发布时间：
回答 您现在可以使用这种新的图像到图像转换技术，从粗糙甚至不完整的草图生成高质量的人脸图像，无需绘图技巧!如果你的画技和我一样差，你甚至可以调整眼睛、嘴巴和鼻子对最终图像的影响。让我们看看它是否真的有效，以及他们是如何做到的。 Learning to Simulate Dynamic Environments with GameGAN [3] 这项研究由英伟达多伦多AI实验室和日本游戏大厂万代南梦宫 *BANDAI NAMCO) 一同开发，技术来自前者，数据来自后者。 简单来说，仅对简单的游戏录像和玩家输入进行学习，GameGAN 就能够模拟出接近真实游戏的环境，还不需要游戏引擎和底层代码。它的底层是在 AI 领域很有名的生成对抗网络 (GAN)。 PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [4] 它可以把超低分辨率的16x16图像转换成1080p高清晰度的人脸!你不相信我?然后你就可以像我一样，在不到一分钟的时间里自己试穿一下! Unsupervised Translation of Programming Languages [5] 这种新模型在没有任何监督的情况下将代码从一种编程语言转换成另一种编程语言!它可以接受一个Python函数并将其转换成c++函数，反之亦然，不需要任何先前的例子!它理解每种语言的语法，因此可以推广到任何编程语言!我们来看看他们是怎么做到的。 PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization [6] 这个人工智能从2D图像生成3D高分辨率的人的重建!它只需要一个单一的图像你生成一个3D头像，看起来就像你，甚至从背后! High-Resolution Neural Face Swapping for Visual Effects [7] 迪士尼的研究人员在论文中开发了一种新的高分辨率视觉效果人脸交换算法。它能够以百万像素的分辨率渲染照片真实的结果。。它们的目标是在保持actor的性能的同时，从源actor交换目标actor的外观。这是非常具有 提问 大一人工智能课程学习总结，八百字。 回答 我学习人工智能已经快一年的时间，有许多心得可以和大家分享一下。人工智能，英文是Artificial Intelligence，简称AI。人工智能，最早是由著名计算机科学家图灵在20世纪50年代提出的，就是著名的“图灵测试”。最近几年，随着深度学习发展，人工智能被运用在各行各业，因此有人把人工智能称为第四次科技革命，他将给人们的生活带来翻天覆地的变化。 人工智能怎么学习呢？ AI的基础是数据，是对数据进行挖掘、训练和应用。所以基础中的基础是数学，你得要先掌握高等数学、线性代数、概率论和数理统计等相关知识。 学习Python语言。Python最近几年非常火，学习的人非常多，甚至有些地区小学也开设这门课。为什么Python会迅速传红呢？首先，Python编程的代码量只有Java的1/5不到，简单易学。其次，Python的功能强大，写爬虫、游戏开发、自动化运维、机器学习和人工智能领域。最后，Python拥有丰富强大的库，如前端开发的Flask和Django、图形界面的tkInter、矩阵计算numpy、绘图的matplotlib等等。 学习各类机器学习和算法模型。这其中主要包含监督学习和非监督学习，监督学习中有：线性回归、逻辑回归、随机森林、SVM、决策树、等。非监督学习有：聚类、KMeans、DBScan等。 深度学习可以说是AI的精髓。深度学习主要流行的框架有：Tensorflow、Caffe、MXNet、Keras、Pytorch等。 我觉得自学，还是非常费劲的，效果不一定好，最好有老师指导，否则进展很慢，可以先跟教学视频学习，看书实操，做一些具体的项目等。 更多18条
人工智能：冲击，还是救赎？人工智能，人类期待的下一个科技新燃点正在试图“引爆”我们的社会交朋友、订餐、打车、网上购物、众筹投资等等，这些我们习以为常的生活技能已经被我们通过众多的社交媒体和App而掌握。然而，如今硅谷再次找到了下一个新燃点——人工智能（AI），试图再次“引爆”我们的世界。截至目前来看，人们对这一科技的未来十分有信心，并且部分学者及科学家，如牛津大学教授卢西亚诺·弗洛里迪，麻省理工斯隆管理学院的埃里克·布莱恩约弗森、安德鲁·麦卡菲等人，认为人工智能或许会成继哥白尼革命、达尔文革命后又一人类自我认知革命，蒸汽机工业革命后的又一机器革命。未来，人工智能究竟会成为人类认知的冲击力量，还是世界时代发展的技术革命救赎？“硅谷独家大王”，《纽约时报》高级科技记者约翰·马尔科夫，凭借他对互联网发展的惊人洞察力和敏锐度，为我们带来深刻解读。AI与IA《时间线》：尽管AI已经成为当前的热门话题，但是似乎AI还没有被给予一个较为完整的定义。在您看来，AI的定义是什么？马尔科夫： 从普遍共识角度来看，AI是一个关注于执行类似人类能力的技术的领域，包括从认知到语音、视觉以及物理运动。因此机器人学是AI的一个子集。值得注意的是，麦克卡尼最初创造了这个词，因为他想创造和替代控制论领域，主要是因为他不喜欢Norbert Wiener。《时间线》：在您的《与机器人共舞》这本书中，您为我们呈现了另一个概念，IA（智能增强）。您能为我们详细解释一下IA吗？马尔科夫：智能增强，即IA，是在20世纪60年代由计算机科学家Douglas Engelbart创造的。Engelbart后来还发明了直到现在我们仍在电脑和网络上使用的电脑鼠标，超文本和其他技术。在提出智能增强一词时，他打算使用各种基于计算机的技术来帮助知识工作者更有效地进行工作。《时间线》：关于AI与IA的发展关系，您认为它们之间是互斥的还是互相支持的？马尔科夫：AI与IA的关系是分歧并悖论的。悖论的原因是如果你增强人类智能，意味着你可能需要较少的人类去处理某个任务。我着手写《与机器人共舞》就是为了探索这两个在过去半个世纪都没有任何联系的截然不同的计算机世界。面对这个挑战，我认为的解决办法即是以人类为中心的工程设计。人机关系与机器人犯罪《时间线》：人机关系一直是很有争议的话题。在您看来最合适的人机关系是怎样的？您是否同意《人工智能时代》作者Jerry Kaplan教授提出的AI可能会加剧财富分配不均的观点？马尔科夫：计算机科学家Alan Kay曾说，我们可以选择去设计那些系统作为我们的奴隶，合作伙伴或主人。（他这番话来自黑格尔。）我也赞同通过设计那些可以充当工作同伴的系统来作为解决办法。至于Jerry Kaplan先生提出的关于技术产生更大的财富不平等的观点，我认为相关的证据和情况是复杂的。我看到有一些情况和趋势是反映了他的观点，但是另一些情况确实是与其相背离的。《时间线》：在机器帮人们解决很多问题同时也意味着人类在逐渐被机器简化。例如现在人们使用的智能手机将很多复杂程序简化，用户不用思考太多的操作流程，只要几步简单的操作就可以掌握它的功能，以至于帮助人们解决很多问题。您认为智能机器的“思维”是否会使人类智慧“退化”？马尔科夫：不得不说这确实是个问题，这事关我们怎样设计那些会与我们产生相互作用及相关性的AI。比如说，可能通过使用AI去增强一个医生的决策能力和诊断能力。或者，相反地，可能在AI的协助下使有较浅资历和能力的医生助手来替代医生。哪个是正确的选择呢？我想这是很难决定其一的，但它确实是一个社会选择。《时间线》：现在人们最直观的AI感受除了智能手机外就是目前大热的无人驾驶汽车，但是近期特斯拉无人驾驶汽车车祸死亡事故将安全问题推向舆论风口浪尖。关于最后的追责问题引起人们关注，您如何看待这类问题？在未来，机器人犯罪是否会成为重要的伦理问题之一？马尔科夫：完全无人驾驶要比欧洲、美国、亚洲的工程师所认为的无人驾驶挑战更大。来自技术和监管的挑战使得设计者需要比想象中更多的时间来设计完全无人驾驶系统。关于完全无人驾驶的责任认定问题，最简单的答案就是责任归属制造者。我认为AI技术将很快被滥用，正如现如今我们使用的相关计算机技术被滥用一样。或许，在未来，语音合成将很可能成为社会工程攻击人类诚信的武器。人工智能全球化与产业革命《时间线》：自集成电路发展开始，摩尔定律成为科技发展的默认趋势，但是似乎自大数据、云计算、AI等出现后，摩尔定律在逐渐被打破，您如何看待这种情况？对摩尔定律的突破是否也意味着科技发展的新形式？马尔科夫：摩尔定律的影响现在是失速的。登纳德缩放比例定律（关于处理器时针速度的指数增长）终结于2006年，并且单个晶体管成本的下降终结于2014年。这意味着始于1965年的“搭便车效应”现在已经终结了。我不知道制造技术在未来是否有新的突破，但是目前还未发生什么。这也不意味着计算机进程正在结束，只是未来可能更多的是依赖人类的创造力。《时间线》：随着技术的进步，AI技术已经成为部分国家的战略发展，从德国的工业0到中国的互联网+，AI全球化成为必然趋势，但这一趋势也毫无疑问地在挑战着目前的发展模式，您认为AI的爆发是否会彻底颠覆人类发展成为新一次的产业革命？马尔科夫：不，我认为不会的。AI本质是一种技术，就像汽锤或卡车一样。在任何社会中，它既可用来增强人类能力但也可取代人类。但这依赖于如何使用和部署AI技术。《时间线》：AI和智能机器人的渗透已经开始在影响人类生活了，我们看到在部分行业中，部分职业已经被机器人取代，同时因为AI的出现也衍生出不少新的行业，您认为这一变化是否在预示着AI对产业结构的改变？人类的工作真的会被智能机器抢走吗？您认为人们应该如何应对这一变化？马尔科夫：AI和机器人的到来要比其狂热者所认为的慢很多。这些技术在被演示的时候表现得非常好，但是目前有些技术在现实生活中仍有些不切实际。一些支持者认为，技术的快速发展在未来将是继续的趋势，但是事实上有些证据却表明速度是慢了下来，而不是持续加速。对于AI和机器人的到来，我认为在许多社会中，特别是那些正在加速成熟的国家，例如中国，如果机器人来得及时，那么对于这些国家来说将是很幸运的。中国竞争《时间线》：您能否简单对比下美国AI发展与中国AI发展，有何相同点和不同点？您对中国的AI技术和智能机器人的发展有何看法？对中国的企业家有何建议？马尔科夫：由于贵国政府没有允许我作为一个报道者在贵国工作，所以很抱歉我的观点很有限。不过，有证据表明，中国正在快速追赶美国的创新能力。但是我还没有见到中国计算机科学家和工程师有根本性的突破，大部分都还只是渐进式的发展。《时间线》：目前中国经济和科技在面临一次新的转型，中国逐渐在由“中国制造”转变为“中国创造”，您认为AI的爆发对这一转型会产生怎样的影响？马尔科夫：我认为“中国创造”是一个目标。当新奇的中国技术出现，或是源自中国想法而不是复制美国而产生的新技术平台出现时，那将会非常有意思。
人工智能与机器人这本期刊你之前看过吗？建议你有时间可以去看看哦，找下自己的写作思路先
人工智能与机器人这本期刊你之前看过吗？建议你有时间可以去看看哦，找下自己的写作思路先
工智能论文要抓住现在智能的特点。例如是语音操控还是 是手机操控。现在比较流行懒人模式，都是语音操控的比较多。
人工智能哪一个方向比较好写的话，我觉得应该是说它的应用方面比较好写吧，因为对于专业知识可能不太了解，但是它的使用的话应该比较简单。
（人工智能与机器人研究），这本书上面都是别人发表的关于人工智能的文章，比较权威可信的
回答 您现在可以使用这种新的图像到图像转换技术，从粗糙甚至不完整的草图生成高质量的人脸图像，无需绘图技巧!如果你的画技和我一样差，你甚至可以调整眼睛、嘴巴和鼻子对最终图像的影响。让我们看看它是否真的有效，以及他们是如何做到的。 Learning to Simulate Dynamic Environments with GameGAN [3] 这项研究由英伟达多伦多AI实验室和日本游戏大厂万代南梦宫 *BANDAI NAMCO) 一同开发，技术来自前者，数据来自后者。 简单来说，仅对简单的游戏录像和玩家输入进行学习，GameGAN 就能够模拟出接近真实游戏的环境，还不需要游戏引擎和底层代码。它的底层是在 AI 领域很有名的生成对抗网络 (GAN)。 PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [4] 它可以把超低分辨率的16x16图像转换成1080p高清晰度的人脸!你不相信我?然后你就可以像我一样，在不到一分钟的时间里自己试穿一下! Unsupervised Translation of Programming Languages [5] 这种新模型在没有任何监督的情况下将代码从一种编程语言转换成另一种编程语言!它可以接受一个Python函数并将其转换成c++函数，反之亦然，不需要任何先前的例子!它理解每种语言的语法，因此可以推广到任何编程语言!我们来看看他们是怎么做到的。 PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization [6] 这个人工智能从2D图像生成3D高分辨率的人的重建!它只需要一个单一的图像你生成一个3D头像，看起来就像你，甚至从背后! High-Resolution Neural Face Swapping for Visual Effects [7] 迪士尼的研究人员在论文中开发了一种新的高分辨率视觉效果人脸交换算法。它能够以百万像素的分辨率渲染照片真实的结果。。它们的目标是在保持actor的性能的同时，从源actor交换目标actor的外观。这是非常具有 提问 大一人工智能课程学习总结，八百字。 回答 我学习人工智能已经快一年的时间，有许多心得可以和大家分享一下。人工智能，英文是Artificial Intelligence，简称AI。人工智能，最早是由著名计算机科学家图灵在20世纪50年代提出的，就是著名的“图灵测试”。最近几年，随着深度学习发展，人工智能被运用在各行各业，因此有人把人工智能称为第四次科技革命，他将给人们的生活带来翻天覆地的变化。 人工智能怎么学习呢？ AI的基础是数据，是对数据进行挖掘、训练和应用。所以基础中的基础是数学，你得要先掌握高等数学、线性代数、概率论和数理统计等相关知识。 学习Python语言。Python最近几年非常火，学习的人非常多，甚至有些地区小学也开设这门课。为什么Python会迅速传红呢？首先，Python编程的代码量只有Java的1/5不到，简单易学。其次，Python的功能强大，写爬虫、游戏开发、自动化运维、机器学习和人工智能领域。最后，Python拥有丰富强大的库，如前端开发的Flask和Django、图形界面的tkInter、矩阵计算numpy、绘图的matplotlib等等。 学习各类机器学习和算法模型。这其中主要包含监督学习和非监督学习，监督学习中有：线性回归、逻辑回归、随机森林、SVM、决策树、等。非监督学习有：聚类、KMeans、DBScan等。 深度学习可以说是AI的精髓。深度学习主要流行的框架有：Tensorflow、Caffe、MXNet、Keras、Pytorch等。 我觉得自学，还是非常费劲的，效果不一定好，最好有老师指导，否则进展很慢，可以先跟教学视频学习，看书实操，做一些具体的项目等。 更多18条
人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
关于人工智能的定义众说不一。美国 斯坦福大学人工智能研究中心尼尔逊教授 下过这样一个定义:“人工智能是关于知识 的学科——怎样表示知识以及怎样获得知 识并使用知识的科学 。” 而麻省理工学院 的温斯顿教授认为:“人工智能就是研究如 何使计算机去做过去只有人才能做的智能 工作。”人们普遍认为人工智能(Artificial Intelligence),英文缩写为 AI,也称机器智 能。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系 统的一门新的技术科学。它是从计算机应 用系统的角度出发 , 研究如何制造出人造 的智能机器或智能系统 , 来模拟人类智能 活动的能力, 以延伸人们智能的科学。 人工智能就其本质而言 , 是对人的思 维的信息过程的模拟。人工智能不是人的 智能 , 更不会超过人的智能。 对于人的思 维模拟可以从两条道路进行, 一是结构模 拟 , 仿照人脑的结构机制 , 制造出 “类人 脑”的机器;二是功能模拟,暂时撇开人脑 的内部结构, 而从其功能过程进行模拟。 人工智能可以分为强人工智能和弱人 工智能。强人工智能观点认为有可能制造 出真正能推理 (Reasoning) 和解决问题 (Problem solving)的智能机器,并且,这样的 机器能将被认为是有知觉的, 有自我意识 的。弱人工智能观点认为不可能制造出能 真正地推理和解决问题的智能机器 , 这些 机器只不过看起来像是智能的 , 但并不真 正拥有智能 , 也不会有自主意识。 人工智 能的研究经历了以下几个阶段: 第一阶段:20 世纪 50 年代人工智能的兴 起和冷落。人工智能概念首次提出后,出现了 一批显著的成果,如机器定理证明、跳棋程序、 LISP 表处理语言等。但由于解法推理能力有 限,以及机器翻译失败等,使人工智能走入低 谷。这一阶段的特点是:重视问题求解的方 法,忽视知识重要性。第二阶段:20 世纪 60 年代末到 70 年代,专 家系统出现使人工智能研究出现新高潮。 DENDRAL 化学质谱分析系统、MYCIN 疾病诊断和治疗系统、PROSPECTIOR 探矿系统、Hearsay-II 语音理解系统等专家系统的研究 和开发,将人工智能引向了实用化。1969 年成立了国际人工智能联合会议(IJCAI)。 第三阶段:20 世纪 80 年代,随着第五代计 算机的研制,人工智能得到了很大发展。日本1982 年开始了“第五代计算机研制计划”,即“知识信息处理计算机系统KIPS”,其目的是使 逻辑推理达到数值运算那么快。虽然此计划最终失败,但它的开展形成了一股研究人工智能的热潮。 第四阶段:20 世纪 80 年代末,神经网络飞 速发展。1987 年,美国召开第一次神经网络 国际会议,宣告了这一新学科的诞生。此后, 各国在神经网络方面的投资逐渐增加,神经网 络迅速发展起来。 第五阶段:20 世纪 90 年代,人工智能出现 新的研究高潮。由于网络技术特别是国际互 连网的技术发展,人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问 题求解,而且研究多个智能主体的多目标问题求解,将人工智能面向实用。人工智能研究范畴有自然语言处理 , 知识表现,智能搜索,推理,知识获取,组合调度问题,感知问题,模式识别,逻辑程序设计,软计算,不精确和不确定的管理,人 工生命,神经网络,复杂系统等。目前,人工智能是与具体领域相结合进行研究的,有如下领域:(1)专家系统。依靠人 类已有的知识建立起来的知识系统,目前专家系统是人工智能研究中开展较早、最活跃、成效最多的领域。(2)机器学习。主要在三 个方面进行:一是研究人类学习的机理、人 脑思维的过程;二是机器学习的方法;三是建立针对具体任务的学习系统。(3)模式识别。研究如何使机器具有感知能力,主要研究视觉 模式和听觉模式的识别。(4)理解自然语言。计算机如能“听懂”人的语言,便可以直接用口语操作计算机,这将给人们带极大的便 利。(5)机器人学。机器人是一种能模拟人的行为的机械,对它的研究经历了三代发展过程:第一代(程序控制)机器人:这种机器人只能刻板地按程序完成工作,环境稍有变化就会出问题,甚至发生危险。第二代(自适应)机器人:这种机器人配备有相应的感觉传感器, 能取得作业环境、操作对象等简单的信息,并由机器人体内的计算机进行分析处理,控制机器人的动作。第三代(智能)机器人:智能机 器人具有类似人的智能,它装备了高灵敏度传感器,因而具有超过人的视觉、听觉、 、嗅觉、触觉的能力,能对感知的信息进行分析,控制自 己的行为,处理环境发生的变化,完成各种复杂的任务。而且有自我学习、归纳、总结、提高已掌握知识的能力。(6)智能决策支持系统。20 世纪 80 年代以来专家系统在许多方面取得 成功,将人工智能中特别是智能和知识处理技术应用于决策支持系统,扩大了决策支持系统 的应用范围,提高了系统解决问题的能力,这就成为智能决策支持系统。(7)人工神经网络。在研究人脑的奥秘中得到启发,试图用大量的 处理单元模仿人脑神经系统工程结构和工作机理。
现在就叫《智能家居》，没有《数字社区&智能家居》了。
《模式识别与人工智能》
人工智能应用范围比较广
人工智能哪一个方向比较好写的话，我觉得应该是说它的应用方面比较好写吧，因为对于专业知识可能不太了解，但是它的使用的话应该比较简单。
亲。。。。多少字。。。给你
回答 您现在可以使用这种新的图像到图像转换技术，从粗糙甚至不完整的草图生成高质量的人脸图像，无需绘图技巧!如果你的画技和我一样差，你甚至可以调整眼睛、嘴巴和鼻子对最终图像的影响。让我们看看它是否真的有效，以及他们是如何做到的。 Learning to Simulate Dynamic Environments with GameGAN [3] 这项研究由英伟达多伦多AI实验室和日本游戏大厂万代南梦宫 *BANDAI NAMCO) 一同开发，技术来自前者，数据来自后者。 简单来说，仅对简单的游戏录像和玩家输入进行学习，GameGAN 就能够模拟出接近真实游戏的环境，还不需要游戏引擎和底层代码。它的底层是在 AI 领域很有名的生成对抗网络 (GAN)。 PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [4] 它可以把超低分辨率的16x16图像转换成1080p高清晰度的人脸!你不相信我?然后你就可以像我一样，在不到一分钟的时间里自己试穿一下! Unsupervised Translation of Programming Languages [5] 这种新模型在没有任何监督的情况下将代码从一种编程语言转换成另一种编程语言!它可以接受一个Python函数并将其转换成c++函数，反之亦然，不需要任何先前的例子!它理解每种语言的语法，因此可以推广到任何编程语言!我们来看看他们是怎么做到的。 PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization [6] 这个人工智能从2D图像生成3D高分辨率的人的重建!它只需要一个单一的图像你生成一个3D头像，看起来就像你，甚至从背后! High-Resolution Neural Face Swapping for Visual Effects [7] 迪士尼的研究人员在论文中开发了一种新的高分辨率视觉效果人脸交换算法。它能够以百万像素的分辨率渲染照片真实的结果。。它们的目标是在保持actor的性能的同时，从源actor交换目标actor的外观。这是非常具有 提问 大一人工智能课程学习总结，八百字。 回答 我学习人工智能已经快一年的时间，有许多心得可以和大家分享一下。人工智能，英文是Artificial Intelligence，简称AI。人工智能，最早是由著名计算机科学家图灵在20世纪50年代提出的，就是著名的“图灵测试”。最近几年，随着深度学习发展，人工智能被运用在各行各业，因此有人把人工智能称为第四次科技革命，他将给人们的生活带来翻天覆地的变化。 人工智能怎么学习呢？ AI的基础是数据，是对数据进行挖掘、训练和应用。所以基础中的基础是数学，你得要先掌握高等数学、线性代数、概率论和数理统计等相关知识。 学习Python语言。Python最近几年非常火，学习的人非常多，甚至有些地区小学也开设这门课。为什么Python会迅速传红呢？首先，Python编程的代码量只有Java的1/5不到，简单易学。其次，Python的功能强大，写爬虫、游戏开发、自动化运维、机器学习和人工智能领域。最后，Python拥有丰富强大的库，如前端开发的Flask和Django、图形界面的tkInter、矩阵计算numpy、绘图的matplotlib等等。 学习各类机器学习和算法模型。这其中主要包含监督学习和非监督学习，监督学习中有：线性回归、逻辑回归、随机森林、SVM、决策树、等。非监督学习有：聚类、KMeans、DBScan等。 深度学习可以说是AI的精髓。深度学习主要流行的框架有：Tensorflow、Caffe、MXNet、Keras、Pytorch等。 我觉得自学，还是非常费劲的，效果不一定好，最好有老师指导，否则进展很慢，可以先跟教学视频学习，看书实操，做一些具体的项目等。 更多18条