模型就像是家里的电路系统。你可以想象高压电流从发电站开始，但在到达你的家里供电之前，需要经过几个步骤来转换电流。这些转换步骤有点像是人工智能中的感知层、认知层和决策层。 简单地说，就像电流需要被“整理”和“调整”以便在家里使用一样，人工智能的不同层也有类似的角色。感知层就像是电流的“接收器”，负责收集信息；认知层是“处理器”，负责理解这些信息；最后，决策层就像是“执行器”，根据收到的信息做出决策。这些层一起工作，确保人工智能能够从基础设施到最终应用（比如一个手机app或医疗诊断工具）都能顺畅运行。 这种层级结构是层层递进的：底层的稳定性和效能直接影响上层的性能表现。 从基础层的角度看，硬件组件（如芯片）提供了必要的计算能力。这一层是整个体系的基础，因为没有强大的计算力，复杂的人工智能算法就无法高效运行。而这些算法，通常由机器学习、深度学习等技术实现，是实现底层决策的关键。 感知层随后接入，它就像我们的感官，负责从外界收集信息。这一层用于处理来自传感器、图像、声音等的原始数据，并将其转化为对后续层有用的信息。 进一步来说，认知层像是一个“大脑”，对来自感知层的信息进行更高级的处理和解释。这里可能涉及自然语言处理、图像识别和数据分析等一系列复杂任务。 最后，决策层则基于认知层的输出做出相应的行动或决策。这可以是驾驶汽车、生成文本或者进行医疗诊断等。 整个体系的高性能运作依赖于这些层之间的协调和优化。就像一个精密的机器，每个部件都必须精确地运转，才能确保整体的高效和准确。这种综合性也显示了人工智能跨多个学科和领域的潜力，从计算机科学和工程到认知科学、社会科学甚至伦理学，都有其应用和影响。 如果我们将这种层次化的人工智能视角应用到我们自身和社会中，可能会发现一些令人惊奇的相似之处。就像人工智能从基础层到应用层需要精密协调，我们的社会也需要各个组成部分—从个体到社群，再到更大的社会制度—齐心协力，以创造一个更加和谐、高效的环境。最终，人工智能不仅是一种技术革命，更是一面镜子，反映出我们如何组织、理解和优化复杂系统的多维能力。 |
|
人工智能（Artificial Intelligence，AI）是以计算机科学为基础，交叉融合了多种学科的新兴学科。 因此它涉及的领域有很多，我们可以大致将它们分为研究领域和应用领域两类。 研究领域是AI的底层原理，例如机器学习、自然语言处理、计算机视觉、机器人技术等，是研究如何构建AI、优化算法的学科领域。应用领域则是AI在我们实际生活中的运用，包括金融、客服、安防、医疗、无人驾驶、教育和家居等多个领域。 |
|
|
随着技术和人工智能研究的不断发展，人工智能涉及的领域也在不断扩展。就像我们一开始以为AI就是能和我们聊聊天，现在却发现它能帮我们执行很多任务一样。 想要一篇文章就说完它涉及的所有领域，那是不可能的，所以我们“接地气”地来分享一些AI在自然语言处理领域上得到应用的例子。 1.对话聊天?讯飞星火 全称是讯飞星火认知大模型，可以说是国内在自然语言处理领域方面研究成果的一大代表了。拥有出色的语言理解、知识问答、逻辑推理、内容生成等能力。 同时它还有非常特别的多模态交互能力，能够输入图片让AI理解，这又涉及到了计算机视觉的相关技术。 |
|
|
?豆包 豆包则是更加专注于对话聊天领域的应用，提供了许多不同预设的智能体，也可以定制自己的智能体。它能通过学习模仿智能体的“人设”，与我们进行对话。 |
|
|
2.写作辅助?迅捷AI写作 内容创作目前需求最大的AI应用场景之一，大家都想要能够更加轻松地撰写文字类内容。 这对于AI模型的自然语言处理能力是一大考验，要能准确理解问题，生成的语言也要自然。 |
|
|
这个AI写作工具就处理得很好，有强大的语言理解能力和文字生成能力，能够帮我们解决很多写作上的难题。是AI在办公、营销等领域上实用性的体现。 |
|
|
?彩云小梦 同时AI也可以用于文学、娱乐这类比较有趣和艺术的领域，比如彩云小梦这个小说故事续写工具，同样是AI在内容创作运用上的一种例子。 |
|
|
?文涌effidit AI写作辅助除了内容的创作，还能用于文字内容的智能纠错和润色。像这个AI工具，我们可以用它检测文章中的错误和润色优化语言的表达，也是很实用的AI功能之一。 |
|
|
3.语言翻译?Deepl AI自然语言处理技术的运用，还包括了语言翻译能力。 Deepl是德国开发的一个人工智能翻译工具。相对于传统的机器翻译，这种结合了AI深度学习算法的翻译工具显然能够翻译得更加准确和自然。 |
|
|
4.智能检索?天工AI搜索 AI检索引擎在国产AI工具中的例子较少，但不是没有。天工作为国内首个AI搜索工具，它会自动筛选检索结果，并智能生成回答，可以看出它也有着强大的自然语言处理能力。 |
|
|
以上是人工智能在仅在自然语言处理这一领域的简单几个应用实例，由此可以看出AI涉猎的领域有多广泛了。 需要注意的是，AI工具很多都不是单一技术或应用的呈现，往往涉及多个领域。但也正是因此AI才如此富有魅力，值得大家探索和体验。 又是干货满满的分享，我看谁还没点赞收藏喜欢，有什么意见也可以在评论区直说， @视频编辑助手 绝对欢迎！ |
|
人工智能（Artificial Intelligence）简称AI。 其实人工智能的概念最早在20世纪50年代就第一次被提出，直到近几年，才迎来爆发式的增长，而且为人类社会带来更多的便利与效益。接下来，我们一起回顾一下人工智能是怎么实现从0到1+，又是应用到哪些领域中去的。 ?人工智能的发展进程： -1956年，在英国达特茅斯举办的人工智能夏季研讨会“人工智能”这个词被提出和讨论，这次会议也被认为是人工智能正式诞生的标志。 -1966年，人机首次对话。美国麻省理工学院（MIT）人工智能实验室的约瑟夫·维森鲍姆（Joseph Weizenbaum）开发了最早的自然语言聊天机器人ELIZA。 -1973年，早稻田大学造出第一个人形机器人WABOT-1，到了1980年，早稻田大学更新了设计，研制出了WABOT-2，第二代能够与人沟通。 -1970-80年代，AI接连遭遇质疑，领域进入寒冬。 -1997年，“深蓝”战胜人类国际象棋冠军。IBM的“深蓝”通过“穷举法（brute force）”或者说暴力计算的方式，战胜人类对手卡斯帕罗夫。 -2006年-2012年，ImageNET数据库建立，神经网络认出了猫。 -2016年，AlphaGo与李世石的人机大战，将人工智能推到了风口浪尖，引爆了新一轮的人工智能热潮； -2022年底ChatGPT创纪录的发布以及Stable DIffusion等AI作图工具的风靡，更是将2023年变为AI平民化的元年！ 如今，随着科技的不断进步，人工智能（AI）已经成为了当今世界的热门话题。在过去的几年，AI已经在许多领域得到了广泛的应用： ?人工智能的应用领域： 1、制造：人工智能在制造的应用领域主要分为三个方面：智能装备、智能工厂和智能服务。 2、家居：智能家居主要是引用物联网技术，通过智能硬件、软件、云计算平台等构成一套完整的家居生态系统。 3、金融：人工智能在金融方面可以进行自动获客、身份识别、大数据风控、智能投顾、智能客服和金融云等。 4、医疗：智能医疗主要是起到辅助诊断、医疗影像及疾病检测、药物开发等作用。 5、教育：主要是指人工智能在教育领域实现信息化，利用数字化、网络化、智能化和多媒体化等基本特征进行开放、交互、共享、协作、泛在等信息技术促进教育现代化交流。 6、安防：智能安防市场应用广泛，其中主要应用在人体、行为、车辆、图像方面进行分析。 7、物流：物流利用智能搜索、推理规划及计算机视觉等技术仓储、运输、配送和装卸等自动化改革，实现了无人操作一体化。 8、交通：智能交通是通信、信息和控制技术在交通系统中集成应用的产物。主要通过智能设计路线出行的方法改善堵车、拥挤及交通事故等。 9、零售：人工智能在零售领域应用广泛，包括无人便利店、智慧供应链、客流统计、无人车和无人仓等。 经过60多年的迭代演进，人工智能已经从1956年达特茅斯会议上应运而生的概念变为如今触手可及的现实，人人都能接触AI，体验AI，享受AI带来的便捷和效益。 ?普通人的AI应用工具：1.Adwrite（AI写作） 这是一款广告人会很爱的写作工具，它覆盖的内容很多，包括：文章创作、国内社交媒体、电商文案、视频脚本、SEO工具、海外广告和营销工具。 |
|
|
2.迅捷AI写作（AI写作） 这款是我用得最多的一款AI写作软件，因为它的功能很丰富，可以满足我作为新媒体人的大部分需求，各种爆款标题、小说创作、种草文案等很细节的小工具，简直就是能写绘画小能手。 |
|
|
还可以进行AI绘画，它有【文字生图】和【以图生图】两种形式，都是很简单易上手的，对新手很友好~ |
|
|
3.文心一言（AI对话） 文心一言前段时间已经全面开放了，是一款非常实用和易于使用的自然语言处理工具。它的使用方法简单，操作难度低，极大地方便了我们的工作。 |
|
|
4.通义千问（AI对话） 通义千问是阿里版的ChatGPT，同样是能做数学会写代码，情书诗歌彩虹屁样样齐活。一个聊天框，几个功能提示，与其他大语言模型一样，通义千问的界面非常简洁，只要输入问题，就会得到回应。我觉得和文心一言的功能差不多，毕竟是两大巨头嘛~ |
|
|
5.即时AI（AI绘画） 这是一款将设计与AI深度结合的AI绘画软件，身边很多设计师朋友都推荐的这款，说只要打开「即时 AI」，描述一下你希望这张图片拥有怎样的画面，构建基础图形，控制颜色，调整布局后，AI 就能根据给出的信息，在几秒钟之内完成创作~ |
|
|
6.造梦日记（AI绘画） 这是西湖心辰联合西湖大学研发的一款AI绘画工具。覆盖多模态模型训练和图像生成，包括二次元头像生成、图片设计，可应用于绘画、动漫游戏、运营策划和电商等领域，人人都可实现自己的创作梦。 |
|
|
7.WPS AI（AI文档） 最近WPS AI也正式面向社会开放，它是金山办公推出的AI工作助理，理解自然语言并生成回复，处理文档编辑、格式调整、搜索、数据分析、翻译、语音识别、智能推荐等办公场景，可以提高工作效率。 |
|
|
好啦~话不多说，有用的记得要码住，也可以关注一下@银河君主页下次不迷路 |
|
1.什么是人工智能 人工智能（Artificial Intelligence）：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年由约翰.麦卡锡首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，是一门交叉学科。 |
|
|
2.人工智能的层次结构 |
|
|
基础设施层：回顾人工智能发展史，每次基础设施的发展都显著地推动了算法层和技术层的演进。从20世纪70年代的计算机的兴起，80年代计算机的普及，90年代计算机运算速度和存储量的增加，互联网兴起带来的电子化，均产生了较大的推动作用。到21世纪，大规模集群的出现，大数据的积累，GPU与异构/低功耗芯片兴起带来的运算力的提升，促成了深度学习的诞生，点燃了人工智能的爆**潮，其中海量的训练数据是人工智能发展的重要燃料。 算法层：机器学习是指利用算法使计算机能够像人一样从数据中挖掘出信息，而深度学习作为机器学习的一个子集，相比于其他学习方法，使用了更多的参数、模型也更复杂，从而使得模型对数据的理解更加深入也更加智能。 计算机视觉：计算机视觉的历史可以追溯到1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉最早的任务描述。计算机视觉借鉴了人类看东西的方法，即“三维重构”与“先验知识库”。计算机视觉除了在比较成熟的安防领域外，也应用于金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等。 语音处理：让机器学会“听”和“说”，实现与人类的无障碍交流一直是人工智能、人机交互领域的一大梦想。1920年生产的“Radio Rex”玩具狗可能是世界上最早的语音识别器，第一个真正基于语音识别系统出现在1952年，AT&T贝尔实验室开发的Audrey的语音识别系统，能够识别10个英文数字，正确率高达98%。比如Apple Siri，Echo等。 自然语言处理：人类的日常社会活动中，语言交流是不同个体间信息交换和沟通的重要途径。对机器而言，能否自然的与人类进行交流、理解人类表达的意思并作出合适的回应，被认为是衡量其智能程度的一个重要参照。 规划决策系统：人工智能规划决策系统的发展，一度是以棋类游戏为载体的。比如，AlphaGo战胜李世石，Master对顶级选手取得60连胜，机器人，无人车。 3. 人工智能应用场景3.1. 语音处理 ? 语音处理主要是自动且准确的转录人类的语音。一个完整的语音处理系统，包括前端的信号处理、中间的语音语义识别和对话管理以及后期的语音合成。 – 前端处理：说话人声检测，回声消除，唤醒词识别，麦克风阵列处理，语音增强等。 – 语音识别：特征提取，模型自适应，声学模型，语言模型，动态解码等。 – 语义识别和对话管理：更多属于自然语言处理的范畴。 – 语音合成：文本分析、语言学分析、音长估算、发音参数估计等。 ? 应用：包括医疗听写、语音书写、电脑系统声控、电话客服等。 ? 未来：真正做到像正常人类一样，与他人流畅沟通，自由交流，还有待时日。 3.2. 计算机视觉 ? 计算机视觉指计算机从图像中识别出物体、场景和活动的能力，包含图像处理、识别检测、分析理解等技术。 – 图像处理：去噪声、去模糊、超分辨率处理、滤镜处理等。 – 图像识别：过程包括图像预处理、图像分割、特征提取、判断匹配，可以用来处理分类、定位、检测、分割问题等。 – 图像理解：本质是图像与文本间的交互，可用来执行基于文本的图像搜索、图像描述生成、图像问答等。 ? 应用： – 医疗成像分析被用来提高疾病的预测、诊断和治疗。 – 在安防及监控领域被用来指认嫌疑人。 – 在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多信息。 ? 未来：计算机视觉有望进入自主理解、分析决策的高级阶段，真正赋予机器“看”的能力，在无人车、智能家居等场景发挥更大的价值。 3.3. 自然语言处理 ? 自然语言处理的几个核心环节：知识的获取与表达、自然语言理解、自然语言生成等，也相应出现了知识图谱、对话管理、机器翻译等研究方向。 – 知识图谱：基于语义层面对知识进行组织后得到的结构化结果。 – 对话管理：包含闲聊、问答、任务驱动型对话。 – 机器翻译：由传统的PBMT方法到Google的GNMT，流畅度与正确率大幅提升。 ? 应用：搜索引擎、对话机器人、机器翻译、甚至高考机器人、办公智能秘书。 4. AI、机器学习、深度学习的关系 |
|
|
4.1. 人工智能四要素 1） 数据 如今这个时代，无时无刻不在产生大数据。移动设备、廉价的照相机、无处不在的传感器等等积累的数据。这些数据形式多样化，大部分都是非结构化数据。如果需要为人工智能算法所用，就需要进行大量的预处理过程。 2） 算法 主流的算法主要分为传统的机器学习算法和神经网络算法。神经网络算法快速发展，近年来因为深度学习的发展到了高潮。 3） 算力 人工智能的发展对算力提出了更高的要求。以下是各种芯片的计算能力对比。其中GPU领先其他芯片在人工智能领域中用的最广泛。GPU和CPU都擅长浮点计算，一般来说，GPU做浮点计算的能力是CPU的10倍左右。 另外深度学习加速框架通过在GPU之上进行优化，再次提升了GPU的计算性能，有利于加速神经网络的计算。如：cuDNN具有可定制的数据布局，支持四维张量的灵活维度排序，跨步和子区域，用作所有例程的输入和输出。在卷积神经网络的卷积运算中实现了矩阵运算，同时减少了内存，大大提升了神经网络的性能。 4） 场景 人工智能经典的应用场景包括： 用户画像分析基于信用评分的风险控制欺诈检测智能投顾智能审核智能客服机器人机器翻译人脸识别4.2. 三者关系简述 人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法及应用系统的一门新的技术科学。 机器学习：专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。是人工智能的核心研究领域之一，任何一个没有学习能力的系统都很难被认为是一个真正的智能系统。 深度学习：源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。 最后，推荐个人工智能学习路线图，还有几个网站和相关书籍~作为程序员可以在掌握了数学、python的基础上多了解机器学习等，并通过项目实操多参与实践。 |
|
|
知识体系 首先要做到应用。这对于熟练python的程序员有一定优势， 同时需要对机器学习和深度学习有一定了解，能用tensorflow做一些模型训练。 其次，熟悉tensorflow，caffe，pyTorch等框架，拥有对Inception，Resnet等经典模型的基础。能看懂论文和代码，并能够结合数据进行分析和实验，对模型结构，参数等不断进行优化，达到提高识别率等目的。这个优化过程需要耗费大量的时间。 对于一些仅仅想了解或初步尝试的学习者，推荐一些通俗易懂的帖子和网站： 如何自学人工智能？ 学习人工智能的路线？ 非技术背景入门人工智能，有哪些值得推荐的基础学习资料？ 机器学习第一部分：python库相关 （共四部分，华为技术专家经验分享） 若有一定基础，并且有实操的需求，华为云机器学习服务了解一下~（附教学视频） 对于想深入了解人工智能行业或希望从技术上有提升的学习者，推荐看一些经典之作： 1．学习 OpenCV |
|
|
Learning OpenCV 的作者是 Gary Bradski 和 Adrian Kaehler，本书适合对计算机视觉和图像处理有基本了解的人群，通过本书能更好地了解 OpenCV 如何让编程任务更容易。 两位作者将众所周知的算法编码成可调用的函数库，可以用来完成更复杂的任务。当然，这也作为一本用户手册，目录结构清晰，遇到问题时可进行查阅。 2．统计自然语言处理基础 |
|
|
Foundations of Statistical Natural Language Processing，作者是 Christopher D. Manning 和 Hinrich Sch ü tze。本书涵盖的内容十分广泛，包括了构建自然语言处理软件工具将用到的几乎所有理论和算法。全书的论述过程由浅入深，从数学基础到精确的理论算法，从简单的词法分析到复杂的语法分析，适合不同水平的读者群的需求。 3. Python 自然语言处理 |
|
|
Natural Language Processing with Python 的作者是 Steven Bird、Ewan Klein 和 Edward Loper。本书基于自然语言工具包 NLTK 库，内容按照难易程度顺序编排，不要求读者有 Python 编程的经验。是自然语言处理领域的一本实用入门指南，适合 Common Lisp 初学者及对其感兴趣的相关人员。 4. 智能 Web 算法 |
|
|
作者是 Haralambos Marmanis 和 Dmitry Babenko，本书会让你学会该如何捕获、存储和构建网络中的用户数据，并通过数理统计、神经网络和深度学习等方法实现数据分类，进而构建推荐系统。本书还提供了如在线广告的点击预测等案例分析，附有相关代码。 5．语音与语言处理 |
|
|
这本书的作者是 Dan Jurafsky 和 James H. Martin，本书涵盖了经典自然语言处理、统计自然语言处理、语音识别和计算语言学等方面。对于语音学领域专业人员，是一本重要的参考书籍。 |
|
|
6．模式识别与机器学习 |
|
|
作者是 Christopher M. Bishop。本书提出了近似推理算法和用于描述概率分布的图模型等多种最新分类方法。在阅读本书之前，最好有多变量微积分和基本线性代数等数理基础，面向人群为高年级本科生、研究生和相关研究人员。 7．游戏人工智能编程案例精粹 |
|
|
Programming Game AI by Example，作者 Mat Buckland。本书是游戏人工智能方面的经典之作，畅销多年，主要讲述如何使游戏中的角色具有智能。适用于对游戏 AI 开发感兴趣的爱好者和游戏 AI 开发人员。 8．模式分类 |
|
|
Pattern classification 的作者是 Richard O. Duda、Peter E. Hart 和 David G. Stork，是模式识别和场景分析领域的经典著作。 9．模式识别中的神经网络 |
|
|
Neural Networks for Pattern Recognition 的作者是 Christopher Bishop，本书在介绍基本数学知识后，研究了概率密度函数的建模方法以及多层感知机和径向基函数网络模型的性质和优点，还提到了误差函数的主要算法、神经网络调参技巧及贝叶斯技术的应用。适合涉及神经计算和模式识别领域的相关研究人员。 10．计算机视觉 |
|
|
Computer Vision: A Modern Approach 是计算机视觉领域的经典教材，作者为 David Forsyth 和 Jean Ponce。 本书涉及线性滤波、局部图像特征、聚类、图像分类、对象检测和识别、基于图像的建模与渲染等。 |
|
|
与前一版相比，本书简化了部分主题，增加了应用示例，重写了关于现代特性的内容，详述了现代图像编辑技术与对象识别技术。 11. 人工智能游戏编程真言 |
|
|
AI Game Programming Wisdom 的作者是 Steve Rabin，本书汇集了与智能游戏开发有关的人工智能内容，借助这些内容，开发员能够顺利开发角色。 中译本《人工智能游戏编程真言》 |
|
|
|
|
|
|
|
人工智能中的“人工”一词是英文单词“artificial”的中文翻译结果。而在日常用语中， “artificial ”一词的意思是合成的（即人造的），这通常具有负面含义，即“人造物体只是真实物 体的次要形式”。然而，人造物体通常优于真实或自然物体。例如， 人造花是用丝和线制成的类 似花蕾或花簇的物体，不需要以阳光或水分作为养料，却可以为家庭或企业提供实用的装饰功 能。虽然人造花给人的手感及香味可能不如天然的花朵， 但它们看起来和真实的花朵如出一辙。 另一个例子是由蜡烛、煤油灯或电灯泡产生的人造光。显然，只有当太阳出现在天空时， 阳光才会出现，但我们可以很容易地获得人造光。就这一点来讲，人造光优于自然光。 最后，考虑一下人工交通工具（如汽车、火车、飞机和自行车），它们与跑步、步行和其他 自然形式的交通（如骑马）相比，在速度和耐久性方面有很多优势。当然，人工形式的交通也 有一些显著的缺点—高速公路在地球上无处不在，整个大气环境中充满了汽车尾气，人们内 心的宁静（以及睡眠）常常被飞机的轰鸣声打断等等[3]。 和人造光、人造花、交通工具一样，人工智能不是自然的，而是人造的。要确定人工智能 的优缺点，就必须首先理解和定义智能。 人工智能涉及的领域非常广泛，包括但不限于以下领域： 机器学习：这是人工智能的一个子领域，研究如何通过数据训练机器的算法，以自动识别和提取数据中的模式和规律。 自然语言处理：这个领域利用计算机模拟人类语言处理能力，进行语音识别、文本理解、文本生成等任务。 计算机视觉：这个领域利用算法使计算机能够识别、理解和解释图像和视频。 机器人技术：这个领域研究如何利用人工智能算法使智能机器人能够理解环境、适应环境、规划行动和执行任务等。 智能交通系统：这个领域利用智能算法打造提供高效、安全、环保的交通系统。 智慧医疗：这个领域利用人工智能提高医疗效率和精度，如智能诊断系统、医疗机器人等。 广告营销领域：通过人工智能，可以为广告营销领域提供数据支持、分析数据、智能广告投放等。 智能家居：这个领域主要引用物联网技术，通过智能硬件、软件、云计算平台等构成一套完整的家居生态系统。 网络安全领域：人工智能也可以应用于网络安全领域，例如通过智能算法检测和预防网络攻击等。 此外，人工智能还涉及智慧金融、智慧教育、智能制造、智慧物流、智慧旅游等多个领域。随着技术的不断发展和创新，人工智能的应用领域还将不断扩大和深化。 人工智能书籍1、人工智能（第3版） |
|
|
美国经典人工智能教材第3版，人工智能的百科全书，新增深度学习及人工智能编程等内容，理论阐释结合动手实践，附赠PPT课件、配套视频及代码文件。 本书包括引言、基础知识、基于知识的系统、人工智能高级专题、人工智能的现在和未来以及安全与编程六部分内容。第一部分从人工智能的定义讲起，对人工智能的早期历史、思维和智能的内涵、图灵测试、启发式方法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN 等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，也介绍了机器学习、深度学习以及受到自然启发的搜索算法等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。第六部分主要介绍人工智能的安全以及编程问题。 本书系统、全面地讲解了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。 2、动手学深度学习 PyTorch版 |
|
|
《动手学深度学习》全新PyTorch版本，李沐和亚马逊科学家阿斯顿·张等大咖作者强强联合之作，机器学习、深度学习领域重磅教程，交互式实战环境，配套资源丰富！ 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 3、ChatGPT与AIGC生产力工具实践 智慧共生 |
|
|
ChatGPT和AIGC入门实战，小米科技联合创立人王川作序推荐，人人都能用好人工智能AIGC工具，丰富的实践案例，有效提升工作、学习、生活效率！ 人工智能（AI）是否会取代人类？是不是所有的事情机器都能比人做得好？当 AlphaGo 能下围棋、ChatGPT 能理解并生成内容时，当每一次AI 应用取得突破时，这两个问题都会引起人们的广泛讨论。 本书提供了多个 AI 应用的例子，可让读者直观地了解 AI 已经可以出色地完成很多任务。通过一个个具体的案例，本书细致讲解了主要 AI 工具的使用方法，包括 ChatGPT、Midjourney、Stable Diffusion 等 AIGC（人工智能生成内容）工具，以辅助我们完成绘画、视频制作、写作、科研等任务，从而提高工作效率。在具体的案例之外，本书还有对方法论的阐述，可提升读者对 AI 的认知，增强人人都能用好 AI 的信心。希望读者能举一反三，找到更巧妙、更适合自己的 AI 应用方式。 4、GPT图解 大模型是怎样构建的 |
|
|
带你从0到1构建大模型，突破语言奥秘，开启智能未来！深入探索自然语言处理技术的核心原理，结合实战，让你成为AI领域的语言模型构建达人！ 本书将以生动活泼的笔触，将枯燥的技术细节化作轻松幽默的故事和缤纷多彩的图画，引领读者穿梭于不同技术的时空，见证自然语言处理技术的传承、演进与蜕变。在这场不断攀登技术新峰的奇妙之旅中，读者不仅能深入理解自然语言处理技术的核心原理，还能自己动手，从零开始搭建起一个又一个语言模型。 无论你是在校学生还是人工智能从业者，这本书都将成为一盏明灯，照亮你探索人工智能无限奥秘的道路。 5、AIGC自动化编程 |
|
|
基于ChatGPT、GitHubCopilot、Claude2、AmazonCodeWhisperer等，介绍如何实现自动化编程，提升工作效率。 本书为读者提供了一次深入探索人工智能和自动化编程的奇妙之旅。全书从AI（Artificial Intelligence，人工智能）的基本概念和背景入手，逐渐深入到如何使用具有代表性的AIGC工具—ChatGPT、GitHub Copilot和Claude2等进行自动化编程。此外，本书还详细介绍了其他多种AI代码生成解决方案。针对桌面应用、Web应用、游戏、办公自动化等场景，本书还提供了丰富的实例。 本书适合对AI和自动化编程感兴趣的初学者阅读，也适合有一定基础并且想要提高开发技能的程序员阅读。同时，本书也可以作为高校或培训机构的参考书。 |
|
人工智能现在能做什么？有哪些领域？也许不像一些更乐观的媒体文章让人相信的那样多，但仍然很多，以下是一些例子。 自动驾驶：自动驾驶的历史可以追溯到20世纪20年代的无线电遥控汽车，而在20世纪80年代首次展示了没有特殊向导的自动道路驾驶。在2005年的212公里沙漠赛道DARPA挑战赛和2007年繁忙城市道路的城市挑战赛上，自动驾驶汽车成功展示之后，自动驾驶汽车的开发竞赛正式开始。2018年，Waymo的测试车辆在公共道路上行驶超过1600万公里，没有发生严重事故，其中人类司机每9650公里才介入一次接管控制。不久之后，该公司开始提供商业机器人出租车服务。 腿足式机器人：雷伯特等人制作的四足机器人BigDog，颠覆了我们对机器人如何行动的概念一一不再是好莱坞电影中机器人缓慢、僵硬、左右摇摆的步态，而是类似于动物，并且能够在被推倒或在结冰的水坑上滑倒时恢复站立。类人机器人Atlas不仅能在崎岖不平的路况中行走，还可以跳到箱子上，做后空翻后可以稳定落地。 自动规划和调度：每天，优步（Uber）等网约车公司和谷歌地图等地图服务为数亿用户提供行车向导，在考虑当前和预测未来交通状况的基础上快速规划最佳路线。 机器翻译：在线机器翻译系统现在可以阅读超过100种语言的文档，涵盖99%的人类使用的母语，每天为数亿用户翻译数干亿词语。虽然翻译结果还不完美，但通常足以理解。对于具有大量训练数据的密切相关的语言（如法语和英语），在特定领域内的翻译效果已经接近于人类的水平。 语音识别：2017年，微软表示其会话语音识别系统的单词错误率已降至5.1%，与人类在Switchboard任务（转录电话对话）中的表现相当。现在全世界大约三分之一的计算机交互是通过语音而不是键盘完成的，另外Skype提供了10种语言的实时语音翻译。Alexa、Siri、Cortana和谷歌都提供了可以回答用户问题和执行任务的助手。例如，谷歌Duplex服务使用语音识别和语音合成为用户预订餐厅，它能够代表用户进行流畅的对话。 推荐：Amazon、Facebook、Netflix、Spotify、YouTube、Walmart等公司利用机器学习技术，根据用户过去的经历和其他类似的人群为用户推荐可能喜欢的内容。推荐系统领域有着悠久的历史，但由于分析内容（文本、音乐、视频）以及历史和元数据的新深度学习方法的出现，推荐系统正在迅速发生变化。垃圾邮件过滤也可以被认为是推荐（或不推荐）的一种形式。目前的人工智能技术可以过滤掉99.9%以上的垃圾邮件，电子邮件服务还可以推荐潜在收件人以及可能回复的文本。 博弈：1997年，当“深蓝”（Deep Blue）击败国际象棋世界冠军加里?卡斯帕罗夫（Garry Kasparov）后，人类霸权的捍卫者把希望寄托在了围棋上。当时，天体物理学家、围棋爱好者皮特?赫特（Piet Hut）预测称：“计算机在围棋上击败人类需要一百年的时间（甚至可能更久）。”但仅仅20年后，ALPHAGo就超过了所有人类棋手。世界冠军柯洁说：“去年的ALPHAGo还比较接近于人，现在它越来越像围棋之神。”ALPHAGo得益于对人类棋手过去数十万场棋局的研究以及对团队中围棋专家的知识提炼。 图像理解：计算机视觉研究人员不再满足于在具有挑战性的ImageNet物体识别任务上超越人类的准确性，他们开始研究更困难的图像描述问题。一些令人印象深刻的例子包括“一个人在土路上骑摩托车”“两个比萨饼放在炉顶的烤箱上”和“一群年轻人在玩飞盘”。然而，目前的系统还远远不够完善，一个“装满大量食物和饮料的冰箱”原来是一个被许多小贴纸遮挡住部分的禁止停车的标志。 医学：现在，人工智能算法在多种疾病的诊断方面（尤其是基于图像的诊断）已经达到或超过了专家医生的水平。例如，对阿尔茨海默病、转移性癌症 、眼科疾病和皮肤病的诊断。一项系统回顾和汇总分析发现，人工智能程序的平均表现与医疗保健专业人员相当。目前医疗人工智能的重点之一是促进人机合作。例如，LvA系统在诊断转移性乳腺癌方面达到了99.6%的总体准确性，优于独立的人类专家，但两者联合的效果仍然会更好 。 气候科学：一个科学家团队凭借深度学习模型获得了2018年戈登?贝尔奖，该模型发现了之前隐藏在气候数据中的极端天气事件的详细信息。他们使用了一台具有专用GPU硬件，运算性能超过exaop级别（每秒1018次运算）的超级计算机，这是第一个实现这一目标的机器学习程序。Rolnick等人提供了一个60页的目录，其中列举了机器学习可用于应对气候变化的方式。 以上内容摘自《人工智能：现代方法（第4版）》。 |
|
|
本书全面、深入地探讨了人工智能（AI）领域的理论和实践，以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中，真正做到理论和实践相结合。全书分7个部分，共28章，理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想，内容主要包括逻辑、概率和连续数学，感知、推理、学习和行动，公平、信任、社会公益和安全；实践部分完美地践行了“现代”理念，实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。 相关阅读： ======== 赠人玫瑰，手留余香，不要忘记点赞、收藏、关注 @人民邮电出版社哦~ 一键三连，感恩有你~ |
|
@pythonic生物人 推荐一个ML review paper仓库，供参考： Deep LearningArchitecture: A State-of-the-Art Survey on Deep Learning Theory and Architectures (2019)Knowledge distillation: Knowledge Distillation: A Survey (2021)Model compression: Compression of Deep Learning Models for Text: A Survey (2020)Transfer learning: A Survey on Deep Transfer Learning (2018)Neural architecture search: A Comprehensive Survey of Neural Architecture Search (2021)Neural architecture search: Neural Architecture Search: A Survey (2019)Natural Language ProcessingDeep Learning: Recent Trends in Deep Learning Based Natural Language Processing (2018)Classification: Deep Learning Based Text Classification: A Comprehensive Review (2021)Generation: Survey of the SOTA in Natural Language Generation: Core tasks, applications and evaluation (2018)Generation: Neural Language Generation: Formulation, Methods, and Evaluation (2020)Transfer learning: Exploring Transfer Learning with T5: the Text-To-Text Transfer Transformer (2020)Transformers: Efficient Transformers: A Survey (2020)Metrics: Beyond Accuracy: Behavioral Testing of NLP Models with CheckList (2020)Metrics: Evaluation of Text Generation: A Survey (2020)Computer VisionObject detection: Object Detection in 20 Years (2019)Adversarial attacks: Threat of Adversarial Attacks on Deep Learning in Computer Vision (2018)Autonomous vehicles: Computer Vision for Autonomous Vehicles: Problems, Datasets and SOTA (2021)Image Captioning: A Comprehensive Survey of Deep Learning for Image Captioning (2018)Instance Segmentation: A Survey on Instance Segmentation: State of the artVision Transformer: A Survey on Vision TransformerArchitectures: Review of deep learning: concepts, CNN architectures, challenges, applications, future directionsTransformers: Transformers in Vision: A SurveyVision and LanguageTrends: Trends in Integration of Vision and Language Research: Tasks, Datasets, and Methods (2021)Trends: Multimodal Research in Vision and Language: Current and Emerging Trends (2020)Reinforcement LearningAlgorithms: A Brief Survey of Deep Reinforcement Learning (2017)Transfer learning: Transfer Learning for Reinforcement Learning Domains (2009)Economics: Review of Deep Reinforcement Learning Methods and Applications in Economics (2020)Discovery: Deep Reinforcement Learning for Search, Recommendation, and Online Advertising (2018)GraphSurvey: A Comprehensive Survey on Graph Neural Networks (2019)Survey: A Practical Guide to Graph Neural Networks (2020)Fraud detection: A systematic literature review of graph-based anomaly detection approaches (2020)Knowledge graphs: A Comprehensive Introduction to Knowledge Graphs (2021)EmbeddingsText: From Word to Sense Embeddings:A Survey on Vector Representations of Meaning (2018)Text: Diachronic Word Embeddings and Semantic Shifts (2018)Text: Word Embeddings: A Survey (2019)Text: A Reproducible Survey on Word Embeddings and Ontology-based Methods for Word Similarity (2019)Graph: A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications (2017)Meta-learning and Few-shot LearningNLP: Meta-learning for Few-shot Natural Language Processing: A Survey (2020)Domain Agnostic: Learning from Few Samples: A Survey (2020)Neural Networks: Meta-Learning in Neural Networks: A Survey (2020)Domain Agnostic: A Comprehensive Overview and Survey of Recent Advances in Meta-Learning (2020)Domain Agnostic: Baby steps towards few-shot learning with multiple semantics (2020)Domain Agnostic: Meta-Learning: A Survey (2018)Domain Agnostic: A Perspective View And Survey Of Meta-learning (2002)OthersTransfer learning: A Survey on Transfer Learning (2009) https://github.com/eugeneyan/ml-surveys 更多干货+ @pythonic生物人 |
|
说到人工智能领域，如果细分起来那就非常多了，下面我罗列一些比较热门的吧。 1.AI+金融 在智能金融领域，人工智能主要应用于四大领域：保险科技、智能风控、智能投顾和智能投研。在这个可以产生大量数据的行业，实在太适合人工智能了，针对金融风控、营销等领域的人工智能产品层出不穷，数据分析师这个职业也在金融领域发光发热。 2.智能安防 在智能安防领域，人工智能主要应用于五大领域：身份认证系统、智能摄像机、车辆大数据、视频分析和家庭安防。在智能安防领域，其中比较关键的人工智能技术是人脸识别，可以直接应用在安防中。 3.AI+大健康（智能医疗） 在AI+大健康领域，人工智能主要应用于六大领域：智能影像诊疗、医学数据挖掘、智能问诊、语音电子病历、健康管理、药物挖掘。像医院里常见的X光、CT、MRI等医学影像，都会用到AI，像新冠疫苗研发，病毒研究等，那更是疫情大环境下的基本操作了。 4.智能驾驶 在智能驾驶领域，人工智能主要应用于三大领域：ADAS（高级驾驶辅助）系统、自动驾驶算法和车载交互系统。这个应该大家都比较熟悉吧，新闻满天飞的自动驾驶汽车，像特斯拉、小鹏、蔚来、比亚迪等等，里面的自动驾驶系统，算法，激光雷达等，都会用到人工智能。 5.AI+企业服务 在企业服务领域，人工智能主要应用于五大领域：智能营销、智能客服、数据标注、商业决策和智能招聘。字面意思都很好理解，数据为王，比较新的就是2020年出来的AI招聘了。 6.机器人 机器人的应用可就多了，像服务机器人、教育机器人、工业机器人、仓储/物流机器人、家庭机器人、医疗机器人等等，各家各户，或多或少都会有那么一些机器人存在，应用范围也越来越广泛，而工业机器人更是重点，在智能制造领域可谓是一大助力。 7.AI+互联网服务 在AI+互联网服务领域，人工智能主要应用于七大领域：安全防护、翻译、语音助手、智能推荐、图片/视频处理、旅行规划和内容生产与审核。从上面的几个领域，大家应该也能猜到其中的用途，像抖音等短视频平台上的内容审核，各种翻译笔，翻译软件等，都是人工智能来完成。 8.AI基础元件 AI基础元件领域，主要有五大类别：AI芯片、毫米波雷达、激光雷达、计算模组和深度摄像头。AI基础元件构成了人工智能产业链的基础层，也就是说，所有领域都需要这些元件作为基础，不可或缺的存在，例如芯片。 9.AI+教育 在教育领域，人工智能主要有五大应用：自适应学习、分级阅读、智能排课、智能评测和语音学习。自适应学习也是2020年才逐渐兴起的概念，根据学生的学习情况，智能制定学习计划，非常受家长追捧。 10.AI+零售 在零售领域，人工智能主要有四大应用：顾客行为分析、商品识别、物流管理和自助结算。新零售的重要形态之一，就是无人零售，像阿里、京东都在搞无人零售店。 11.AI+家居建筑 在家居建筑领域，人工智能主要有四大应用：智能家电、智能音箱、语音网关和建筑设计。该领域得益于智能语音技术的发展，其在物联网角度的想象空间巨大，即人类可以通过语音交互的方式，与周围的一切进行交互和指挥性动作。 12.AI+工业制造 在工业制造领域，人工智能主要有三大应用：机器人视觉、缺陷检测和生产优化。人工智能的出现，推动了传统制造业的转型，不仅能降低了成本，还提高了效率，已经被很多企业认可，工业机器人在中国也得到了非常广泛的应用。 13.AI+法律 目前法律领域的人工智能应用还相对较少，获投较多的应用方向是法律咨询，其本质是法律领域的智能客服。 差不多就是这些了，我们可以看到，人工智能其实已经渗透到我们的方方面面，只要你用心，就能发现！ |
|
人工智能的领域涵盖广泛，从理论研究、软件工程到实际应用等各个方面都有涉及。 从AI的技术到智能终端这两大方向，小林给大家细分展开讲讲究竟包含有哪些内容，以及列举几个实际应用，让大家能更直观的理解到位，那就跟着我往下看看吧~ ?核心技术领域 从当前的研究方向来看，AI是一种模拟人类智能的技术和方法，它是计算机科学、认知心理学、哲学、神经科学、数学等多个学科的交叉领域，所涉及的核心技术包含以下几点： · 机器学习 这是人工智能领域中最活跃、最重要的领域之一。它通过建立数学模型，利用大量的数据来训练机器，使机器能够根据数据的输入输出关系进行学习和预测。 它是人工智能的核心，现在也应用广泛的GPT等大模型都是以它为核心基础展开一系列的调整研究。 |
|
|
· 自然语言处理 作为AI领域的一个重要方向，这个技术赋予了计算机理解和生成人类所使用的自然语言的能力，能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，也就是我们熟知的对话式AI。 能体现应用了自然语言处理技术的例子就有【混元大模型】，它通过将自然语言转化为计算机能够处理的语言形式，从而实现人与机器之间的自然语言交互。 它具备强大的中文创作能力，复杂语境下的逻辑推理能力，以及可靠的任务执行能力，主要覆盖有以下五大核心优势： |
|
|
实际的使用中包含有文本生成、对话系统、机器翻译、语义分析等方面，它在文本内容的生成上，提供了文本润色、文本校阅的功能，可以自由选择写作风格。 |
|
|
· 计算机视觉 它是指机器学习、模式识别、图像处理等技术应用于计算机视觉领域的研究。这种技术可以使机器“看懂”图片、视频和实际环境中的信息，进而进行识别、分析和推断等。 其中要说能直观体现这一技术的还得是图像生成的应用，我最近在用的这个【Styler】手机端软件，就能让大家很好的感受到，计算机视觉在图像处理中的自动化效果。 它是计算机视觉中图像生成的实际应用，可以仅用一张图片就让AI重新生成风格相似的新图像，利用AI生成绘画作品。 |
|
|
它内置有多种创作模型，包括：真实3D、卡通漫画、二次元、中国风等等，可供我们选择创作多种不同的画风。 可以按照我这个操作来快速上手体验：“点击AI创作——上传参考图——输入文本描述——立即生成” |
|
|
我还用软件创作了下面的图片作品~ |
|
|
|
|
|
· 语音识别 语音识别技术是人工智能领域中的一个重要分支，属于机器学习领域。它利用计算机技术和算法，通过大量数据训练，使计算机能够识别和理解人类语言的声音，并将其转换为文本形式，从而实现智能语音交互。 例如【腾讯云语音】这个AI语音处理平台，提供有语音识别、语音合成等一系列语音处理服务。 在语音识别功能中，可以用于识别音频文件，同时还支持多语言识别，其中包括英语、日语以及上海话、粤语等方言的识别。 |
|
|
而语音合成功能中，它可以应用多个领域，例如：客服、新闻、配音等，提供了有多种不同类型的音色，能够将文本转换为拟人的语音，从而拥有智能化体验。 |
|
|
?智能终端领域 当然，AI不能仅停留在理论与研究，未来的智能终端落地才是重要方向，现如今人工智能也在走进我们生活，向着各个智能终端设备方向在渗透落地。 · 人工智能服务平台 搭建人工智能服务平台，让更多的AI技术开放到各个行业领域的企业/个人使用，例如有【腾讯AI开放平台】，汇集多个AI技术能力，开放100多项AI能力接口，供行业使用。 提供先进的语音、图像、NLP等多项人工智能技术，共享AI领域新的应用场景和解决方案。 |
|
|
· 家居智能终端 另一个贴近生活与我们息息相关的就是智能家居终端，在家庭产品自动化、智能化的基础上，通过网络按拟人化的需求得以实现。 举一个大家都比较熟悉的例子就是【小米米家】，围绕小米手机、小米电视、小米路由器三大核心产品，由小米生态链企业的智能硬件产品组成一套完整的闭环体验。 从走进家门那一刻开始，智能门锁可联动多款产品，进屋启动回家模式，空气自动净化等等，打造舒适的回家体验，实实在在地将人工智能带进家家户户。 |
|
|
好啦，以上就是分享的全部内容，看完别忘了给小林留下点什么，这样 @小林不加班 才有动力继续分享，整理比上班还累的哇~ |
|
应该是在今年年初，我就有了ChatGPT的账号，但是一直没有系统的学习，更多的时候是当个玩具，有时候用它润色润色英文论文！压根没想过它能提高什么工作效率！ 但是在下半年，在我陆续看了几本关于ChatGPT的书后，我发现这东西不能不学，提高办公效率太明显了！我不用，别人用了，我是真卷不过别人，准确的说是我卷不过ChatGPT！ 我在这里就举一个ChatGPT和Excel梦幻联动的例子！ 如果你是人力或者财务的人员，你肯定会遇到给大家发工资条的情况！但是一般大家的工资情况会汇总在一个Excel表里，就像下面这样： |
|
|
但是因为密薪制，我们必须逐条复制粘贴然后单独发送给每个人！人数少的话还好说，如果成百上千，那就不好办了！ 如果我想把每个人的工资连同表头，单独建立一个工作表，并且以这个人的姓名作为这个工作表的名称，如果我们想进行批量化处理，我们就要用到Excel的【宏】的功能！ |
|
|
但是要实现这个功能，我们必须自己编程，并且要用VB语言！ |
|
|
一讲到编程，我相信大多数人都是一头两个大！即使到网上去搜程序，估计也搜不到完美契合的，还要自己去改！很多人走到这步也都放弃了，甚至真的去一条一条的去复制，估计忙上一天也未必能搞定，万一哪个粘错了，还要再返工！ 如果你熟练掌握ChatGPT，即使你对VB语言一窍不通，我保证你10分钟内搞定上面这个问题！ 你只需要发给Chat下面这样的prompt，ChatGPT就会自动帮你生成代码！ 以下是一个基本的 Excel VBA 宏，它可以将工作表中从第2行到第32行的每一行数据转换为一个新的工作表，并保留第一行的表头，使用每个人的姓名作为新工作表的名称，并保持新工作表的格式与原工作表的格式保持一致，包括列宽（第1列列宽为8，第2、3、4、5列列宽为12)、行高（行高为22.5)、字体字号、背景颜色等 没有任何的编程语言，完全是大白话，完全是最基本的描述，并且我增加了一些细节要求，比如说列宽、行高、字体、字号等等！ 然后ChatGPT就用VB语言为你编写的下面的一段程序！ |
|
|
接下来你需要做的就是点击复制，把代码粘贴到【宏】的代码框里！ |
|
|
接下来就是见证奇迹的时刻！ |
|
|
瞬间搞定！大概就是10分钟的样子，熟练的话5分钟就能搞定！ 所以ChatGPT，真的是强大！这样的高效工作不使用，那还怎么跟人家卷？推荐几本清华大学出版的AI系列书籍，有需要的朋友可以点击下方，下单购买： 我是正男 @工藤正男 ，一个多读了几年书的博士，你的点赞、收藏和关注是对我最大的支持！每周五晚8:00视频号直播，敬请关注！ |
|
|
| [收藏本文] 【下载本文】 |
| 上一篇文章 下一篇文章 查看所有文章 |
|
|
|
| 股票涨跌实时统计 涨停板选股 分时图选股 跌停板选股 K线图选股 成交量选股 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 网站联系: qq:121756557 email:121756557@qq.com 天天财汇 |