✍ 線上課程介紹:現代人工智慧精修班: 建構 6 個專案
人工智慧( AI )是一門使電腦能夠模仿人類智慧的科學,例如決策、推理、文字處理和視覺化概念。人工智慧是一個更廣泛的一般領域,涉及幾個子領域,如機器學習、機器人學和電腦視覺。
為了讓公司變得更有競爭力,並且快速增長,他們需要利用人工智慧的力量來改進流程、降低成本和增加收入。如今,人工智慧在許多領域得到了廣泛的應用,從銀行業到醫療保健、交通運輸和技術等各個行業都在進行轉型。
近年來,人工智慧人才的需求呈指數級增長,而且不再侷限於矽谷!Forbes 雜誌稱,人工智慧技術是 2020 年最受歡迎的技術之一。
本課程的目的是以一種實用、簡單和有趣的方式提供你現代人工智慧應用的關鍵方面的知識。本課程提供學生運用真實世界資料集的實際動手經驗。本課程涵蓋了許多新的主題和應用,如 Emotion AI (情緒人工智慧)、Explainable AI (可解釋的人工智慧)、Creative AI( 創造性人工智慧 ),以及應用在醫療、商業和金融領域的 AI用。
本課程的一個主要特色是我們將使用 Tensorflow 2.0 和 AWS SageMaker 來培訓和部署模型。此外,我們將涵蓋 AI/ML 工作流程的各種元素,包括模型建立、培訓、超參數調整和部署。此外,本課程經過精心設計,涵蓋了諸如機器學習、深度學習和電腦視覺等人工智慧的關鍵技術。
以下是我們將要做的專案摘要:
✅ 專案 #1( Emotion AI): : 情緒分類和基於人工智慧的關鍵人臉點檢測( Facial Points Detection )
✅ 專案 #2(應用在醫療保健中的 AI ) : 使用人工智慧檢測和定位腦腫瘤
✅ 專案 #3(應用在商業/市場行銷的 AI ) : 使用自動編碼器和非監督式學習演算法進行商城客戶區隔( Segmentation )
✅ 專案 #4(應用在商業/金融的 AI ): 使用 AWS SageMaker 的 XG-Boost 演算法( 自動駕駛,AutoPilot )預測信用卡違約
✅ 專案 #5( Creative AI ) : 人工智慧創造藝術作品
✅ 專案 #6( Explainable AI): 使用 GradCam 揭示人工智慧的黑盒特性並可視化隱藏層
對此課程有興趣,請參考底下留言區
「監督式學習模型」的推薦目錄:
- 關於監督式學習模型 在 軟體開發學習資訊分享 Facebook 的精選貼文
- 關於監督式學習模型 在 Facebook 的最讚貼文
- 關於監督式學習模型 在 緯育TibaMe Facebook 的最佳貼文
- 關於監督式學習模型 在 【機器學習2021】自督導式學習(Self-supervised Learning) (一) 的評價
- 關於監督式學習模型 在 htylab/machine-learning-python - 半監督式學習 - GitHub 的評價
- 關於監督式學習模型 在 #監督式學習 - Explore | Facebook 的評價
- 關於監督式學習模型 在 10 資料探勘| 資料科學與R語言 - Yi-Ju Tseng 的評價
監督式學習模型 在 Facebook 的最讚貼文
創新工場和BCG諮詢合作的「+AI改造者」系列:創新工場投資的Insilico Medicine,看AI新藥研發平臺如何賦能傳統藥企,一起進行“AI+生命科學”的顛覆式創新!
改造者系列:AI醫藥的下一站是長壽 -- 本文来自BCG微信公眾號,經授權轉載。
近期,創新工場聯合BCG波士頓咨詢旗下亨德森智庫,推出「AI融合產業:『改造者』如何促進AI普惠」系列研究。人工智能在中國大陸有著明確的落地應用場景,大量的AI企業活躍於這些垂直場景中,我們定義這些企業為「改造者」。「改造者」通過傳授其AI技術和垂直行業理解,極大地打破了傳統企業應用AI的瓶頸。
作為擅於趨勢前瞻的TechVC,創新工場長期看好AI領域,深入佈局,至今已經投出了7只AI獨角獸。在系列研究中,我們采訪了數家創新系AI企業,通過這些「改造者」的視角,探究傳統企業擁抱AI的範式與路徑。
創新工場投資的英矽智能(Insilico Medicine)是一家由人工智能驅動的全球領先生物技術公司,通過發明和迭代人工智能藥物研發平臺,變革創新藥物和療法的發現方式。
英矽智能的AI藥物研發平臺已經證明了自己的能力:在今年2月和8月,半年的時間內,先後公佈了兩種臨床前候選藥物,分別用於治療特發性肺纖維化和腎臟纖維化。
在采訪中,英矽智能創始人兼首席執行官Alex Zhavoronkov博士表示,AI醫藥企業的下一個重要問題將是如何更好地理解生物學和跨物種生物學,長壽業或者抗衰老技術將會是未來的方向。以下:
■系列導讀
本系列由BCG亨德森智庫與創新工場董事長兼首席執行官李開復博士帶領的創新工場團隊共同推出,圍繞「AI融合產業:『改造者』1如何促進AI普惠」的課題,我們致力於探究傳統企業在應用AI過程中的關鍵要素與合作夥伴,以及傳統企業擁抱AI的範式與路徑。
AI製藥領域於2014年左右興起,在2018—2020年間全面爆發。AI能夠快速識別大量樣本中的客觀規律,加速尋找和測試潛在靶點的過程。「有了AI,我們50個人可以做到的事情,比得上一個典型的製藥公司5000人所做的事情」,英矽智能創始人Alex Zhavoronkov在「未來呼嘯而來」一書中如是分享。2
1 「改造者」 通過傳授其AI技術和垂直行業理解,極大地打破了傳統企業應用AI的瓶頸,充當產業中傳統企業應用AI的橋樑。「改造者」包括AI企業與成功轉型AI的傳統企業。
2「未來呼嘯而來」,彼得·戴曼迪斯(Peter H.Diamandis)和史蒂芬·科特勒(Steven Kotler)著。
■本期受訪嘉賓:Alex Zhavoronkov
英矽智能(Insilico Medicine)是一家由人工智能驅動的全球領先生物技術公司,通過發明和迭代人工智能藥物研發平臺,變革創新藥物和療法的發現方式,加速研發進程,為癌症、纖維化、抗感染、免疫和抗衰老等未被滿足的臨床治療需求提供創新的藥物和療法方案。
Alex Zhavoronkov是英矽智能的創始人兼首席執行官。他擁有皇后大學學士學位,約翰·霍普金斯大學生物技術碩士學位,以及莫斯科國立大學物理和數學博士學位。
■對談實錄
Q1 英矽智能原來在美國創立,後來為什麼選擇遷至中國?
Alex:中國構建了一套完善的體系和土壤,吸引創業企業、大型企業紛紛入駐。中國大陸多樣化的投資者,包括傳統藥企、科技巨頭、PE/VC等各類投資者,能將最優質的AI人才、CRO、藥企融合在一起。投資者能為初創企業提供資質牌照、幫助招聘、企業管理和宣傳等等。英矽還與許多學校開展了合作研究,擁有豐富的內部研發管線。中國完整的生態夥伴體系使得像我們這樣的企業能夠迅速擴大研發規模,甚至與大藥廠競爭。
Q2 英矽智能和輝瑞、安斯泰來、楊森製藥等諸多藥企都有合作,在和大型藥企合作的過程中有什麼心得或者經驗?
Alex:創新型的AI生物技術公司按照創立時間可以分為三大類:2014年之前成立、2014年—2015年左右成立、最近5年成立。2014年之前成立的企業通常不運用深度學習(deep learning),或者不具備向藥企提供解決方案所需的行業知識。2014—2015年間成立的企業則創立的正是時候,生成式對抗網絡(Generative Adversarial Network)出現,AI製藥開始興起。同時,許多藥企缺乏AI的專業知識和AI團隊,如果想要獲取AI方面的知識和技能,就必須與初創企業合作。作為交換,那時候的藥企也通常願意向初創企業提供資料和各類資源。英矽智能很幸運,創立時間(2014)正處於大藥企對外部合作最為開放和寬鬆的時期。而最近幾年成立的企業就沒那麼幸運了,很多藥企已經開始自建AI團隊、自研AI應用,只有具備非常特定細分領域AI技術的初創企業才有可能成功撬動藥企,與之建立合作。
然而據我的觀察,儘管許多大藥企都建有自己的AI部門和數據科學家團隊,但他們並沒有足夠強的AI能力——他們往往缺乏具備足夠AI知識的團隊。以生物醫藥方面的論文發表為例,在2014—2019年間,英矽智能發佈了上百篇AI相關的論文,然而發表AI論文數量最多的藥企阿斯利康則只有65篇,位列其次的諾華有54篇。
藥企往往也不知道從何處開始應用AI,而這正是AI初創公司能夠創造價值的地方。但是,在AI初創公司開始接觸藥企和銷售方案之前,首先要充分理解大型藥企錯綜複雜的組織架構和部門分工,針對不同部門銷售定制化的模塊,而非從一開始就銷售整體性、綜合性的解決方案。這是因為藥企內部通常很難有一個部門能夠處理所有的模塊,部門之間的協同往往沒有那麼強。因此,AI初創公司在提供解決方案的時候也要靈活地劃分模塊,對症下藥,英矽智能通常一次只銷售一個模塊。
儘管銷售是模塊化的,AI初創公司需要具備端到端、全鏈路的解決方案。英矽根據不同的研發週期,設計了三大AI平臺——新藥靶點發現平臺、分子生成和設計平臺、臨床試驗預測平臺。據我們瞭解,中國還沒有任何一家同行,同時擁有生成生物學和生成化學兩大AI平臺,能把靶點發現和小分子化合物生成有機結合在一起的公司很少。此外,英矽智能的AI系統可以用軟件形式呈現,藥企可以自行操作,用自己的數據運算測試。這些都為我們創造了差異化的優勢。
最後,對於藥企而言,如果想要應用綜合的AI解決方案,需要有整體性的戰略為引領。咨詢公司可以充當整合各部門組織、統籌整體戰略的角色,AI企業可以選擇與之合作。
Q3 在您看來,未來AI醫藥領域的發展趨勢是什麼?
Alex:在未來,最重要的不是AI技術,而是如何將AI和行業特定的實驗數據或模型結合。現在市場上已經充滿了各種各樣的技術企業,他們在不斷精進演算法模型和數據。未來的競技不會是關乎演算法或者算力,而是新的商業模式或者應用AI的新方式。
AI初創公司需要積累足夠的行業專識,理解藥企的需求,學習藥企的經驗,並向藥企證明自己提供的模塊能夠在真實的商業環境下應用,並且模塊之間能夠很好地兼容,能融入業務流程,且符合監管要求。比如機器學習加速了藥物識別,但還有很多步驟和流程並不能被加速或跨越:實驗論文不能被跨越,你依然需要向藥物監管部門提供大量實驗數據和模型來證明研究的有效性;實驗中的生物過程不能被加速,你依然需要等待生物體自然的新陳代謝和細胞活動,你也不可能直接從大鼠實驗跨越到人類實驗。而這些都涉及到更細分的新技術問題。
所以,對於AI醫藥企業而言,下一個重要的問題將是如何能夠更好地理解生物學?如何理解跨物種生物學?正因如此,我判斷長壽業或者抗衰老技術將會是未來的方向,即如何運用AI來監督和追蹤生命體在漫長時間裡無數細微的實時變化,來創建數字孿生(digital twin),進行跨物種比較、跨疾病模型比較。我相信AI是説明我們更好地認識生命體的最佳工具。
■要點回顧
1、中國的資本環境天然地聚集了垂直產業領域的優質企業,幫助AI初創公司,即「改造者」,迅速汲取經驗、擴大規模,加速行業創新與賦能。
2、在與垂直行業企業合作時,「改造者」既要有端到端的解決方案,也要有靈活、敏捷的銷售和服務模式。端到端、全鏈路的方案有助於「改造者」更靈活地根據傳統企業的需求組合方案,能夠擴大服務範圍和客群,提升「改造者」的競爭優勢。
3、未來最重要的不是AI技術,而是如何將AI與行業特定的實驗數據或模型結合。限制因素並不是演算法或者算力,而是新的商業模式或者應用AI的方式來實現行業定制化。
監督式學習模型 在 緯育TibaMe Facebook 的最佳貼文
#每日5分鐘快速添補ai知識與技能
深度學習創造出各種模型,
但會納悶DNN、CNN、RNN這幾個網路有何不同?
作用、差別為何、彼此之間的關係?
⠀⠀
大部分神經網路,可以用深度和連接結構來定義
也可分為有監督、無監督、半監督學習的神經網路
⠀⠀
將介紹4種類型神經網路
1、類神經網路ANN 和 深度神經網路DNN
2、循環神經網路RNN 和 遞歸神經網路RNN
3、卷積神經網路CNN
4、生成式對抗網路GAN
⠀⠀
觀看全文👇
https://blog.tibame.com/?p=19032
⠀⠀
#AI60問 #深度學習 #人工智慧 #神經網路
【AI/資料科學不可不知的60道問題】
每週4篇AI新知識,一次只要5分鐘,
具備AI跨域知識,為職場技能加分💪
#TibaMe #緯育TibaMe #知識 #學習 #科技
監督式學習模型 在 htylab/machine-learning-python - 半監督式學習 - GitHub 的推薦與評價
半監督式分類法/範例3 : Label Propagation digits: Demonstrating performance. 本範例目的:. 利用少量標籤的手寫數字資料集進行模型訓練,展現半監督式學習的能力 ... ... <看更多>
監督式學習模型 在 #監督式學習 - Explore | Facebook 的推薦與評價
explore #監督式學習at Facebook. ... 【機器學習演算法-監督與非監督式學習】 ... 校園植物辨識AI體驗課程監督式機器學習模型訓練特徵比對 ... <看更多>
監督式學習模型 在 【機器學習2021】自督導式學習(Self-supervised Learning) (一) 的推薦與評價
slides: https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/bert_v8.pdfThe cover image is from ... ... <看更多>