一个最简单的理解是,神经网络的本质就是一个多输入多输出的函数,我们常见的训练算法实际上是通过训练样本进行数据拟合,找到适合这个函数的参数从而进行应用。 (2)一些难以理解的概念解释 核函数 其作用是将数据投影到更高维的数据空间中,包括线性核、多项式核、高斯核函数等。 拟合能力与泛化能力 神经网络模型好坏的重要评判标准之一。拟合能力指的是神经网络输出的准确度,拟合能力越强,准确度越高;泛化能力指的是神经网络对于新样本的适应程度。一般来说,拟合能力越强的神经网络,其泛化能力可能较差。 有监督和无监督 在神经网络或者大多数机器学习算法中,一般把有标签的数据进行训练学习称为有监督学习;而数据不带有标签,通过特征统计等的算法称为无监督学习,常见的如聚类。 (3)神经网络的优势 神经网络是一种黑箱建模方法,以下是神经网络进行应用的实验分析。 神经网络的应用举例:太阳黑子预测,手写字体识别实验和TE工业系统故障预测。 上图是应用神经网络进行太阳黑子预测的效果实验,经过改造后的神经网络对于数据预测的效果更加好。 上图是通过神经网络进行识别手写数字的实验对比图,经过改造的神经网络的识别准确率高达90%。 神经网络好用的地方在于黑箱建模的方式,可以帮助使用者在即使不了解对象特性的基础上,一样能够得到良好的运用,因此运用范围广泛。 神经网络用于复杂工业系统,如TE过程,是很多智能控制研究者常见的研究对象。 面对复杂系统,在技术方案设计中考虑了现场数据的滤波、去燥、归一化,对于新数据使用预测模型进行预测,使用KPCA方法进行数据特征提取,通过历史数据和新数据进行误差反馈和在线更新,形成完整的故障预测方案。 上图为改进后的神经网络图,相比于基础的神经网络,增加了2个反馈层,从而使神经网络能够适应动态数据。 数据处理的难点其实在于数据特征不明显,如上图中,左图是故障4和5的数据表现,通过肉眼很难识别,而经过特征提取,能够将数据的特征放大,从而提升神经网络的识别准确度。 通过以上神经网络方案设计和运用的例子,希望大家明白人工智能方案在不同的应用领域和不同的数据,方案不是想象中使用同一方法建模如此简单。一个有效的方案,需要深入了解这个领域实际的问题,而产品在其中扮演的角色,如果对于人工智能技术的理解仅仅停留在表层,注定不会得到最优的方案。 4. 产品经理应该如何玩转人工智能? 产品经理面对新技术时的态度: (1)对于新的技术应该抱有敬畏之心 以我个人的学习经历来看,真正能够理解人工智能技术是需要时间的,尽管现在有很多文章说明转型的可能性,但切忌不能因为了解了人工智能的皮毛,就以为能够进行产品设计和应用,很多想当然的决策可能带来的是巨大的成本,甚至可能导致走很多弯路。因此对不了解的事物,不能轻易下结论。 (2)做正确的事VS正确地做事 人工智能不是万能的,atv,也不是运用到所有的场景,如果把很多用很简单的方法就能解决问题的方法,生搬硬套使用人工智能,j2直播,未必就是正确的事,产品需要时刻反思,自己正在做的事是不是正确的? (3)理解产品工作的本质,本身是一种面向未来的规划 工作中也需要适当引导使用新技术,毕竟这个世界变化太快,拥抱变化才能拥有未来。 (4)人工智能本身是一种双刃剑,学会更好的应用而不是滥用 人工智能未必全是好的,要正确对待人工智能带来的好处,也要预见到它可能带来的不利影响。 最后推荐一个好玩的产品应用和一部电视剧,帮助大家了解人工智能在我们生活中的应用。 文章中部分内容摘自网络,有不到位或错误的地方,烦请指出,我会及时更正~ 参考文章: 《人工智能发展简史》 《人工智能产业分析与创业投资盘点:636 起投资事件,吸金 574 亿》 《58张PPT,详解“从互联网产品经理到AI产品经理”》 《傅盛:深度学习降低技术壁垒,恐慌的应该是大公司》 作者:小T,一个奋斗在一线的互联网金融产品经理~ 本文由 @小T 原创发布于人人都是产品经理。未经许可,禁止转载。 (责任编辑:本港台直播) |