想选人工智能专业听听过来人怎么说
当你看到这篇文章或者视频的时候，说明你对于人工智能是抱有兴趣的。现在人工智能在各个领域得到了实质性的进展，就比如前段时间常常听到的ChatGPT。它能生成流利自然的文本，帮助人们处理各种复杂问题，同时它还是有史以来用户增长数最快的软件。就单单从ChatGPT来看，人工智能时代真的来了。回想我的大学四年，我还曾怀疑人工智能专业是否过于超前，但现在看来选人工智能专业是对了。那么，现在轮到你来做出抉择，考虑是否投入其中。
接下来我要说说人工智能是什么？首先人工智能并不是魔法，它仍然是一个程序，它被设计出来是为了解决复杂问题的，这也是为什么人工智能可以实现文本生成、图像生成、音乐生成和自动驾驶等功能。听到以上这些惊人的应用，你是否心动了呢？那么该怎么选择学校和专业？我认为首先应该考虑一线城市的高校，然后选择智能相关的专业，这对于以后考研就业都有帮助。
人工智能专业就业门槛是不是研究生？其实不然，我普通本科毕业也找到了算法工程师的岗位。对于工业应用来说，我只需要将AI算法的模型应用起来，并且应用效果不错就可以了，至于底层的模型原理并没有特别关心。当然，在后续还是有必要研究一下模型的构造。
那么应该怎么学？在刚上大学那会儿，我连电脑打字都不熟悉，一些拼音都不会拼写，更别说怎么编写程序了。但现在我打字完全可以不看键盘，编写程序时思路清晰，排查错误精准解决，这些是不断练习出来的。不过需要注意的是，编程并不是考试，它是开放的，可以借鉴和参考的，也就是说在编写代码时你可以浏览网络并复制粘贴代码。请抛弃考试思维，尽情编程吧。
关于学习资源，我认为前期可以浏览各个平台的教程，就比如github、微信读书、kaggle、huggingface、bilibili、牛客网等。这些平台都有大量的学习资源，足够充实你的大学生活了。
最后，我认为应该养成总结的习惯，你现在可以开通一个博客来记录自己的学习笔记，小到记录软件安装，大到人工智能软件的实现和分享，这些完全可以找一段时间来记录和总结。这样在以后遇到相同问题时可以迅速查找，同时自己的自信心也得到了极大的增强。就比如这篇文章和视频就是我的总结，在记录后我可以排查出以往过程中的不足之处，然后加以改进。
人工智能学院2023级硕士研究生赵久峰论文被中科院一区期刊Information Processing & Management（IPM）接收
徐昊教授指导的2021级硕士研究生赵久峰同学的论文Weak-PMLC:ALarge-ScaleFrameworkforMulti-LabelPolicyClassificationBasedonExtremelyWeakSupervision近日被InformationProcessing&Management（IPM）杂志接收。InformationProcessing&Management是Elsevier出版社旗下的中科院一区TOP期刊（CCF-B），SCIIF（2022）=7.466。本篇论文的通讯作者为徐昊教授，其他作者包括人工智能学院的2020级博士研究生宋瑞同学等。
论文题目：Weak-PMLC:ALarge-ScaleFrameworkforMulti-LabelPolicyClassificationBasedonExtremelyWeakSupervision
第一作者：赵久峰
指导教师：徐昊
收录期刊：InformationProcessing&Management（IPM）
期刊级别：中科院一区，CCF-B
论文概述：
随着电子政务的发展，我国多个地方政府都在发展基于互联网的政务公开平台，这些在线平台需要对政策进行自动分类。当前的政策分类方法通常是基于监督模型的，需要大量的标注数据，这在实践中可能很昂贵且难以获得。为了减轻人类专家注释大量政策的负担，我们提出了一个基于极弱监督的多标签政策分类的大规模框架（Weak-PMLC），它不依赖于任何带标签的文档，只使用每个类别的标签名称。具体来说，我们首先在给定数据集上预训练语言模型（LM），以将LM从通用扩展到特定领域。然后，我们利用特定领域的LM生成与标签名称语义相关的种子词。最后，根据类别相关的种子词，我们为大量未标注的政策生成高质量的伪标签，作为高性能监督模型的训练数据。
为了验证我们提出的方法的有效性，我们创建了两个新的人工标记数据集，分别包含大约56k和37k政策。我们还定义了59个可以涵盖所有政策主题的标签名称。在新构建的数据集上，Weak-PMLC的性能明显优于最先进的弱监督模型，同时不逊于一般的全监督分类算法。在公开数据集上，Weak-PMLC也能够取得与需要大量人力的弱监督方法相当甚至更好的性能。