指南：本文的首席执行官注释将介绍人工智能学习CSDN的相关内容。我希望这对每个人都会有所帮助。让我们来看看。
CSDN是中国的专业IT社区。它致力于为中国软件开发人员提供全体生命周期服务，例如知识传播，在线学习和职业发展。1999年，CSDN拥有：
（1）专业中国IT技术社区：CSDN.NET。
（2）移动开发人员的独家应用程序：CSDN应用程序，CSDN College App。
（3）新媒体矩阵微信公共帐户：CSDN信息，编程，Gitchat，CSDN学院，AI技术大本营，区块链大本营，CSDN Cloud Computing，Gitchat Botique类，人工智能标题，CSDN Enterprise招聘。
（4）IT技术培训和学习平台：CSDN学院。
（5）技术知识移动社区：Gitchat。
（6）IT人力资源服务：Korite Fox。
（7）大学IT技术学习增长平台：大学俱乐部。
CSDN矩阵在技术界特别闻名：
（1）CSDN应用程序：开发人员的独家移动应用程序提供了最新的技术信息和开发知识，帮助开发人员学习和发展，并使技术交易更容易。
（2）CSDN博客：为开发人员创建专业的技术写作，共享和交换平台的偏爱，并为技术人员提供全面的信息以及知识交流和互动。
（3）CSDN技术论坛：IT开发人员创建技术体验并讨论IT开发人员的技术主题的信息平台。
（4）CSDN资源下载中心：为IT专业人员提供丰富，全面，专业的技术信息共享，沟通和下载服务。
上述内容参考：百度百科全书CSDN
人工智能的三个基石 - 算法，数据和计算能力。作为其中之一，算法非常重要。那么，人工智能将涉及哪些算法？哪些方案适合不同的算法？
I.不同的建模方法可以分为四类：监督的学习，无监督的学习，半监督学习和强化学习。
常见的监督学习算法包括以下类别：
（1）人工神经网络类：返回传播，Boltzmann机器，卷积神经网络，Hopfield Network和Multi -Layer Antiementsmultilyer Perceptron，Radial Basit功能网络（RBFN），受限制的限制性玻尔兹曼机器，返回神经网络（RNN）和自我自我网络（RNN），以及自我自我网络（RNN），以及自我自我网络（RNN），以及自我自我网络（RNN）（RNN）有组织的映射（自我）组织地图，SOM），尖峰神经网络等。
（2）贝丝辛：天真的贝叶斯，高斯天真的贝叶斯，许多多项式幼稚的贝叶斯，平均依赖性评估依赖性估计器，AODE）
贝叶斯信仰网络（BBN），贝叶斯网络（BN），等。
（3）决策树类：分类和回归树（CART），迭代二分法3（迭代二分法3，ID3），C4.5算法（C4.5算法），C5.0算法（C5.0算法），Chi-squared自动互动检测（CHAID），决策树桩，ID3算法，ID3算法（ID3），随机森林（监督铅））等待。
（4）线性分类器类：Fisher的线性判别（Fisher的线性判别）
常见的无监督学习算法包括：
（1）人工神经网络：生成对抗网络（GAN），FEDForward神经网络，逻辑学习机和自我图像）等。
（2）协会规则学习类：Apriori算法，ECLAT算法，FP-GROWTH算法等
（3）分层聚类：单链群集，概念聚类等。
（4）聚类分析：桦木算法，DBSCAN算法，预计将最大化（EM），模糊聚类，K-Means算法，K-MEANS聚类），K-MEDIANS群集，平均漂移算法（平均值移动），Optics AlgorithM，Optics Algorithm，，，，algorithm，，，algorithm，optics algorithm，，，，shift algorithm，，，，shift algorithm，，，，shorgorithm，sETC。
（5）异常检测类别：K-Nearest邻居（KNN）算法（KNN）算法，局部异常因子（LOF），等等。
常见的半监督学习算法包括：生成模型，低密度分离，基于图形的方法，共培训等。
常见的增强学习算法包括：Q-学习（Q学习），状态奖励 - 奖励 - 奖励 - 奖励 - 奖励状态（SARSA），DQN（深Q网络）和战略梯度算法（策略等级），基于模型的RL，暂时不同的学习等等。
常见的深度学习算法包括：深信念机器，深度卷积神经网络，深度循环神经网络和层次结构，），深玻尔兹曼机器（DBM），堆叠的自动编码器，生成对抗性网络，等等。
2.根据任务的差异进行分类，可以将大致分为两类分类算法（两类分类），多级分类，回归，聚类和异常检测义检测）。
1.两级分类
（1）两类类别支持向量机（两级SVM）：它适用于具有更多数据功能和线性模型的方案。
（2）两级平均感知器：适用于具有短训练时间和线性模型的场景。
（3）两类逻辑回归：适用于具有短训练时间和线性模型的场景。
（4）两级贝叶斯点机：适用于训练时间短和线性模型的场景。（5）两级决策森林：适用于短期训练时间和准确的场景。
（6）两级提升决策树：适用于训练时间短，准确性且记忆率较大的场景
（7）两级决策丛林：它适用于训练时间短，准确性和少量记忆职业的场景。
（8）两类本地深SVM：适用于具有更多数据功能的方案。
（9）两级神经网络：它适用于具有高精度和较长训练时间的场景。
解决多分类问题通常应用三个解决方案：第一个解决方案，从数据集和适用的方法开始，并使用两个类别的分类器来求解多重分类问题；，将两个分类器改进到今天的多类分类器求解中。
常见算法：
（1）多类逻辑回归：具有短训练时间和线性模型的适用场景。
（2）多类神经网络：适用于具有高精度和较长训练时间的场景。
（3）多类决策森林：它适用于具有高精度和短训练时间的场景。
（4）多类决策丛林：它适用于精度高且内存少的场景。
（5）“一到杂化”多级类别（一vs-All多类）：取决于连膜的效果。
返回
回归问题通常用于预测特定值而不是分类。除了回报的结果，其他方法类似于分类问题。我们调用定量输出或连续变量预测。固定输出或离散变量预测称为分类。长毛巾的算法为：
（1）序数回归：它适用于分类数据分类。
（2）索斯回归：适合预测事件的场景。
（3）快速森林分位回归：它适用于预测分布。
（4）线性回归：它适用于短训练时间和线性模型的场景。
（5）贝叶斯线性回归：它适用于线性模型和更少的训练数据。
（6）神经网络回归：它适用于具有高精度和较长训练时间的场景。
（7）决策森林回归：适用于具有高精度和短训练时间的场景。
（8）增强决策树回归：它适用于具有高精度，较短训练时间和大量记忆职业的场景。
簇
聚类的目的是找到数据的潜在定律和结构。分类通常用作描述和测量不同数据源之间的相似性，并且数据源被分类为不同的群集。
（1）分层聚类：适用于训练时间短和大数据的场景。
（2）K-均值算法：适用于高精度和短训练时间的场景。
（3）模糊C均值（FCM）：适用于具有高精度和短训练时间的场景。
（4）SOM神经网络（SOM）：SOM）：适用于长期。
异常检测
异常检测是指数据中异常或非典型分裂的检测和迹象，这有时称为偏差检测。
异常测试似乎与监督和学习非常相似，所有这些测试均已分类。它们均被预测和判断样本的标签，但实际上两者之间的差异非常大，因为阳性样品（异常点）在异常检测中很小。公共算法为：
（1）一级SVM（一级SVM）：适用于具有更多数据功能的方案。
（2）基于PCA的异常检测（基于PCA的异常检测）：适用于训练时间短的场景。
常见的迁移学习算法包括：归纳转移，跨传输转移学习，无监督的转移）本质
适用的算法方案：
需要考虑的因素是：
（1）数据，数据质量和数据本身的特征
（2）在机器学习中要解决的特定业务方案中问题的本质是什么？
（3）可接受的计算时间是多少？
（4）该算法的准确性要求有多高？
—————————————————————————————
原始链接：
姓名：Chen Xinyu Xue编号：21009102266 Academy：Haitang No. 1 Academy
转移：搜索中人工智能的应用
人工智能的应用和实践search_qq_40954115博客-CSDN博客
[嵌入式NIU指南]日常生活中的搜索和建议算法也与人工智能有关。让我们一起看看！
[嵌入式鼻子]人工智能用于搜索和推荐算法。
[嵌入问题]人工智能在搜索和推荐算法中有什么用途？
【嵌入的文本】
智能互动
智能互动有三个部分。第一个是建议。这是一个相对旧的主题；第二个是聪明的购物指南。这是现在正在做的原始形式。我将谈论为什么智能购物指南稍后。显示三个内容和个性化的想法。也就是说，您如何向用户展示产品是互动的一部分。
第一个是建议。这个问题如何摘要？查询建议用户当前查询。我们如何推荐其他查询？这与我们的相关搜索相同。在建议此类查询之后，如果用户订购了一个查询，则用户的状态将会更改。从当前查询到另一个查询，这是用户状态的更改。第二是我们评估建议的查询质量的方式。它由几个部分组成，无论是否订购了一个查询，第二部分是在查询中推荐，是否会订购其SRP页面，因为查询建议它建议它，因为查询推荐的Essence，这不是查询要做的最好的事情。可以说，最终，有必要搜索SRP用户，无论是单击，这是好的，这是第二个收入。在此状态转动之后，又有一个更间接的，遍历查询在下一个状态下，该状态还会有其他查询，还有其他点击。目前，这也是一个间接的建议。如果我不推动查询，我也不会达到这种状态。没有国家，我将不会有这个查询，也不会收入。我们知道这是一个典型的马尔科夫决策过程。我们通过加强学习来做到这一点。操作是我们的查询列表。根据用户和当前查询，建议其他查询。该州是用户 +查询。Strike，也有间接收入，可以通过Bellman公式来计算间接收入。这是DQN的增强学习项目。
聪明的购物指南
当前的搜索问题是，如果您查看搜索查询，那是一些类别单词，品牌单词，模型单词或属性单词。用户知道要购买什么，您可以搜索，但是您知道要购买什么吗？智能购物指南是制造类似于智能购物指南机器人，指南用户如何搜索的产品，并且用户还可以主动要求获得知识或购物体验。这是背景算法的原始形式，很快就会在线。
智能内容
由于淘宝的产品，卖方制作了很多SEO，以适应我们的引擎。这一切都被列出了流行的关·单词，这导致淘宝标题的问题相似。知识但没有很多特征。我们智能内容的重要起点是如何从产品评估中挖掘出更多的销售点，详细页面和属性将其显示给用户，以使用户更好地了解产品。这是第一个印第安人。在第二个淘宝中，有类似的商品聚合，例如列表，生成列表，如何生成列表的更好的简介描述，让用户描述列表在做什么。这两个事情主要是做到了。如何做？一个会产生某个主题，例如行业运营以及我们挖出的一些要点。例如，每个人都会关注手机等手机的成本性能，无论摄影是否清晰，速度快，无论是发烧还是什么，这就是这就是什么，这就是这就是，这就是什么，这就是什么，这就是事实，这是什么，这是或非如此。通过seq2seq发短信。
语义搜索
我们的商品属性基本上是标准化的，因为淘宝在这里有这样的商业库，并且无法上传非标准化的内容。问题是我们的产品内容相对标准化，但是用户输入的查询并非如此。例如，Monterttersnewnew产品具有很大的表达。因此，从用户的需求和产品的内容中，存在语义差距。我们也经常提供示例，例如三口之家的稻米烹饪者，问题。该语义从语义的角度解决了语义匹配。
将有很多方面。冰箱是一个类别。最终，容量大于升高的数量，并且该类别是解决我们搜索搜索问题的冰箱。第二个语义理解，包括查询和产品，必须进行语义理解。例如，图片中许多文本的语义标签是通过图像标记计算到产品文本索引来计算的。现在，第三个是直接学习查询和产品相似性的末端 - 端到的深度学习技术。这是通过 - 到末端深度学习技术的语义回忆和语义相关性。
聪明的匹配
主要是谈论个性化。首先要做的是个性化数据。个人化本质上是建立用户中心标签，用户行为和用户偏好。然后通过这些数据找到它，转到产品到商品，例如您看到的类似产品，典型的协作过滤以及Alsothere是您品牌的其他产品。这是基于这些经验丰富用户的E -Commerce Maps- 中心还增加了一些辅助数据，例如产品的相似性，商店之间的相似性，因此我们像我们一样被称为电子商务图。
个性化召回和矢量化召回
这是召回。首先，用户的信息是从我们的电子商务地图中获取的混合。实际上，实际上是不值得的，在电子商务领域的信息和信息。现在，朋友几乎没有用。因为在不同的查询中，用户信息的重要性是不同的。根据上下文，我们将通过用户信息对我们进行筛选或分类，我们将为个性化召回率找到更多重要的信息。传统的搜索关键字是通过搜索和个性化产品索引回忆起关键字，除了查询外，还将有商业群集，簇和簇等。在许多个性化特征中，此皮带的好处是直接相关的给用户。此步骤的召回带来了个性化。
但是，基于行为召回的问题仍然存在一个问题。最重要的问题将具有较差的概括能力。如果这两种产品还没有同时看到它，那么您认为它们与零相似。问题。我们已经实现了今年的矢量化召回，其中包括两个步骤：一个是相似性学习。通过这种深入的学习，结束 - 端相似学习将使我们的用户和项目变成矢量。第二步是进行vectorizationRecall，例如分层聚类，随机步行，学习哈希等。这样，它将大大增加召回的深度。
个性化工作
个性化领域中最重要的核心问题是如何了解用户，如何感知用户并预测用户的行为和偏好。
第一个是数据。用户有两个关于淘宝的重要基本信息：一个是用户标签，例如年龄，性别，职业等。第二个是用户足迹，例如订购，购买产品，商店等；
第二个是用户感知搜索的上下文，也就是说，用户的表示与用户的搜索意图有关；
第三是搜索许多差异化的任务，例如用户消耗功能的估计，用户对项目的CTR估计以及用户购物状态估算。完成不同任务的用户表示？如果完成每个任务以结束-TO-结束深度学习，会有很多问题，例如离线和在线绩效费用要大得多，或者某些任务样本太小。
该图是用户感知深度模型。输入X是用户的单击行为序列。下一步是嵌入。嵌入后，用户行为序列是通过lsabeding制作的。因为用户感知与查询有关，请添加与当前查询相关的查询注意层选择一个行为，并且表征是多任务学习网络。整个网络的参数大约有100亿个参数。我还意识到在Double 11中的在线学习。
该算法包括四个方向：智能互动，语义搜索，智能匹配和搜索策略。
智能互动
商品搜索是交互式产品的建议。用户通过关键字输入搜索意图。引擎返回和搜索意图以匹配个性化建议结果。良好的交互技术可以帮助用户更好地使用搜索引擎。当前的搜索交互主要是主要是搜索交互。活动关键字输入和关键字建议，例如搜索框中的默认查询单词以及搜索结果中的文本链。推荐的引擎推荐的关键字基于用户搜索历史记录，上下文，行为和状态。产品的建议是关键字建议是搜索链接的中间链接。除了关键字的点击之外，关键字建议的收入还需要考虑对整个购物链接的影响，包括推荐的关键字的后续行为，在商品点击，购买和交易中有产品，或者跳到另一个产品关键词。这是一个典型的增强学习问题。动作是推荐的关键字候选人收集。收入是搜索和指导的交易。除了被动关键字建议外，我们还在考虑搜索中更为活跃的互动方法。我们可以像购物指南一样实现两种互动，积极询问用户需求，选择个性化产品并提供个性化建议。目前，我们已经处于技术原型和智能购物指南和智能内容方向的演示中。从技术上讲，智能购物指南在技术上借鉴了对话系统。通过指导用户和引擎对话和关键字建议，它包括自然语言理解，对话策略和对话策略。 以及产品搜索和其他模块。功能主要包括：A。搜索用户上下文时，它将生成引导用户活动交互的文本。在审查的月份中，6个月至1年...“指导文档，促使用户完善搜索意图。如果用户进入“ 3个月”，它将回忆起相应段落的奶粉，并在随后的搜索，您会记住对话状态“ 3个月”的婴儿和提醒“以下是适合3个月婴儿的奶粉”，b。知识购物指南，包括改善售前的知识和答案或知识提示，例如“何种奶粉要吃3个月-Old的婴儿”答案“ 1段”，对话技术还不是很成熟，尤其是在多轮对话，知识和答案以及自动评估中，但是有深度的学习，在NLP，对话策略，阅读理解等中加强学习和生成对抗学习技术。在域名，越来越多的培训数据和应用程序方案中，域特有的对话技术应该使快速发展ESS在接下来的几年中；智能内容的生成，包括“卖点”，短标题和文本摘要或辅助人工生产产品和列表员的“销售点”，使淘宝产品更具个性化和多样化。
语义搜索
语义搜索主要是为了解决关键字和产品内容之间的语义差距，例如搜索“ 2?3岁婴儿夹克”。如果将关键字的召回结果匹配，则它将远远少于实际的语义匹配产品。语义搜索的范围主要包括：a。查询标签和重写，例如新产品，年龄，大小，商店名称，属性，类别和其他搜索意图，以识别并返回到一个。LSTM + CRF，标签分类（归一化）作为模型的另一个任务，请混合序列和分类在一起；b。查询重写，主要是为了计算QuerySimilar查询之间的相似性，通常该方法是首先使用不同的重写策略来生成重写候选查询收集，例如Word更换，Versatization top K，单击产品相似性，然后使用LTR来使用LTR到查找适当的重写集合，用于后续设置排序，模型模型，模型模型设计和训练相对简单。更困难的是如何建立高质量的培训样本收集。在线我们使用强盗方法来检测查询的优势和缺点。C。产品内容理解和语义标签，通过产品图片，详细信息，评估和同义词，上下单词等，以标记或扩展产品索引内容，例如使用图像标记技术生成富含产品内容的文本标签的图片，或使用图片向量和文本向量直接使用图片向量和文本向量直接实现富介质的检索和查询；D.语义匹配，经典的DSSM模型技术将查询和乘积变成矢量，表达了卷的语义相似性，并在问题和答案上进行测验。或阅读大量的多层次LSTM +注意语义匹配的注意力在阅读理解中。相同的高质量样本， 特别是高质量的负样本，很大程度上确定了模型的质量。基于电子商务知识图，通过生成相似但无关的查询和相关文档来生成负样本。从上面，您可以看到查询标签，查询相似性，，语义匹配和语义相关性是许多具有不同目标但相关程度非常高的任务。在下一步中，我们计划使用统一的语义框架来支持不同的语义计算任务。这些细节包括包括1。基于产品内容开发产品特征学习框架，该框架为产品内容理解，内容产生，商品召回和相关性提供了统一的产品表示框架，包括产品标题，属性，详细信息页面和评估和评估和多模式信号融合；2.查询代表学习框架，为查询类别预测，查询重写，查询建议等提供了统一的表示学习框架，重点是多个查询相似的任务训练统一查询表示模型；3.语义召回，语义相关和其他业务应用程序模型框架。除了增加搜索结果与增强用户体验之间的相关性外，语义搜索还可以遏制淘宝产品标题的流行关键字问题。
聪明的匹配
这主要是指个性化和分类。内容包括：Ibrain（深入的用户感知网络）。搜索或建议中个性化的重点是用户的理解和表达。基于TAOBAO的用户肖像静态特征和用户行为动态特征，我们基于多模式的学习，任务抑制学习的多模式学习和LSTM直接从大量用户行为日志中学习了用户的通用表达。这种学习方法擅长“总结体验”和“触摸 - on -in -line”，因此用户的表达更为基础，更全面。用户的行为识别，偏好估计，个性化召回，个性化分类等，有广泛的在搜索，推荐和广告等个性化业务中的应用程序方案，并感知超过10b参数的网络。用户行为以及保持不间断的增量学习变得更加智能；b。多模式学习，淘宝产品具有文本，图像，标签，ID，品牌，类别，商店和统计特征。这些特征彼此具有一定程度的冗余和互补性，我们使用多模式学习通过多模式组合学习方法组合多维特征，以形成统一的产品标准，并在多模式中引入自我。联合学习以在不同情况下在不同情况下实现差异。C. DeepFM与广泛的DEEP模型相比，DEEPFM添加了功能组合功能。基于。在线深度分类模型，由于行为类型和产品重要性的差异，每个样本学习权重都不同，在样本池中在样本池中重复学习学习， 有效地提高模型学习的稳定性，同时通过整合用户来整合用户LTR模型的状态深度实现数千人的学习模型；对通过已知分类结果单击下一个位置的概率进行排序，作为预测的上下文，这有效提高了整个页面分类效率；F。此外，该项目还根据用户和商品向量实现了矢量召回引擎。概括的回忆更强，对于语义搜索和对个性化匹配深度的改进，它非常有价值。上面从召回，召回，召回，，从中实现深度学习的匹配深度。分类特征，分类模型，个性化和统一，并在Double 11无线产品搜索中带来了10％以上的搜索指标。
智能决定
搜索个性化产品以最大化交易。问题在于搜索结果被收敛并浪费。今年所做的一项重要工作是使用多智能体育合作学习技术来实现多种异构场景，场景交流，单独的决策和联合学习的环境感知，以最大程度地提高共同收入，而不是今年，联合和联合收入无线搜索综合指标由今年的Double 11（AB-TEST）的联合优化版本带来，Thannon兼而有之的优化版本为3％（AB-TEST）。
性能优化
当深度学习刚刚开始时，我们意识到深层推理性能将是瓶颈，因此我们在这方面进行了大量的研究和实验，包括模型压缩（修剪），低等级分解，定量和第二值网络，以及定量和第二值网络。对于缺乏相应的说明集和硬件支持，仅在各个方案中启动。预计支持低精确矩阵计算和稀疏矩阵计算的硬件出现了早期。
将来的计划
GM用户代表学习。前面介绍的DUPN是一个非常好的用户代表性学习模型，但是基于查询的注意力仅适用于搜索，同时缺乏基于日志的注意力，很难将其推广到其他Business.Model，非搜索业务可以通过简单的微调来取得更好的结果；同时，用户购物偏好受季节和周期的影响。时间跨度很大。最近，K行为序列假设太简单了。我们认为可以做生活的生活 - 长期学习的模式可以在过去几年中学习用户的行为顺序；搜索链接得到了优化。用户的总体优化输入搜索以离开搜索链接，例如搜索之前的查询指南（阴影），搜索中的搜索，搜索查询建议（SAC的数量）之后;优化了十字架 - 苏里奥。本年度对内部主搜索的搜索和储藏搜索关节优化已取得了良好的效果。将来，我希望扩大更多的大型交通情况，并改善Hand to -hand.的整体购物体验。除了交易外，搜索还需要满足大多数平台和卖方的需求，例如卖方多样性，公平流量，交通商业化。除搜索产品外，还有“圆顶”，“主题搜索”，“标志”，andnon -cormodity搜索内容，例如“内容搜索”，不同搜索目标和不同内容（物种）之间的组合优化值得深将来挖掘。
以我的个人经验为例
第一次谈论答案：不要走
为什么上面有结论？首先，注册前的无限渴望，并在注册后感到失望
其次，价格太贵了，课程相对理论上（但是关键公式推导不会给您），实际战斗，没有实际的战斗，老师的课程都是录制课程，基本上是一两年前2几年前，Agothe 2年的课程完全不足。您会发现CSDN是废物程序员的聚会场所。应用体验非常差。也许您本周购买的课程将在下周看不到。每当移动终端更新时，我最初都想看到iPad的过程，但是我经常看不到课程。经验很差。我选择了视觉方向。老实说，这是我见过的最糟糕的方向和导师。进去后，课程非常短。该理论不仅没有清楚，而且根本没有实际的战斗。他告诉您的是，他已经建立了自己的环境，并告诉您它非常详细。每周现场课程是根据每周课程的。再次讲述录制课程，我认为老师会带代码带所有人实施该过程。背后的在线培训更好，助教无法解决问题。谁说谁会注册这样的课，然后添加给自己
深度学习是一种神经网络，用于构建和模拟人的大脑分析和学习，并模仿人脑的机制来解释数据的数据。它的基本特征是试图模仿大脑神经元和过程的模式信息。最重要的应用是计算机视觉和自然语言处理（NLP）的领域。明显地，“深度学习”与机器学习中的“神经网络”有很强的相关性，而“神经网络”也是其主要算法和手段；或者，我们可以将“深度学习”称为“神经网络的改进版本”算法。
以出色的就业深度学习课程为例，在课程中还必须学习循环神经网络的原则，人工神经网络的原则和卷积神经网络的原则，并产生格式。
结论：以上是CSDN首席CTO注释如何为您学习CSDN的相关内容。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?