人工智能→机器学习→深度学习：．

循环神经

网络不定长数据

应用

机器学习应用场景

深度学习算法

深度学习与机器学习

人工智能，机器学习，深度学习的关系

机器学习应用流程

机器学习岗位职责

1. 机器学习是什么——无序数据转化为价值的方法

机器学习价值——从数据中抽取规律，并用来预测未来

2. 机器学习应用举例：

分类问题——图像识别、垃圾邮件识别

回归问题——股价预测、房价预测

（分类问题给出的是一个label，而回归问题给出的是一个实数）

排序问题——点击率预估、推荐

生成问题——图像生成、图像风格转换、图像文字描述生成

3. 机器学习应用流程：

4. .机器学习岗位职责：

数据处理（采集+去噪）

模型训练（特征+模型）

模型评估与优化（MSE、F1-Score、AUC+调参）

模型应用（A/B测试）

5.

6.深度学习与机器学习：

机器学习是实现人工智能的方法。

深度学习是实现机器学习算法的技术。深度学习的算法实际上可以用机器学习其他算法实现，但是深度学习可以结合大数据使算法达到更好的效果，这是其他算法不能达到的。

7. 深度学习算法集合：

卷积神经网络：图像生成、图像分类等

循环神经网络：用来处理不定长数据的。不定长数据指的是输入的长度是不一样的。比如说它可以是文本数据，比如说一个文本分类问题。

（循环神经网络在NLP领域使用的比较广泛，卷积神经网络在CV领域使用的比较广泛）

自动编码器

稀疏编码

深度信念网络、限制波尔兹曼机

深度学习+强化学习=深度强化学习（交叉领域）：alpha-go等

8. 深度学习进展：

图像分类：IMAGENET比赛

机器翻译：循环神经网络加了attention

图像生成：转换，上色可以帮助二次元漫画家上色、字体、图像特性化

AlphaGo：CNN

机器学习是什么：无序数据转化为价值的方法

机器学习价值：从数据中抽取规律，并用来预测未来

深度学习是机器学习的一个子方向

机器学习是实现人工智能的方法

深度学习是实现机器学习算法的技术

深度学习算法集合：

        卷积神经网络（CNN）

        循环神经网络（处理不定长数据）

        自动编码器、稀疏编码、深度信念网络、限制玻尔兹曼机

深度学习能够解决的问题在机器学习算法中也有相应的能解决的

深度学习的优势是在当前大数据的条件下达到更好的解决效果

机器学习是什么——无序数据转化为价值的方法

 机器学习应用：
分类：标签，如图像识别
回归：数值，如股价预测
排序：如推荐排行（广告）
生成问题：如图像文字描述生成

职责：
数据处理-采集+去躁
模型训练-特征+模型
模型评估与优化-调参
模型应用-A/B测试，新模型与旧模型应用的比较

人工智能>机器学习>深度学习

深度学习基础

机器学习应用：分类，回归，排序，生成。

深度学习算法可以使用机器学习中的其他算法代替，但是深度学习算法的性能是其他代替

deep learning algorithm set

the relationship between AI, ML and DL

machine learning position duty

machine learning application process

machine learning application instances