治理需用好“人工”

目前有两个主要的用于开发深度学习应用程序的Python框架:Tensorflow和Pytorch

3.强化学习(RL)

在我看来，强化学习是三种ML中最复杂的一种。谷歌DeepMind AlphaGO程序打败了世界上最好的"围棋"选手就是一个RL的例子。

在传统的ML和DL中，人工智能系统从过去的数据中学习，而在RL中，人工智能系统通过采取一些行动并衡量其回报来学习，类似于训练我们的宠物狗狗学新技能。在像"AlphaGO"这样的游戏中，奖励是做出决定以最大化分数。

如何选择?

最后，有了各种各样的窄人工智能技术，你如何选择技术来解决你的问题?

首先，从业务角度理解问题。然后，尝试各种技巧，直到达到你的商业目标。使用企业可以使用的方法达到80%的准确率要比使用企业不能使用的方法达到99.9%的准确率要好!
 

1.传统机器学习

传统的ML使用基于统计方法的算法来执行ML，其中最著名的算法有线性回归、支持向量机、决策树等。这些技术的大多数数学和统计数据都有几十年的历史了，而且已经很好理解了。直到过去十年，它们才被广泛称为ML或AI。

要学习这些算法背后的数学，一个很好的参考是《The Elements of Statistical Learning》一书。 Python sklearn和xgboost软件包基本上可以包括上面所说的使用Python进行传统ML所需要的全部。

2.深度学习(DL)

DL彻底改变了计算机视觉(CV)和自然语言处理(NLP)领域。

在深度神经网络中，将多层人工神经网络链接在一起，可以根据通用逼近定理近似任意数学函数。人工神经网络的每一层都由一个线性操作和一个非线性操作组成。。

通过向算法提供有关我们要学习的任务的大量数据，可以"学习"线性运算的参数。 在内部，使用一种称为"梯度下降"的学习算法来逐步调整参数，直到获得最佳精度为止。