【科普】人工智能全面介绍
本文主要内容
一、人工智能是什么？
二、人工智能包含哪些领域？（应用层，技术层，基础层介绍）
三、人工智能的岗位有哪些？
四、人工智能学习哪些内容？
五、适合哪些人学习？
六、学出来对不同岗位有什么帮助？
一、人工智能是什么？
人工智能是一门利用计算机模拟人类智能行为科学的统称，它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。
例如：人工智能的图像识别，模拟的是人的视觉能力，语音识别模拟的是人的语言表达能力····，“人工智能”并不属于一门单独的技术，属于交叉学科，同时可以跟各个行业进行结合。
大家在网站上所看到的像自动驾驶、工业机器人、智能翻译、人脸识别的门禁等属于AI的应用场景，已经结合了产品后完成的AI应用。
二、人工智能包含哪些领域？（应用层，技术层，基础层介绍）
上图为人工智能的产业结构图。
第一，应用层：属于场景行业+AI，如智能医疗、智能安防、智慧教育，智能工厂智能家居等，可以将AI应用到所在行业，同时应用层也是产品经理和项目经理的主战场；
第二，技术层：AI的技术层，主要研究通用技术，如图像识别、语音识别、文本识别、自然语言处理等通用技术；其中AI的通用技术离不开机器学习（ML）和深度学习（DL），下文有关于机器学习和深度学习的详细介绍；
第三，基础层：主要做芯片、云计算、框架等方向。
从人工智能的底层平台需求出发，构建完整的从人工智能计算平台的硬件单元研发、数据治理、AI建模再到平台部署的人工智能的“基础设施”，基础层主要布局一些PaaS形态的基础计算平台和算法平台供其他公司直接调用，减少其他公司的人工智能研发成本和周期。
三、人工智能的岗位有哪些？
根据人工智能的产业结构，所以不同层都会有不同的岗位，具体如下：
第一，应用层岗位：AI项目经理、AI产品经理、AI售前解决方案工程师、智能硬件解决方案工程师、AI产品销售、传统制造，电力，化工燃气等行业+AI······
应用层属于PM岗的主战场，普遍薪资在25-50w之间，比普通PM岗位普遍高出30%-50%左右薪资。
第二，技术岗位：机器学习算法工程师、深度学习算法工程师、推荐算法工程师、自动驾驶算法工程师、语音识别工程师、图像识别工程师、NLP自然语言处理工程师、AI技术管理、AI高级研发工程师等······
技术层岗位起步薪资30-60w之间，且对年龄没有限制。
第三，基础层：属于岗位+AI，例如当下大数据开发工程师是要求懂AI机器学习算法，高级数据分析要求懂AI的机器学习，智慧IC，智能芯片等相关岗位······
第四，衍生岗位，即人工智能行业发展后衍生出来的以往从未有过的行业，像机器人训练营，智能手臂工程师，工业机器人系统操作员，服务机器人应用技术员等，是这两年新出现的岗位，大部分岗位对学历要求不高，同时一二线城市甚至三四线城市都会有。
四、人工智能学习哪些内容？
（1）Python提到人工智能就一定会提到Python，python是一门编程语言，在AI算法实现当中扮演中工具的角色，如果你本身有其他的编程语言也会有优势的。（2）数学主要教授的大学期间的高数，线性代数，数学需要配合着项目来学习，不然你会觉得比较枯燥，像人脸识别的产品，单独开发出来这个AI人脸识别的产品，精准度89%和99%所用的算法模型和数学公式就有不同，所以需要配合着场景来学习（3）机器学习机器学习（MachineLearning，ML），机器学习在公司当中处理的是结构化数据，（结构化数据也就是有行列序列之分的，比较容易能找到规律）是人工智能的核心，属于人工智能的一个分支。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。简单来讲：机器学习是类似于教孩子认字，第一次见不了解，但是大批量的这个字长得一样，我逐渐就认识这个字了。（4）深度学习深度学习（DeepLearning）是机器学习的一种新方法，深度学习在公司当中处理的是非结构化数据，（非结构化数据也就是不容易找到规律的数据，例如图片、音频等）它使用包含复杂结构或由多重非线性变换构成的多个处理器（神经网络）对数据进行高层抽象的算法。其机动在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音，文本。深度学习的过程分为训练和推理（即评估）两个过程，通过训练过程来获得数据模型，然后用于评估新的数据。简单来讲：深度学习就是模拟的人的大脑，让机器有自主学习的意识了。
以上是关于机器学习和深度学习相关的介绍。
五、适合哪些人学习？
第一，突破薪资发展，在保持原有岗位上的业务能力的同时突破瓶颈薪资，普遍能上涨30%-50%的薪资；
第二，岗位转型，从传统软件开发岗位、PM岗位、技术管理岗位转型成为AI的PM岗位、AI的算法工程师，以及人工智能的团队管理；
第三，数字化转型公司，目前所面临的公司转型的现况，学习AI可以解决原有行业当中的痛点问题，借力AI做降本增效等问题；
第四，入职就业，面对疫情后内卷的市场，公司中对于技术人员要求更高了，学习后会有专业的就业老师进行简历指导内推企业，增加入职企业成功率。
六、学出来对不同人有什么帮助？
（一）技术管理岗位年薪30w上涨到50w，负责AI技术团队；
（二）技术岗位转型AI算法，年薪60w；
（三）PM转型AI项目经理、AI产品经理，年薪40w；
（四）失业零基础学员提升AI转行就业，月薪18k
（五）数据分析岗位提升AI，上涨7k月薪
（六）刚毕业学生学习AI，就业年薪30w
不同的行业和不同岗位学习AI的需求是不同的，自己的岗位结合AI后具体的薪资可以一键三连查询！
【22
1.人工智能，机器学习，深度学习之间的关系人工智能是一个非常广义的概念，它包括所有与智能相关的技术和应用。
机器学习是实现人工智能的一种方法。
深度学习是机器学习的一个分支，使用深度神经网络来实现自动化学习和预测分析。
2.神经网络与深度学习的关系神经网络是一种数学模型，由一个或多个神经元组成，可以通过对输入数据的处理来进行分类，回归或者聚类任务。
深度学习则是基于神经网络的一种特殊形式，是一种通过组合多个神经元层来构建更加复杂的模型，从而实现对大规模数据进行学习和推断的方法。
3.“深度学习”和“传统浅层学习”的区别和联系区别：深度学习模型通常具有多个隐藏层，这是其深度的来源，而传统浅层学习模型通常只有一个或很少的隐藏层。深度学习模型通过增加层数，能够学习更多层次、更抽象的特征表示，从而提高模型的表达能力。
联系：深度学习和传统浅层学习都是机器学习的分支，都使用数据来进行预测和分类。
4.神经元、人工神经元神经元是生物神经系统的基本单位。
人工神经元是对神经元的抽象和模拟，是神经网络模型的基本组成单元。可以接收输入信号，处理信息，产生输出信号。人工神经元通常由多个出入端口和一个输出端口组成。
5.MP模型MP模型是指最大后验概率模型，也称为最大似然估计模型。它是统计学和机器学习中常用的一种参数估计方法。
MP模型的神经元有两种状态，分别为激活（active）和抑制（inactive）状态。当神经元接收到的输入信号超过了一个阈值时，它就会被激活，产生一个输出信号，否则它就处于抑制状态，不产生输出信号。
6.单层感知机SLP单层感知机是一种最简单的人工神经网络模型，基于线性分类器的模型，可以用于解决二分类问题。
7.异或问题XOR异或问题是一个在传统浅层神经网络中无法解决的问题。解决异或问题的方法是使用多层神经网络，比如多层感知机。
8.多层感知机MLP多层感知机是一种人工神经网络模型，由多个神经元层组成，其中包括输入层、隐藏层和输出层。
9.前馈神经网络FNN前馈神经网络是一种最常见和基础的人工神经网络模型。它也被称为前向神经网络或递归神经网络。
10.激活函数ActivationFunction激活函数是人工神经网络中的一种非线性函数，用于在神经元中引入非线性变换，增加模型的表达能力和拟合能力。激活函数通常被应用于神经网络的隐藏层和输出层。
11.为什么要使用激活函数？激活函数的使用是为了引入非线性、增加模型表达能力、解决线性不可分问题、实现梯度传播和控制输出范围等目的。
12.常用激活函数有哪些？sigmoid函数：
ReLU函数：
tanh函数：
13.均方误差和交叉熵损失函数，哪个适用于分类？那个适用于回归？为什么？交叉熵损失函数适合于分类问题，均方误差适合于回归问题。
交叉熵损失函数适合分类问题，因为它能够衡量预测类别分布与真实类别分布之间的差异。均方误差损失函数适合回归问题，因为它能够衡量预测值与真实值之间的差异。选择合适的损失函数可以帮助优化模型并使其更好地适应不同的任务和数据特点。
通用人工智能之路：什么是强化学习如何结合深度学习
目录1ChatGPT中的强化学习2环境与智能体的交互3强化学习特征四元组4深度强化学习的引入5教程大纲加入我们1ChatGPT中的强化学习2015年，OpenAI由马斯克、美国创业孵化器YCombinator总裁阿尔特曼、全球在线支付平台PayPal联合创始人彼得·蒂尔等硅谷科技大亨创立，公司核心宗旨在于实现安全的通用人工智能(AGI)，使其有益于人类。ChatGPT是OpenAI推出的一个基于对话的原型AI聊天机器人，2022年12月1日，OpenAI的联合创始人山姆·奥特曼在推特上公布ChatGPT并邀请人们免费试用
ChatGPT可以与人类进行谈话般的交互，可以回答追问，连续性的问题，承认其回答中的错误，指出人类提问时的不正确前提，拒绝回答不适当的问题，其性能大大超乎人们对弱人工智能的想象。ChatGPT魔力的关键因素之一可以追溯到2017年的概念人类反馈强化学习(RLHF)
RLHF的关键在于在难以明确规定任务的强化学习环境中操作，在这些情景下，人类反馈可能产生巨大的影响。RLHF利用人类评估者的少量反馈来引导智能体对目标及其相应奖励函数的理解。
RLHF的训练过程大致阐述为
智能体从环境中随机采取行动，智能体每隔一段时间向人类评估者展示学习效果。根据效果，评估者会施加引导信息，智能体然后利用这个反馈逐渐建立起一个最能解释人类判断的目标和奖励函数的模型。一旦智能体对目标及其相应奖励函数有了清晰的理解，它就使用传统强化学习方法来学习如何实现该目标。随着行为的改善，智能体会继续请求关于它最不确定哪个更好的轨迹对的人类反馈，进一步完善对目标的理解
ChatGPT是大型语言模型的缩影，而这个领域已成为应用现代强化学习技术最有趣的领域之一。接下来，我们将介绍深度强化学习的基本概念，以及有效的学习路线
2环境与智能体的交互环境(Environment)是机器学习任务所依赖的物理规则与载体，例如
在下棋对弈任务中，环境是棋盘、对手与游戏规则在机器人控制任务中，环境是机器人硬件、任务场景与物理定律…智能体(Agent)是存在于环境中的实例，智能体必须依赖环境，并与环境产生交互。智能体不能改变环境的物理规则，但可以通过传感器(Sensor)观察来感知环境(感知的结果称为状态)，通过决策器(decisionmaker)来根据状态决定将要采取的行动，最后通过执行器(Actuator)动作来影响环境。
举例而言
人类Agent有眼睛、耳朵和其他器官等传感器，也有手、腿、声道等作为执行器硬件Agent可能用摄像头、红外测距仪作为传感器，各种马达作为执行器软件Agent接受键盘敲击、文件内容和网络数据包作为传感器输入，并以屏幕显示、写文件和发送网络数据包为执行器…Agent的核心是决策器，其内部存在一个从感知到行为的映射，称为Agent函数(或称之为策略)。Agent函数的具体实现过程称为Agent程序，机器学习等人工智能学科就是一系列Agent程序设计的方法论。Agent根据外部环境感知做出相应行为，很自然地需要判断Agent函数的好坏。若这个行为符合期望，则认为智能体是理性的(Rational)。
3强化学习特征四元组接下来，我们正式给出经典强化学习的定义
强化学习(ReinforcementLearning,RL)是在潜在的不确定复杂环境中，训练一个最优决策πpiπ指导一系列行动实现目标最优化的机器学习方法。
强化学习与监督学习的不同之处在于不需要进行样本标注，核心是通过奖励期望行动和惩罚非期望行动的方式在探索(未知领域)和利用(现有知识)之间找到平衡。
在初始情况下，没有训练数据告诉强化学习智能体并不知道在环境中应该针对何种状态采取什么行动，而是通过不断试错得到最终结果，再反馈修正之前采取的策略，因此强化学习某种意义上可以视为具有“延迟标记信息”的监督学习问题。
强化学习的基本过程是：智能体对环境采取某种行动aaa，观察到环境状态发生转移s0→ss_0 ightarrowss0→s，反馈给智能体转移后的状态sss和对这种转移的奖赏rrr。综上所述，一个强化学习任务可以用四元组E=E=leftE=⟨S,A,P,R⟩表征
状态空间SSS：每个状态s∈SsinSs∈S是智能体对感知环境的描述；动作空间AAA：每个动作a∈AainAa∈A是智能体能够采取的行动；状态转移概率PPP：某个动作a∈AainAa∈A作用于处在某个状态s∈SsinSs∈S的环境中，使环境按某种概率分布PPP转换到另一个状态；奖赏函数RRR：表示智能体对状态s∈SsinSs∈S下采取动作a∈AainAa∈A导致状态转移的期望度，通常r>0r>0r>0为期望行动，r