第二章 信息技术发展

信息技术及其发展,在信息科学额度基本原理下,获取信息、处理信息、传输信息和使用信息的应用技术总称。信息技术是以微电子学为基础的计算机技术和电信技术结合形成的。可分为:硬技术(物化技术,设备及功能)、软技术(知识、方法、技能)硬件:屋里装置的总称;软件:系统中程序及其文档。程序:处理对象和处理规则的描述,要安装入及其内部才能工作。文档:为了便于理解程序所需的阐明性资料,不一定安装入机器。网络:用物理链路将各个鼓励工作站或主机相连在一起组成数据链路,达到资源共享和通信的目的。分为:个人局域网、局域网、城域网、广域网、公用网、专用网。网络协议:为计算机网络中进行数据交换而建立的规则、标准或约定的集合。组成三要素:语义(做什么)、语法(怎么做)、时序(做的顺序)。开放系统互连参考模型OSI——...

第一章 信息化发展

信息:是一种客观事务,用来消除不确定性。熵是系统无序成都的度量,信息与熵相反,信息是系统有序程度的度量。单位:bit比特11个特征:客观性、普遍性、无限性、动态性、相对性、依附性、变换性、传递性、层次性、系统性、转化性7个质量属性(安全靠精整及经验):精确性、完整性、可靠性、及时性、经济性、可验证性、安全性信息系统:输入数据、通过加工处理,产生信息的系统。显著特点:面向管理、支持生成。组成部分:人员、规程、硬件、软件、数据库、网络、存储设备、感知设备、外设按用途分类:电商系统、事务处理系统、管理信息系统、生产制造系统、电子政务系统、决策支持系统。信息系统生命周期五个阶段:系统规划:可行性分析与项目开发计划系统分析:需求分析系统实施:编码、测试系统运维:维护信息系统建设周期长、投资大、风...

腾讯云AI能力矩阵和人工智能的发展趋势和行业岗位

腾讯云AI基础建设包括,AI基础能力,算法+工程。AI基础平台,机器学习平台 TI-ONE,数据标注平台TI-DATATRUTH。AI应用平台,应用服务平台TI-Matrix。AI行业应用:金融、工业、零售、教育、泛互。腾讯云AI基础算法能力人脸人体基本能力、车辆技术布局、文字识别技术、产业场景等,细化包括人脸检测、五官定位、人脸识别、人脸验证、RelD技术、车辆搜索、多目标检测、车辆属性识别、货架商品等,以及图像视频理解编辑增强、车辆AI研究、工业视觉、OCR、语音识别等。人工智能的未来发展趋势1、自动机器学习的自动化程度和可解释性逐步提升,机器学习每个环节都自动设计过程,推动新一代AutoML平台的建设,大众化,AutoML,全称自动化机器学习(Automated Machine ...

人工智能项目开发验收维护及机器学习开发框架介绍

人工智能项目开发验收与维护模型性能评估与测试调优分类任务的评价指标评价指标:使用不同的性能度量,往往会产生不同的评判结果,评价指标的选择,影响性能、算法选择、特征重要性的评判的结果。模型的泛化性:机器学习的目标是从训练领域的训练数据到任意其他数据上的性能良好,可以在未来对模型没有见过的数据进行预测,可能会产生过拟合和欠拟合的情况。准确率:正确分类的样本数占总样本数的比例,但是对于不均衡数据而言,模型会调入“高准确率陷阱”,为避免该陷阱,引入混淆矩阵。混淆矩阵:把样本的真实分类值作为一个维度,把预测分类值作为一个维度。精准率和召回率,精确率取决于模型准不准,召回率看数据全不全,不可兼得,要取舍。模型调优,过拟合与欠拟合。调参过程类似,先找出若干模型,然后基于某种模型进行评估。算法参数一般...

人工智能机器学习开发实例和深度学习开发实例

机器学习开发任务实例特征工程与机器学习——搭建一个机器学习模型,人工设计特征:实际工作中,特征比模型本身更重要。分三步:预处理,去除噪音,例如文本中的停用词;特征提取,从原始数据中提取一些有效的特征。例如图像分类中,提取边缘、尺度不变特征变换特征等;特征转换,对特征进行一定的加工,例如升维和降维。训练模型和测试模型:训练过程和测试过程完全独立。开发实例:明确任务背景和目标:任务背景:房地产中介在交易中,给房屋进行一个合理报价,让房东和买家进行参考。任务目标:根据已有的交易数据,训练模型,预测房屋的价格。任务过程解析:制作数据集,数据准备、数据预处理、数据集划分;特征工程,数据理解、特征分析、特征构造;模型训练,模型优化;模型评测,输出测试集指标、判断模型可用性。制作数据集:数据准备:字...

人工智能项目开发规划与准备

人工智能开发目标发现与明确问题:目标:AI的目标是将隐藏在一大批数据背后的信息集中处理并提炼,从而总结出研究对象的内在规律。技术角度:性能能达到预期吗?需要多少数据?能够获取到吗?需要多久?业务角度:要解决什么问题,商业目的是什么?数据分析:通过统计、机器学习、深度学习方法,对大量的数据进行计算、汇总和整理,最大化开发数据价值,发挥数据的作用。开发周期内容:收集数据:数据源和数据格式模型探索:测试、部署、监控模型优化数据准备:重要性:数据采集和数据清洗占到人工智能项目一半以上的工作,训练的数据量越大,模型越准确。建立数据标准、数据工程、专家解决方案没来减少数据准备(79%)的时间。数据限制:时间成本、算力和数据量。业务流程:数据采集:观测数据、人工收集、问卷调查、线上数据库数据清洗:有...