AI

''' ··· coding AI '''

人工智能的话题这几年已经很热

  • 那么什么是人工智能，要怎么进军人工智能的路线

    • Artificial Intelligence (or AI, for short) is the name given to any attempt to have computers gain attributes of the human mind.

    • 人工智能（缩写为AI）这个名称来源于一些想让计算机拥有某些人类智能属性的尝试。

    • 2022-10-09 10:16:56 by DailyR

所以人工智能这个东西会有很多的引申和应用

主要关注点：

  • 人工智能的进展，目标，当前可以用来完成基础学科的部分

  • 解决问题的能力

  • 无它，人工智能是未来的必然方向，但是又是漫长而又需要一定基础发展的东西

  • 2022-10-09 14:06:57 by DailyR

  • 然而行业发展虽慢但是于个人来说，落地可能没那么多场景，而且依赖基础学科和大框架的发展，但是指不定某天就会有突破性应用

  • 百度百科：人工智能

于个人而言

  • 未来发展人工智能虽然是【漫长】的事件，但是【确定性】非常高，保持一定的认知和学习，才能让自己紧跟时代，当然也不应过于沉迷，获得一个这种性价比的点，其实做个人工智能CRUD，调包侠也未尝不可，一个是提高自己的身价，和解决问题的实际能力

  • 今年2022年 2022-10-09 15:14:19 by DailyR

    • 下半年的时候爆发了一波人工智能自动画画的学习模型，可以看到有相当的应用场景（策划提需求沟通），（生成自动海报），这几年应该是人工智能阶段性高速发展的年景，只要有合适的应用场景和加速的模型，人工智能的钱景会非常好

  • 就算现在不学，到时候也还是需要学习的，隔一段时间再编程的话最好有时间可以再练练基础，保持自己对前沿的理解

Data-Science-Notes

  • 数据科学的笔记以及资料搜集，目前尚在更新，部分内容来源于github搜集。

    0.math （数学基础）

    1.python-basic （python基础）

    2.numpy（numpy基础）—— NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。一个用python实现的科学计算，包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。·

    3.pandas（pandas基础）

    4.scipy（scipy基础）

    5.data-visualization（数据可视化基础，包含matplotlib和seaborn）

    6.scikit-learn（scikit-learn基础）

    7.machine-learning（机器学习基础）

    8.deep-learning（深度学习基础）

    9.feature-engineering（特征工程基础）

关于 ipynb 格式 —— Jupyter Notebook Web 端展示的文件

  • pip3 install jupyter一个命令就解决了。

    • Jupyter Notebook 使用Python内核，这就是为什么它原名 IPython Notebook。Jupyter notebook是Jupyter项目的产物——Jupyter这个名字是它要服务的三种语言的缩写：Julia，Python 和 R, 方便数据可视化和结果展示，jupter notebook 音标:/ˈdʒuːpɪtə(r)/ 朱批特儿

      • ipynb .ipynb 结尾的都是 Jupyter Notebook 的文件，在对应的目录下面运行下面的jupyter notebook命令，可以启动一个web可编辑的副本，点击.ipynb的文件可以进行对应的编辑和实验进行思路表达，相当方便，只要在对应存放 .ipynb文件的目录下去执行这个命令就好了。

    • 安装好以后，并不是对着.ipynb文件双击或者右键选择notebook就能打开，我们还要在终端里打开。要知道，我们前面也说了，这个是web应用程序，所以更多在web端执行。所以，我们在终端里执行jupyter notebook，（需要先切换到upynb的文件目录下面启动最好）

    • CMD命令（或者git-bash里面） ： jupyter notebook 【使用方法在对饮的目录路径下才能给他们看见】

啃高等数学

  • 有点慢，第一章函数与极限 2022-10-10 15:59:19 by DailyR
    吴恩达在他的课上说过多次，人工智能这个领域已经和数学的关系越来越小了。这是因为科研之外的应用越来越丰富，而不是关在象牙塔里面的高不可攀的知识。即便有关数学知识不熟悉，也可以从事有关工作。如果说数学对人工智能很重要，数学不好人工智能就做不好，那么你也在其他方面也不太做得好了。你其实有很多「不好」的，很多不知道的东西。参考以下问题，看看知道几个。Linux的进程描述符由哪些部分组成，分别有什么意义？内存地址由哪些部分组成，分别有什么意义？Linux怎样中断进程？可执行文件如何加载到内存中？动态库如何在运行时和可执行文件连接？MySQL和Oracle的查找过程有什么区别？索引有什么区别？用什么数据结构实现索引？数据库如何对高并发访问进行优化？你可能对这些问题没有明确的答案，至少不敢说「完全明白」，但是代码不是照样写得了？「数学不好能学人工智能吗？」的同类问题还可以是：不能手写操作系统，还能当程序员吗？看不懂MySQL源码，还能当程序员吗？不能手写JVM，还能当程序员吗？。。。你不就当着程序员吗，当程序员需要什么，如何可，如何不可，各位心中肯定已经有了答案。

  • 所以其实想想，从明天起，做一个幸福的人，喂马、劈柴，周游世界，然后做一名合格的调包侠。不再基础设施上纠结不已，而是在前人的基础上，进行地春暖花开。如果你是一名摄影师，你不用再考究各个光学元件的组成，不用再为光线的昏暗而烦恼，而是迎接PS的新世界，将所有的精力放于更富创造性的构图上。

    • 从明天起，让我们做一名出色的调包侠。请更加细心地观察工作生活中的痛点，然后开阔思路，运用现成的程序包来做一些尝试与改进。以此来发挥出machine learning真正的威力。你应该因为成功地解决了现实问题而欣喜，而不是因为将细枝末节搞得来更加晦涩而兴奋不已。

    • 每个阶段有每个阶段的使命。如果是一门新生学科，你不得不做非常多的基础性工作来为未来的几十年做准备。这个时候对细枝末节的高度关注并不是毫无意义，因为这是这一阶段无法逃避的必做性工作。而如果过渡到下一个阶段，在开源社区的精心呵护下，已有的基础设施已经基本齐备。这个时候再重复去构筑基建设施，将会付出高昂的机会成本。这一阶段的使命与任务，已经变成了如何桥面地运用现有平台来真正解决自己的问题。

    • 不要过度关注伪问题，把元问题当做附身符而拒绝接触现实，拒绝了解生活。而是要反过来，认清楚、辨别出生活中真正需要解决的痛点，然后考虑应该运用那些工具去解决。不要拿着锤子去找钉子，而是要先认清楚了这是不是钉子，再决定是否要用锤子。

看完jupyter notebook后对人工智能有了基础概念了

  • 这个就很尴尬了，原本计划用两个月（10月11月）的时间入门，现在看其实用了2天就完成入门了，主要是jupyter的例子，然后高数和线代都需要时间去再钻研，如果跳过这些的话，直接使用现成的调包工具接口也可以实现，而没有工作相关的平台和组织一起，应用到工作里的话，就会导致学而不精，学只有结果而没有产出。

  • 想要结合工作中，短期还没有这个相关的组织平台和环境，脱离组织平台和环境和实际需求来学，似乎并没有必要，真的有需要可以再继续，这个是当前的思考 2022-10-11 14:17:26 by DailyR

  • 所以目前来想下个阶段的目标是回到项目自身，再思考自身对于游戏项目的价值

    • react和nextjs回到之前的项目 2022-10-11 14:54:07 by DailyR

再启动AI项目的思考 2023-03-09 11:34:12 by DailyR

  • 这个大背景是发生在上面22年09月份之后的3，4个月，到22年12月，23年初， OpenAI的ChatGPT，横空出世，形成了资本的狂欢盛宴，也出现了很多ALL in AI的口号和喊法，如何利用大公司的尝试和开源结论，形成个人更好的助力，如何静下心来思考，大学之道在明明德，在亲民，在止于至善，...虑而后能得。

    • 然后个人是从\erlang_Code\README.md 23年02月开始到-23年03月初，在做了一些erlang的base基础概念理解和尝试，包括资料也收集了一些，RoadMap也写了一份。但是实在是写不下去了，怕erlang的路会越走越窄。大概坚持了两周吧，现在项目内能稳定投入使用的是机器人相关的BAT

  • 这里分两条线来做最近的一些思考和归纳整理：

    • 一条线是最近在做的初心三选一项目，选择了erlang线，目前已经做到的阶段性成果，和思考

      • 用现成的大平台接口，大型模型的训练

        • 自己要有小模型的备份

    • 一条线是自己的知识归纳演绎和感觉线，还有沉迷原神的一些思考

      • 游戏还是要玩的，但是要适度，很好的排解情绪价值

      • 可投入的时间和精力（刻意练习）- 精力时间减去职务占用时间，沟通，回归，管理，进度安排推进，面试，三方，各类杂项，需要调用机制为你服务，处理对应（稳一点）

  • 营销与管理，先测试模型，关键的是测试数据模型（用一年时间来打磨产品细节）

    • 陪伴需求，动物养成，电子宠物app，情感价值

    • 演绎场景，类似与爱因斯坦的对话

    • 类似于肉鸽Like的模拟器

  • RoadMap 其实最打动人的是RoadMap那段不要轻易放弃的话。

  • Dictionary