Tips:知识图谱是指显示知识发展进程与构造关系的一系列各种不同的图形，用可视化技能描述知识资源及其载体，挖掘、剖析、构建、绘制和显示知识及它们之间的相互联系。
知识图谱技能是指知识图谱建立和运用的技能，是领悟认知打算、知识表示与推理、信息检索与抽取、自然措辞处理与语义Web、数据挖掘与机器学习等方向的交叉研究

2.2 问答系统

问答系统就像是人的措辞中枢，来读懂人类的措辞，并与之对话。

Tips:问答系统分为开放领域的对话系统和特定领域的问答系统。
问答系统技能是指让打算机像人类一样用自然措辞与人互换的技能。
人们可以向问答系统提交用自然措辞表达的问题，系统会返回关联性较高的答案。

2.3 AI芯片

AI芯片就相称于人类的大脑，是最为核心的部分，是对数据处理的中央。

Tips:AI芯片紧张有传统芯片和智能芯片两类，其余还有受生物脑启示设计的类脑仿生芯片等。
传统芯片可以覆盖人工智能程序底层所须要的基本运算操作，但是在芯片架构、性能等方面无法适应人工智能技能与运用的快速发展。
智能芯片是专门针对人工智能领域设计的芯片，包括通用和专用两种类型。

三、AI在不同领域的发展趋势3.1 硅光芯片

电子芯片的发展逼近摩尔定律极限，难以知足高性能打算不断增长的数据吞吐需求。
硅光芯片用光子代替电子进行信息传输，可承载更多信息和传输更远间隔，具备高打算密度与低能耗的上风。
随着云打算与人工智能的大爆发，硅光芯片迎来技能快速迭代与家当链高速发展。

3.2 个性化推举

越来越多的媒体开始采纳以“今日”为代表的“个性化推举”模式，即基于用户的阅读方向和偏好，通过算法来为他们推送其所感兴趣的***内容，代表性运用如“一点资讯”、“每天快报”等。
“抖音”等短***平台也采取了算法推举。

这种算法推举机制提高了信息分发效率，更好地将内容与用户需求相匹配，有助于发挥内容代价、延长用户利用时长和提高用户留存率。
但其负面影响也日益突出，尤其是“信息茧房”和算法的代价不雅观问题，引发了社会关注和广泛谈论。

四、AI+前端

一个完全的人工智能项目，不可或缺的是算法、数据和工程。
详细的大致可以分为五块内容：人机交互，数据可视化，产品Web， 算法实行和模型演习。
对付前三点侧重交互的领域，毋庸置疑用前端做起来驾轻就熟。

4.1 人机机互

在AI的项目中，很多时候须要获取麦克风和摄像头的权限，好实现“听”，“说”， “看”的功能。
H5中的MediaDevices.getUserMedia 文档，里面对这块有详细的先容。
对付图片的处理，以Canvas为主。
Web Audio API 很好的办理了这个问题，它供应了在Web上掌握音频的一个非常有效通用的系统，许可开拓者来自选音频源，对音频添加殊效，使音频可视化，添加空间效果等等

4.2 数据可视化

人脸可视化、大数据可视化

4.3 产品Web

任何人工智能的技能终极一定须要转化成实际的产品或者项目，以Portal和掌握台为主。

4.4 算法实行

实行算法逻辑，比如人脸识别，语音识别。

随着 V8 引擎在2008 年发布， Node.js 在2009 年 发布，前真个领地就扩展到做事器端，桌面运用。
PC性能体能，V8对JS实行的优化，特殊WebGL 在各个浏览器真个遍及，很多算法实行不一定并不一定须要在后端实行，浏览器也可以胜任。

4.5 模型演习

类ConvNetJS 这种在浏览器端做深度学习算法演习的工具。

前端在这块还是非常欠缺的，短缺非常成功的实践。
由于跨了领域，而且根本的专业类库每每都不是javascript写的，造成更大的隔阂，但就像谷歌的TensorFlow机器学习框架底层大部分利用 C++实现，但选择了 Python 作为运用层的编程措辞。

其他干系AI前端运用：预测数值（线性回归）、牌号识别（图片分类）、声控轮播图（语音识别）、手写数字识别

五、其他5.1 QA1

Q：类比牛顿第二定律的案例，在你的事情和生活中还有哪些问题可以用监督学习的框架来办理？模型假设和参数是什么？评价函数（丢失）是什么？A：在事情和生活中，可以利用监督学习框架来办理的问题有：自动驾驶汽车，自动图像分类，自动机器翻译等。
模型假设是通过从演习数据中提取特色，建立模型来预测输入的未知数据的输出。
参数是模型中的变量，用于掌握模型的行为。
评价函数（丢失）是用来衡量模型预测结果和实际结果之间的差异，并用来优化模型的准确性。

5.2 QA2

Q：为什么说深度学习工程师有发展前景？若何从经济学（市场供需）的角度做出解读？A：深度学习工程师有发展前景是由于现在深度学习技能正在被越来越多的行业所采取，例如自然措辞处理、打算机视觉等领域，从市场供需角度来说，由于技能的遍及，对深度学习工程师的需求量越来越大，而且深度学习工程师所须要节制的技能也比较分外，从而把市场上的深度学习工程师供给量限定在一定范围内，使其成为一种紧缺职位，给深度学习工程师供应了发展的机会。

5.3 QA3

Q：样本归一化：预测时的样本数据同样也须要归一化，但利用演习样本的均值和极值打算，这是为什么？A：样本归一化是将数据的值缩放到一定的范围内，以便于不同特色之间的比较和处理。
在演习模型时，我们利用演习数据的均值和极值来打算缩放参数，并将其运用于演习和验证数据。
同样，在预测时，我们须要利用相同的缩放参数来对新的样本数据进行归一化。
利用演习样本的均值和极值打算缩放参数的缘故原由是，这可以确保在预测时利用与演习时相同的缩放办法，从而使预测结果更加准确和同等。
如果我们在预测时利用新的均值和极值来打算缩放参数，那么我们就不能担保我们正在利用相同的缩放办法，这可能会导致预测结果涌现缺点。
此外，利用演习数据的均值和极值来打算缩放参数还可以确保我们的模型对付未见过的数据具有更好的泛化能力。

5.4 QA4

Q：当部分参数的梯度打算为0（靠近0）时，可能是什么情形？是否意味着完成演习？A：当某些参数的梯度靠近0时，并不虞味着演习已经完成。
事实上，这可能导致优化器在演习期间无法更新这些参数，从而使演习效果变差。
办理这个问题的一些方法包括利用梯度裁剪、改变优化器、利用正则化等技能。

当部分参数的梯度打算为0或靠近0时，可能是由于以下几种情形：

梯度消逝：在深度神经网络中，反向传播算法打算梯度时，如果梯度通过多个层通报时，梯度值可能会变得非常小乃至消逝，这可能导致某些参数的梯度靠近0。
局部最小值：在梯度低落算法中，优化器试图最小化丢失函数，但有时可能会被卡在局部最小值附近，导致部分参数的梯度靠近0。
对称性：如果模型存在对称性，例如在卷积神经网络中利用相同的权重进行卷积，可能导致梯度打算为0。
正则化：正则化可以抑制模型的某些参数，这可能导致梯度打算为0。
5.5 QA5Q：随机梯度低落的batchsize设置成多少得当？过小有什么问题？过大有什么问题？A：对付小数据集，常日batch size可以设置得较小，例如1、2、4、8等。
对付大数据集，batch size该当设置得大一些，常日为32、64、128等。
这是由于如果batch size过小，则更新的方向在各个迭代中会变革很大，这会使收敛速率变慢，而如果batch size过大，则会导致内存不敷，打算效率降落。

过小的batch size会导致以下问题：

收敛速率变慢：每次迭代中利用的数据太少，使得更新的方向可能变革很大，导致收敛速率变慢。
噪声影响：每个batch的样本都是随机选择的，如果batch size太小，则模型更新的方向可能受到噪声的影响，从而导致模型学习到的参数不稳定。

过大的batch size会导致以下问题：

内存不敷：每次迭代中利用的数据太多，会导致内存不敷，从而无法进行演习。
打算效率低下：每次迭代中须要打算的梯度变得更加繁芜，因此打算效率降落。