MAKER EVEN

人工智慧已經存在了很長時間。 然而，由于該領域的巨大改進，近年來它已成為流行語。 人工智慧曾經被稱為總體書呆子和天才的領域，但由于各種庫和框架的發展，它已成為一個更友好的IT領域，并有很多人進入它。 在本文中，我們將研究用于人工智慧的高質量庫，它們的優缺點以及它們的一些功能。 讓我們潛入并探索這些AI庫的世界！ 1. TensorFlow “使用數據流圖進行計算，實現可擴展的機器學習。” 語言：C ++或Python。 進入AI時，您會聽到的第一個框架是Google的TensorFlow。 TensorFlow是一個開源軟件，用于使用數據流圖進行數值計算。 該框架以具有允許在任何CPU或GPU上進行計算的架構而聞名，無論是桌面，服務器還是移動設備。 該框架以Python編程語言提供。 TensorFlow對稱為節點的數據層進行排序，并根據獲取的任何信息做出決策。 優點： 使用易于學習的語言（Python）。 使用計算圖形抽象。 TensorBoard可用于可視化。 缺點： 它很慢，因為Python不是最快的語言。 缺乏許多預先訓練過的模型。 不是完全開源的。 如果你想更加了解TensorFlow，或者說想實踐一下人工智慧項目，谷歌的另一款工具或許可以幫到你，也就是谷歌的AIY Projects 項目。 AIY Projects 包含兩款硬件--AIY Voice Kit 和 AIY Vision Kit。其中AIY Vision Kit（視覺套件）是一套簡單的計算機視覺系統，可運行 3 種基于 TensorFlow 的類神經網路模型應用程序。 2. Microsoft CNTK “一個開源深度學習工具包。” 語言：C ++。 我們可以將此認為是微軟對谷歌TensorFlow的回應。Microsoft的Computational Network ToolKit是一個增強模塊化和維護分離計算網絡的庫，提供學習算法和模型描述。 在需要大量服務器進行操作的情況下，CNTK可以同時利用許多服務器。 它據說與谷歌的TensorFlow功能相近; 但是，它有點快。 優點： 它非常靈活。 允許分布式培訓。 支持C ++，C＃，Java和Python。 缺點：

熱門機器學習框架TensorFlow的最新消息披露！早些時候來自Google AI的Martin Wicke透露，他們計劃在2018年底發布TensorFlow 2.0預覽版。 自2015年開源發布以來，TensorFlow已成為最廣泛采用的ML框架之一，可滿足廣泛的用戶和用例需求。 在此期間，TensorFlow隨著計算硬件，機器學習研究和商業部署的快速發展而不斷發展。 Wicke在小組上說，“TensorFlow 2.0將是一個重要的里程碑，重點是易用性。”他補充說，新更新的主要亮點是： · 快速執行 · 支持更多平臺和語言 · 刪除已棄用的API · 減少重復 他補充說，TensorFlow很快將舉行一系列公共設計評審，涵蓋計劃的變更。 “這個過程將闡明將成為TensorFlow 2.0一部分的功能，并允許社區提出變更和語音問題，”Wicke說。 Wicke還補充說，為了簡化過渡，他們將創建一個轉換工具，它將更新Python代碼以使用TensorFlow 2.0兼容API，或者至少在無法自動進行此類轉換的情況下警告用戶。 “TensorFlow的tf.contrib模塊已經超越了單個存儲庫中可維護和支持的模塊。 更大的項目可以更好地單獨維護，而我們將孵化較小的擴展以及主TensorFlow代碼。 因此，作為發布TensorFlow 2.0的一部分，我們將停止分發tf.contrib。 我們將在未來幾個月與各自所有者合作制定詳細的遷移計劃，包括如何在我們的社區頁面和文檔中公布您的TensorFlow擴展，“Wicke總結道。 鑒于TensorFlow目前這么流行，想要學習和實踐的程序員們也可以了解下谷歌最近的AI開源項目——AIY Projects。AIY 全稱是 Artificial Intelligence Yourself，顧名思義就是利用 AI 來進行的 DIY 功能套件。 谷歌目前為 AIY Projects 推出了兩款硬件--AIY Voice Kit 和 AIY Vision Kit。其中， Vision Kit（視覺套件）附帶的軟件可運行三個基于TensorFlow的神經網絡，可以處理圖像識別和計算機視覺, 支持離線識別上千種常見物體（動物、植物）以及人臉、面部表情等。

在過去的幾年里，機器學習和人工智能一直是這個城市的話題 - 而且炒作不會很快放慢速度。 我相信2019年將成為那些等待最終加入其中以見證其行業發展的金礦的企業的一年。 我們明年可能會看到什么？ 機器學習的新用途和創新用途？ 人機交互的進一步發展？ AI助手的崛起？ 讓我們深入研究未來幾個月的人工智能和機器學習預測。 跨行業機器學習的新用途 在處理與機器學習一樣先進的技術時，根本沒有一個行業不會受益。我的意思是企業如何才能利用能讓他們更成功的技術？在接下來的一年里，所有這些行業的機器學習都會有多種新用途，我不僅僅是在談論營銷和銷售。 美國陸軍目前正在使用機器學習來預測作戰車輛何時需要維修。想一想，我們的軍隊每天都會使用數百萬件裝備。為了跟蹤所涉及的數據，他們正在招募AI助手的幫助。對于第一次實施，幾十個裝甲步兵運輸將在車輛發動機內接收傳感器。這些傳感器將記錄溫度和RPM，并將其傳輸到軟件。機器學習功能將查找匹配類似車輛中發動機故障的數據模式。 如果你的車做了這個怎么辦？ 如果您的汽車可以告訴您傳輸即將廢棄，AAA可能會過時。 如果軍隊正在使用這項技術，我相信在我們在民用世界中看到它之前不會很久。 汽車業并不是唯一看到這種技術的潛在新用途的行業，醫療保健也將看到一些變化。 好像谷歌尚未出現在AI地圖上，他們已經開始使用機器學習預測患者死亡的可能性 - 準確率達到驚人的95％。 怎么樣？ 由公司創建的AI查看患者健康記錄的變量，考慮人口統計，健康歷史等。 然后它預測患者在入院后24小時內死亡的概率。 當你第一次聽到它時，這聽起來有點病態，但想想它可能對醫療保健行業產生的影響。 機器學習可以幫助拯救生命。 最后，一個研究小組最近還利用機器學習來根據公開的收益文件預測股市表現。 這些文件與市場公告前后的股票價格數據相結合。 該模型試圖找到語言內容與對股票價格的影響之間的關系。 經過測試，最成功的結果是有62％的機會預測低績效股票。 這不是最高的百分比，但是當你投資一些像股票市場一樣有風險的東西時，我會以62％的準確率抓住機會。 正如您所看到的，AI和機器學習使我們能夠通過使用過去來預測未來。 就人工智能和機器學習預測而言，我相信我們會更多地了解那些已經發現如何使用這些技術來閱讀和解釋數據的公司。 人機交互的進一步發展 人工智能只是

毫無疑問，Python是最流行的語言之一，其成功的原因之一是它為科學計算提供了廣泛的報道。 在這里，我們仔細研究用于機器學習和數據科學的十大Python工具。學會這些，程序員年薪百萬沒問題，工資都快溢出銀行卡。 據調查顯示，人工智慧人才需求到達井噴期，真正供不應求。從業者年薪30萬起 ，工智能從業者薪資水平居IT行業首位。0年經驗AI工程師年薪30萬起，算法工程師等年薪40萬+。AI應屆博士80萬起！ 專家們已經明確表示2019年將是人工智慧和機器學習的光明年。 他們中的一些人也表達了他們的觀點，“機器學習往往具有Python風格，因為它比Java更加用戶友好”。 在數據科學方面，Python的語法最接近數學語法，因此，是數學家或經濟學家等專業最容易理解和學習的語言。 在這里，我將介紹我的十大最有用的Python工具列表，用于機器學習和數據科學應用程序。 如果您想深入了解這兩個領域的知識而且您不知道從哪里開始，那么這是您的最佳選擇！ 看一下清單，選擇最適合您的選擇！ 機器學習工具 Shogun - Shogun是一個開源機器學習工具箱，專注于支持向量機（SVM），它是用C ++編寫的，它是1999年創建的最古老的機器學習工具之一！ 它提供了廣泛的統一機器學習方法，其創建背后的目標是為機器學習提供透明和可訪問的算法以及免費的機器學習工具給任何對該領域感興趣的人。 Shogun提供了一個記錄良好的Python界面，它主要用于統一的大規模學習，并提供高性能的速度。 但是，有些人發現它的API難以使用。 Keras - Keras是一個高級神經網絡API，提供了一個Python深度學習庫。 對于任何初學者來說，這是機器學習的最佳選擇，因為與其他圖書館相比，它提供了一種表達神經網絡的簡便方法。 Keras是用Python編寫的，能夠運行在流行的神經網絡框架之上，如TensorFlow，CNTK或Theano。 根據官方網站，Keras專注于4個主要指導原則，即用戶友好性，模塊化，易于擴展和使用Python。 然而，當談到速度時，Keras比其他庫更不利。 Scikit-Learn - 這是一個用于數據挖掘和數據分析的開源工具。 雖然它在本文的機器學習中列出，但它也適用于數據科學。 Scikit-Learn提供一致且易于使用的API