0.笔记仓库
Task01：初识深度学习
深度学习介绍和环境安装配置
1.深度学习介绍
1.1 AI地图
x轴：模式
y轴：想做的东西
感知：所见（人能够快速反应）
推理：基于所见的想象
知识：根据所见形成自己的知识
规划：根据知识进行长远的规划
自然语言处理：感知，用的最多的是机器翻译
计算机视觉：在图片中推理
1.2 应用
图片分类
物体检测：物体出现的位置；物体分割：每一个像素所属的种类
样式迁移：变换风格（滤镜）
人脸合成
文生图
文字生成
无人驾驶
案例：广告点击
流程：触发-点击率评估-排序
三类人
- 领域专家：专业相关人士。了解用户行为，对模型拟合提出需求。（有点像产品经理？
- 数据科学家：根据领域专家的需求翻译成机器学习要做的事情。利用数据训练模型，训练模型
- AI专家：优化模型
QA
（只记录我有问题的地方
- 机器学习的有效性和可解释性
有效性：所有提出的新模型都会解释一下为什么有效
可解释性：深度学习的可解释性很难评
- 深度学习无法用数学规范表述，只能用直觉理解是吗
深度学习可以用数学表示，但是具体用数学解释它为什么工作，为什么不工作做不到
- 数据科学家和AI专家的主要区别在哪里？
数据科学家：把实际业务问题转化为机器学习能做的任务；
AI专家：提升模型精度
资深数据科学家可以认为是AI专家
- 如何寻找自己领域的paper
等待分享
Tips：融合多个模型提升精度
2.环境安装配置
我开摆了...因为配置总是有一堆问题所以我就直接用kaggle云端跑了。
https://www.kaggle.com/work
或者直接Google Colab，教材有链接到
但是虽然这么说，直接在本地pip install想要的包也是有一定概率能跑通的，反正就是，碰到问题再解决吧qaq
然后我的本地也是可以启动jupyter notebook的（所以应该是可以的
3.Datawhale环境配置讲解
地址：手把手带你配动手学深度学习的环境
同上
4.李沐：GPT时代AI怎么学？
没有GPT之前，深度学习在特征工程方面的优化有很大效果，但是这是人能够在5s内完成的。现在的LLM是专业人士在大量时间才能完成
todo：探索transformer的智能上限
达到上限后探索新架构
潜力无穷，动手就是了！