（1）启发式设计是一种设计方法，它侧重于基于经验和直觉进行决策，而不是依赖于详尽的分析和优化。它强调快速迭代和试错，并鼓励设计师通过实践和反馈进行学习和改进。
启发式设计的另一面可以是理性设计。理性设计是一种基于详尽的分析、数据和优化算法的设计方法。与启发式设计不同，理性设计更加系统化和正式，它侧重于客观性、可重复性和可预测性。
（2）被称为样本的“特征-标签”对的任务已经快被找完了吧hhh 但Kaggle上总能找到新任务
（3）从工业革命的定义出发：工业革命解放了人类的双手，提高了生产力。
人工智能的发展做了同样的事情：更好的数据，更优秀的算法，能够产生更加有效的模型。从这个角度来看，更优质的煤，更精巧的蒸汽机，确实也能够获得更高的动力。算法和数据是训练模型的必不可少的要素。
但他们的根本区别在于，模型的规模达到一定程度，会表现出智能的行为。大模型的涌现能力（Emergent Capability）是指大规模语言模型在训练和生成过程中，展现出超出预期的能力和行为。它可以回答各种问题，提供广泛的知识和背景信息，即使这些信息在训练数据中并没有直接出现过。
涌现能力可能不是直接通过训练数据教导的，而是通过对大量数据的学习和模式识别而产生的。
正是因为如此，智能的有无决定了蒸汽机和人工智能是区别的。
（4）最近很火的自主人工智能（AutoGPT）表明一点：人在电脑屏幕前能做的事情（打开程序，浏览网页，写代码），以后AI都能替代。如果是这样的话，那AI模型就真正从各个不同领域各自的（相对封闭和割裂的）有监督学习通向另一个令人兴奋的世界了。
1，涉及到梯度下降算法的代码都涉及到学习的过程，因为需要不断优化参数，启发式设计就是一个不断探索并接近答案的过程，毫无疑问是涉及的
2，我认为医院的建设符合这个过程，各地区都有海量的病人数据，可以根据寻找其中的规律，更加科学的差异化建设医院，例如沿海地区和沙漠地区的人口所面对的疾病威胁来源可能是有一些区别的
3不一样，蒸汽机和煤相当于模型和数据，算法是相当于设计蒸汽机的理论思想，正是由于算法的优化，让蒸汽机逐渐演化成内燃机等能源利用效率更高的机器
4.工程上类似的例子，房价，就是端到端，不同地区的房价不一样，就是一个机器学习的过程，形成的的一套逻辑
1 Like
you are right! The sentence is used for expressing the same situation in one secnario.
不要双击进入编辑，退出来即可看到图片了．
应该是微软的consolas
这方面你可以问chatGPT，回答的还是比较精确的，哪里不懂问哪里，一直到问明白。
人工智能包含机器学习，机器学习包含深度学习、强化学习等。深度学习、强化学习等是机器学习的一个分支。深度学习的目的是不断向神经网络灌入数据，通过不断调整参数（根据某些算法）让损失函数尽可能小。如果每调整一次参数（可能非常多，gpt3.5有1750亿个参数），都可以让损失函数变得更小，那么说明调整参数的方向是正确的，继续调整，如果损失函数变大了，需要重新调整参数。直到损失函数达到一个阈值，则停止调整参数，固定参数后的神经网络就是训练好的模型，可以接收input了，并输出output
1 Like
我刚开始也是这样，后来发现请求图片那里端口对应不上，可能是打开得太多了，都关了重新打开就好了。
- 目前正在编写判断链表是否有环的代码，采用的是快慢指针算法，暂时没有想到好的启发式设计选择。
- 彩票中奖预测，每年彩票开奖季，有大量相关新闻和数据，可以作为预测样本，但是还没有一种有效的彩票预测算法，能够自动化地解决彩票预测问题。不然的话，每年的大奖应该垄断在学术研究机构和研究员的手中是不是。
- 算法和数据是一种相互依赖，相互促进的关系。更大更多的数据，催生出更大的模型，促进模型和算法的发展。反之，算法和模型的发展，唤起产业界和学术界更多的想象力和落地场景，促使人们重视数据的收集和利用。算法之于数据与蒸汽机之于煤，根本区别在于煤仅仅作为一种燃料，通过燃烧驱动蒸汽机，用途更为单一，对蒸汽机依赖性更强；而数据作为人们生产实践的副产品，不仅能被模型利用，也能被其他一些数学方法处理，具有更大的潜在价值、用途和想象力。
- 物理学上，可以利用端到端的训练方法，预测粒子轨迹，拟合能量曲线；工程上可以拟合材料弹性形变，强度变化；计量经济学上，可以预测国民生产总值等。
我是游戏制作人，我希望在游戏中的NPC在展现自己个性的同事，可以更好的了解玩家，和玩家成为伙伴，为玩家带来深刻的体验和乐趣
-
我当前正在编写的代码中，一些部分可以通过学习和自动确定代码中所做的设计选择来改进。例如，博客中的推荐算法、分类算法、人流分析算法等设计，可以通过机器学习技术进行分析和优化。
-
我的代码中可能包含一些启发式设计选择，这些选择是基于经验、直觉或传统的编程原则做出的。例如，使用特定的数据结构或算法来提高性能，或者根据代码的可读性和可维护性进行设计。有许多问题没有具体的自动化方法来解决，这些问题可能是使用深度学习的主要候选者。例如，自然语言处理、图像识别、语音识别等领域的问题，通常需要大量的样本和数据来训练模型，但没有一种通用的解决方案。
-
将人工智能的发展看作一场新的工业革命，算法和数据之间的关系类似于蒸汽机和煤之间的关系。在这种情况下，算法类似于蒸汽机，是推动人工智能发展的关键技术，而数据则类似于煤，是算法所需的燃料。与蒸汽机和煤的关系相比，算法和数据之间的根本区别在于，数据在人工智能中扮演着更为核心的角色。数据的质量、数量和多样性直接影响算法的性能和效果，因此数据的收集、整理和预处理变得尤为重要。
-
端到端的训练方法可以应用于许多领域，如图像识别、语音识别、自然语言处理、推荐系统等。在这些领域中，端到端的训练方法可以帮助模型学习输入数据和输出之间的直接关系，从而提高模型的性能和泛化能力。类似地，端到端的训练方法也可以应用于物理、工程和计量经济学等领域。例如，在物理学中，可以使用端到端的训练方法来学习物体的运动轨迹；在工程学中，可以使用端到端的训练方法来优化设计参数；在计量经济学中，可以使用端到端的训练方法来预测经济指标。
1 Like
这应该只是一个一体两面的问题，本质上机器学习需要依赖于大量数据的训练 Input,数据的处理又依赖于统计学相关的概率分布等知识。所以从这种意义上来说，统计学可以视为机器学习的一个必要而非充分条件。
1.任务分类和问答分类都可以通过机器学习来解决。
2.标书解析，有很多标书样本，但是还没有合适的机器学习模型来正确地解析它们。
3.数据是驱动算法生成的源头，但是并不是唯一源头，还有设计思想等其他要素共同组成源头；蒸汽机的动力来源只有煤。
4.无。
咱俩同一级，但是我比你晚一年才知道这本书。
知耻而后勇，加油！
如果NPC可以植入智能反馈，难以想象会有何种游戏体验，期待您的作品尽早面世。
1、对于在编程中常常实现的函数，比如斐波那契数列，对质数的线性筛法和埃式筛法，当我们在创建一个函数，比如def fib()的时候，ai可能就自动帮我们补足了斐波那契数列所需的代码。（这一点已经在pycharm中的AWS插件实现），也就是说对于常用的或者已有的其他领域的公式，机器学习能根据经验自动给出补足的代码
2、进入大学分宿舍的时候，大多时候没有合适的分配方式，一般是辅导员分配或者自己选择。其实可以根据分数+老师评价+个人填写的一些生活习性从而优化对宿舍的分配，减少学生的抱怨
3、算法依赖数据的验证，数据的验证启发人们优化算法。和蒸汽机与煤的区别就是随着时间的推移，算法可能面对的数据会有所改变，即使面对相同的数据也不再给出相同的答案。而蒸汽机和煤可以一直适配（或许不是最优解
4、语音通信
1 Like
开了眼界了，和普通写代码思路上有很大不同。
我也是23级的，希望能相互交流学习,加油加油
好像也没错
应该说统计学是工具，任何学习方式都离不开统计