《漫画：神扯机器学习.docx》由会员分享，可在线阅读，更多相关《漫画：神扯机器学习.docx（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、漫画：神扯机器学习小黑羊小黑羊和他的猫8月11日今天神扯的主题是：机器学习虽然，AI火了很久，但是谈起人工智能、机器学习、深度学习这些 概念，吃瓜群众还是一脸懵逼。今天，我们来系统讲讲,这些概念到底有啥区别和联系。2020 年 4 月 30 日，Amazon SageMaker 在 AWS 中国（宁夏）区域和（北京）区域双双正式上线！如果我们再通盘捋一遍AWS的AI能力，就会发现,SageMaker只是一个，小全家桶，而AWS还有个更大的AI全家桶。这个大桶，分三层最上层，是AWS预制的各类通用人工智能服务，比方视觉识别、 语音识别、文字翻译、反欺诈检测等等，可以直接调用。中间层，就是Sage
2、Maker 了，是机器学习一条龙服务，快速构建、训I练和 部署自己的模型。最下面一层，是机器学习基础架构，包含了各种框架、算法、专 门用于ML的系统镜像和容器，还有CPU/GPU资源，以及AWS为AI定制的硬件和芯片。这一层，可以让资深人员或者组织，创立更 为复杂的机器学习任务。SO ,如果你想实战AI ,随手选个桶，搞定！最近IDC发布了一份中国人工智能云服务市场研究报告 (2019)，据这份报告说2019年中国AI云服务市场的规模是 1.66亿美金，坦白讲，这个数字很惨淡，惨得一匹。各大云服务商汗牛充栋般罗致自家的AI能力，换来的收益只有区 区1.66亿上面这张各大云商AI产品统计图，有点
3、意思，仔细观察，会发现AWS的布 局跟大家很不一样。其他云商在提供了大量人脸、图像、语音等通用AI工具/平台，但唯独AWS ,把重心放在机器学习工具上，这是什么操作？我个人的理解是：通用AI平台（机器视觉类、语音、NLP等等），同质化非 常严重了，目前人工智能平台处于“产能过剩但有效供给缺乏”，过剩的正是 这些通用AI能力，而缺乏的，恰恰是那些能帮助用户快速训练自己专属模型 的能力。AI落地雷声大雨点小，皆因行业场景千差万别，通用模型不是万能模型， AWS的SageMaker就像一把朴实无华的AK47 ,上手简单，老少咸宜，拿来 突突突,在AI战场快速攻城略地。END本文首发于特大号主编I小黑
4、羊 插画I庭作阅读原文，领取SageMaker大礼包阅读原文阅读3094赞17在看26写下你的留言下面这张图看得比拟明白，人工智能、机器学习和深度学习，其实三 者是层层包含的关系。I有0s叩0 阳。2DOO 0010s人工智能的概念，起源于1950年代，包含多个分支，比方专家系统、进化计算、模糊逻辑、推荐系统，也包括最重要的分支：机器学习。说白了，机器学习是实现人工智能的方法之一。而机器学习，又细分了很多种学习“方法”：有监督学习、无监督学习、强化 学习、深度学习等等。先来简单扒一扒各种学习方法I有监督学习由专家先把数据的特征标记好，交给机器来学习这些特征，然后， 机器会得到一个模型。这个过程
5、，称之为训练。得到模型以后，机器在看到没有标记的新数据，也能活学活用，把符合模型特征的找出来。这个过程，称之为推理。这个学习过程，有所谓的砖家参与监督，所以叫做有监督学习I无监督学习整个过程，没有砖家参与标注数据，所有的数据都是一脸懵逼的进 去，机器经过一番研究之后，会懵懂滴从中找出一些规律，然后输出 结果。比方，机器并不能学习并识别猫的模型，但是可从海量的猫图片中， 发现黑猫白猫两大类，然后把他们分类。这，就是无监督学习I强化学习在机器学习中，还有一种方法，叫做强化学习，俗称：打一巴掌，给 个甜枣。让机器对问题作出判断，如果机器给出了错误的答案，就对机器进行 惩罚，给与负面反应。如果机器给出
6、了正确的答案，就对机器进行“奖励”，给与正面反应。整个过程，很像训练马戏团的猴子，久而久之，机器对这类事物的判 断就会越来越趋向正确的方向。通过奖惩来进行强化，这就是强化学习”。I深度学习接下来，轮到了机器学习领域最重要的方法：深度学习。深度学习也使用了有监督/无监督学习的方法，但近10年里，深度学 习开展迅猛，现在已经在机器学习中自成一派，成了当红炸子鸡。虽然深度学习并不像上面图中那样，把机器沉在深水中学习，但是， 深度学习的水还是挺深的。深度学习采用了“深度神经网络这个“深度”其实是指神经网络的层数。神经网络有点像一个多级的水管系统，左边是数据输入，中间设置了很多阀 门，通过不断调节每个阀
7、门的出水量，最终，让右边的输出，到达我们预期 的结果。不断调节阀门、优化结果的过程，就是对神经网络进行训练，这个过 程需要大量的数据输入，也需要消耗大量的算力。最终,训练优化好的“水管网”（模型）,才能部署到生产系统中，学以致用。如果从0至I1回放整个过程，我们会发现，要完成一次机器学习/深度 学习实战，非常复杂。六步跑下来，一顿操作猛如虎。企业需要有数据、有算力、懂算法、懂场景，要有数据科学家、行业 业务专家、系统工程师、开发工程师、运维工程师难怪AI落地这么难，因为这个过程确实很艰辛。幸运的是，现在主流的公有云服务商，都逐步开始推出全托管式的机 器学习平台。这就像是个机器学习全家桶，在云上
8、一站式搞定机器学习的所有流 程。在这其中，AWS推出的Amazon SageMaker表现格外出众，堪称 “桶神。这个桶里，包含了一系列的工具，从数据集准备到模型构建、训练、监控、优化，再到生产部署、大规模扩展，全部一站式完成。无论数据科学家还是开发者，甚至是吃瓜小白尝鲜，都可以轻松玩转 机器学习。从编写代码、创立任务、多人协作，到开启训练、部署模型、参数调 优、迭代回溯，以及后期的应用和规模化部署，屁股不挪窝，就可以 轻松走起来。再举个具体的例子吧1Amazon SageMaker有个很强大的机器学习自动化组件，叫做 Autopilot ,它能自动训练模型，并让使用者能Amazon SageMaker ,贯穿了整个机器学习的工作流程，而且所有组件全部支持按需付费，让机器学习投入生产省时、省力、省钱！目前，全球已经有数以万计的客户利用SageMaker加快机器学习部 署，如今，这种便利，中国用户也可以享受到了 I