吴宇龙

这里是吴宇龙的学习日志

Day 1

上午：更新python软件，下安装tensorflow，notepad++，jupyter notebook，android studio等。

下午：安装python库，尝试使用tensorflow，运行model.py，并了解人工智能、深度学习思路，在运行300次之后，达到的准确率为0.72，在10000次之后为0.95.

问题：电脑识别图片的机制是什么样的？注意到初始准确率约为0.1，如何让机器知道他是第一次如何做错的，又是如何让它知道什么是对的呢？如果每次的测试图片都是一样的，那么10次就可以达到全对，所以300次运行时机器识别的是一个巨大的图片库，那么它识别图片的机制是如何实现的呢。

Day2-3

体验智能音箱，了解语音交互技术背后的故事

Day4

上午:了解声控智能硬件设计流程：语音指令设计与录音、语音识别的DNN训练、部署与优化DNN、app开发等。了解了语音识别的核心——自然语言处理和神经网络识别。体验了安卓平台的app编程并了解了原理。

对Day1问题的回应：识别机制是基于tensorflow的大数据处理，将图形or语音文件转换成多元向量，经过加权，建立神经网络，在应用的时候植入到app里面。

下午：基于PYNQ单片机进行编程学习，先由一个LED亮灯程序了解PYNQ编程机制，然后自行开发PYNQ计数器（虽然最后的程序未能顺利跑起来...) 最后体验了PYNQ中的人脸识别程序。

Day5

Tensorflow与相关公司合作的调研——airbnb Airbnb 服务对象的多样性决定了：我们必须通过定制化的数据产品，为用户提供最佳的旅行体验。同时我们的平台也会基于各种数据做出正确的决策。

数据的使用流程分为：

最底层是数据的存储；中间层是基于数据的挖掘与分析；最上层是我们根据不同的产品结构所开展的基于数据的机器学习、人工智能、决策预判等。

Airflow Scheduling，Airflow 是我们公司内部自行开发的一个系统，我们用它去做 schedule job。

另一方面 Airbnb 采用 AI 技术来作为解决方法，使用人工智能来进行房屋主人和住户之间的匹配，网站和App里都有预测模型，并且呈现排名搜索结果，分别考虑到用户的偏好、级别以及搜索历史。 有超过100种信号来共同决定你看到的最终结果是什么，而紧接着机器会通过自我学习的性能为这些信号分别权重。

“我们目前探索的领域之一，就是无人监控下非结构化信息的自主学习，这些信息包括我们已经有的图片清单、描述清单以及其他的清单。这样一来，无人监控算法在面对聚合类清单时不会感觉到有什么区别，就能更好地读取信息。”柯蒂斯接着解释到，这样的目的在于“能够在基于用户人群的另一个同样的程序上，有可能以一种积极的方式去理解那些聚合类的交互，并且在之后对排名搜索模型的搭建能够有所帮助。”