当我学习AI时，我在想什么

AI实战营报名链接

 

学习动力源于AI的魅力，百度让我看见了抵达AI的可能。

 

AI是一个大潮流已是公认的事实，大规模影响个人生活的时刻似乎也近在咫尺。面对极大可能影响未来面貌的技术，采取积极主动的方式，我认为是明智的举动。意外发现这一个极好的入门性的课程，循序渐进又配有实验环境，这里需要给百度教育合作与共建点个赞。

——优秀学员陈勋

 

“深蓝”与卡斯帕罗夫的国际象棋对弈是里程碑式的人机对战案例，引起了人们对人工智能的深入思考。科学的学习路径设计，理论＋实践的训练方式，加上最终的实践考核，在百度教育合作与共建我大概体会到了学习AI的最大乐趣。随着实验模型的逐一进阶，我感觉到AI的魅力就在其中。

——优秀学员Rothschild

 

随着5G的到来，通信网络是人工智能爆发的基础, 人工智能将大幅提升通信网络能力。5G、人工智能和物联网，正在时代的路口交汇，注定会携手同行，开启一场通信变革。作为一名物联网专业的大学生，我渴望学习人工智能，但一直未找到好的学习路径，直到遇到了百度教育合作与共建。

——优秀学员YGX

 

人工智能就是一堆的if-else吗？

 

还记得最早学习完C/C++语言课程后，单纯的认为所有程序无非就是判断、顺序与循环。什么面相过程还是面向对象，本质差不多。后来遇到要编写人机对弈程序，发现似乎不是那么回事，例如一个复杂度比较低的五指棋游戏，如果你为每种特定的场景编写特定的应对方式，这个编程的复杂度就有些大了，不是一堆的if-else就能解决的了的。

 

了解到人工智能以后，它从另一个视角告诉你，可以用一种不同的编写程序的思维方式，不是简简单单一堆if-else的堆砌。它需要从数据中捕捉出特征，通过模型对不同特征进行整合，最后告诉你符合这些特征的是一匹马，它具有一定灵活性，也就是我们感觉它“智能”的部分，绝不会造成“指鹿为马”的笑话。

 

传统思维与人工智能思维这两种思维体的本质差异我认为是将实际问题抽象成什么类型数学问题的差异。

 

“学习的最小可扩展框架”

 

业界在产品开发时存在一个MVP（minimum viable product，最小化可行产品）概念：含义是快速地构建出符合产品预期功能的最小功能集合，然后不断迭代出最终产品。维持一周的AI实训课程提供了一个学习机器学习知识的类MVP，不过这里用原来的概念不是很恰当，我喜欢用“学习的最小可扩展框架”概念（如有雷同概念纯属意外），特指为未来进一步深入学习提供的一个基础框架。

 

此次AI实训课程核心的两个子课程是线性规划预测波士顿房价以及用卷积神经网络实现手写数字图片识别，是很好的入门课程。案例暂时忽略了入门阶段不需要掌握的细节，专注机器学习的主要流程是如何的，通过通过具体的例子也有利于理解。案例虽然简单，但阐述清晰了有监督学习的框架：数据输入、模型训练与运用。虽然涉及到仿生学、统计学、优化问题等等，但这些不影响我们理解整个过程的全貌。

 

那为何说提供了一个“学习的最小可扩展框架”呢？

 

例如通过第一个波士顿房价预测的案例，可以了解到一个经典的神经网络模型，对于机器学习的过程有了一个初步的过程性框架。不过进一步思考整个过程与模型，如果输入的数据X的量极大的时候会出现什么问题？该如何处理呢？第二个手写数字的例子就涉及了这个问题。如果把一张图片的每一个像素拉平作为输入，这个输入量就太大了，影响训练效率，卷积神经网络就是在经典神经网络模型上对输入数据进行了优化，通过卷积进行“特征提取”，我们本质上关心的是特征，而不是有多少输入。

 

类似的，如果没有标签呢？也就是说如果没有预测后用于比较差距的y数据那该如何呢？无监督学习就是需要学习的方向了。通过提问，你可以从最基础的一个模型扩展到机器学习的其他方面，其实就是提供了一个学习的框架，我称为“学习的最小可扩展框架”。你就知道自己在什么位置，在做什么了。整个过程类似于数学中的不断推翻原来假设的过程。

 

另外，上述的提问方式是问题导向，如果是原理导向的提问，就可以逐步深入模型内容的原理。主要有优化问题、统计问题等等。实训营的课程循序渐进、由浅入深，最重要的是一个提供实训环境。作为新手，确实是很不错的入门学习资源。

 

学习AI的过程，实则是由兴趣开始，由思考入门，再由实操加深。学习AI实操你会更加明确AI可以做什么，它的边界是什么，面对AI的时候我们的热情中会多一些冷静，这或许是更好的状态。

 

AI实战营报名链接