怎么用dw建设网站云南省建设工程造价信息网官网

怎么用dw建设网站,云南省建设工程造价信息网官网,可以直接打开网站的方法,苏州seo关键词优化推广第五章#xff1a;AI历史给我们的启示 5.1 技术发展的规律 5.1.1 从寒冬到春天#xff1a;技术发展的周期性 历史规律#xff1a; 过度承诺 → 资金投入 → 技术瓶颈 → 寒冬 → 新突破 → 春天实际例子#xff1a; 第一次AI寒冬#xff08;1970s#xff09;#xf…第五章AI历史给我们的启示5.1 技术发展的规律5.1.1 从寒冬到春天技术发展的周期性历史规律过度承诺 → 资金投入 → 技术瓶颈 → 寒冬 → 新突破 → 春天实际例子第一次AI寒冬1970s原因过度承诺、技术瓶颈结果资金削减、研究停滞恢复反向传播算法1986年第二次AI寒冬1990s原因专家系统局限性结果AI研究转向恢复统计学习方法、互联网数据当前AI热潮2020s原因深度学习突破、大模型成功特点应用广泛、投资巨大挑战需要保持理性避免过度炒作5.1.2 从专用到通用能力扩展的路径发展路径专用系统 → 通用能力 → 多模态能力 → AGI目标实际例子# 从专用到通用AI能力扩展的代码示例 # 这个例子展示了AI从专用系统到通用系统的发展路径# 专用系统只能做一件事 classImageClassifier: 专用图像分类器 特点 - 只能做图像分类这一件事 - 针对性强性能好 - 但功能单一无法处理其他任务 def__init__(self):初始化分类器self.modelNone# 实际的模型这里简化defclassify(self,image): 分类图像 参数: image: 输入的图像数据 返回: str: 分类结果cat 或 dog # 这里只是示例实际需要训练好的模型# 只能分类图像不能做其他事情returncat# 或 dog# 通用系统可以做多件事 classGeneralAI: 通用AI系统 特点 - 一个系统可以处理多种任务 - 更灵活但需要更多数据和计算资源 - 这是当前大语言模型如GPT、DeepSeek的发展方向 def__init__(self):初始化通用AI系统self.models{}# 存储不同任务的模型defprocess(self,input_data,task_type): 处理不同类型的任务 参数: input_data: 输入数据可以是文本、图像等 task_type: 任务类型image_classification、text_generation等 返回: 处理结果 iftask_typeimage_classification:returnself.classify_image(input_data)eliftask_typetext_generation:returnself.generate_text(input_data)eliftask_typecode_generation:returnself.generate_code(input_data)# ... 更多任务类型else:returnf不支持的任务类型:{task_type}defclassify_image(self,image):分类图像示例方法return分类结果defgenerate_text(self,text):生成文本示例方法return生成的文本defgenerate_code(self,prompt):生成代码示例方法return# 生成的代码# 演示对比专用系统和通用系统 print(*60)print(从专用到通用AI能力扩展)print(*60)print(\n【专用系统示例】)print( - 优点针对性强、性能好、资源消耗少)print( - 缺点只能做一件事无法处理其他任务)print( - 例子早期的图像分类器、语音识别系统)print(\n【通用系统示例】)print( - 优点一个模型处理多种任务更灵活)print( - 缺点需要更多数据和计算资源)print( - 例子GPT-4、DeepSeek等大语言模型)print(\n【发展趋势】)print( 专用系统 → 通用能力 → 多模态能力 → AGI目标)print( 单一任务 多种任务 多种输入 人类水平)5.2 学习AI的启示5.2.1 基础很重要历史教训数学基础线性代数、概率论、微积分是AI的基石编程能力Python、数据结构、算法是实践工具理论基础理解原理比只会调库更重要实际建议# 学习AI的正确方式理解原理 vs 只会调库 # 这个例子展示了为什么理解原理比只会调库更重要importnumpyasnp# ❌ 不好的学习方式只会调库不知道原理 # 问题虽然能运行但不知道背后的数学原理# 当遇到问题时无法调试和优化defbad_learning_way():不好的学习方式只会调库fromsklearn.linear_modelimportLinearRegression# 创建示例数据Xnp.array([[1],[2],[3],[4],[5]])# 特征ynp.array([2,4,6,8,10])# 目标值y 2x# 直接调库不知道原理modelLinearRegression()model.fit(X,y)# 预测predictionsmodel.predict(X)print(预测结果:,predictions)print(问题不知道模型是如何工作的无法优化和调试)# ✅ 好的学习方式理解原理从零实现 # 优点理解数学原理能够调试、优化、改进classLinearRegression: 从零实现线性回归 数学原理 - 目标找到 w 和 b使得 y X * w b 最接近真实值 - 方法最小二乘法 - 公式w (X^T X)^(-1) X^T y def__init__(self):初始化模型参数self.weightsNone# 权重斜率self.biasNone# 偏置截距deffit(self,X,y): 使用最小二乘法训练模型 参数: X: 特征矩阵 (n_samples, n_features) y: 目标值 (n_samples,) 数学原理 - 最小二乘法的目标是最小化误差的平方和 - 通过求导并令导数为0得到最优解 - w (X^T X)^(-1) X^T y # 添加偏置项bias term# 将 y X * w b 转换为 y [1, X] * [b, w]X_with_biasnp.column_stack([np.ones(len(X)),X])# 计算最优参数w (X^T X)^(-1) X^T y# 是矩阵乘法运算符self.weightsnp.linalg.inv(X_with_bias.T X_with_bias) X_with_bias.T y# 分离偏置和权重self.biasself.weights[0]# 第一个元素是偏置self.weightsself.weights[1:]# 后面的元素是权重defpredict(self,X): 使用训练好的模型进行预测 参数: X: 特征矩阵 返回: np.array: 预测结果 # 预测公式y X * w breturnX self.weightsself.biasdefget_params(self):获取模型参数return{weights:self.weights,bias:self.bias}# 演示对比两种学习方式 print(*60)print(学习AI的正确方式理解原理 vs 只会调库)print(*60)# 创建示例数据y 2x 0简单的线性关系Xnp.array([[1],[2],[3],[4],[5]])ynp.array([2,4,6,8,10])# 使用从零实现的线性回归print(\n【✅ 好的学习方式理解原理】)modelLinearRegression()model.fit(X,y)predictionsmodel.predict(X)paramsmodel.get_params()print(f训练完成)print(f学到的权重斜率:{params[weights][0]:.2f}(应该是2.0))print(f学到的偏置截距:{params[bias]:.2f}(应该是0.0))print(f预测结果:{predictions})print(f优点理解原理可以调试、优化、改进)print(\n【学习建议】)print( 1. 理解数学原理知道算法为什么这样工作)print( 2. 从零实现算法加深理解掌握细节)print( 3. 对比不同实现学习最佳实践)print( 4. 应用到实际问题将理论转化为实践)print( 5. 阅读论文和源码学习前沿技术)5.2.2 实践很重要历史经验理论实践光有理论不够需要动手实现项目驱动通过项目学习更有效持续学习AI发展快需要持续学习实战建议# 实战项目示例构建一个简单的AI系统 # 这个例子展示了如何构建一个可以处理多种任务的AI系统# 贴近实际应用场景即学即用importnumpyasnpfromsklearn.ensembleimportRandomForestClassifier,RandomForestRegressorfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score,mean_squared_errorclassSimpleAISystem: 简单的AI系统综合应用 功能 - 可以训练分类器和回归器 - 可以处理不同类型的任务 - 贴近实际应用场景 def__init__(self):初始化AI系统self.models{}# 存储不同任务的模型self.is_trained{}# 记录模型是否已训练deftrain_classifier(self,X,y,test_size0.2,random_state42): 训练分类器 参数: X: 特征数据 (n_samples, n_features) y: 标签数据 (n_samples,) test_size: 测试集比例 random_state: 随机种子 返回: float: 测试集准确率 # 划分训练集和测试集X_train,X_test,y_train,y_testtrain_test_split(X,y,test_sizetest_size,random_staterandom_state)# 创建并训练模型modelRandomForestClassifier(n_estimators100,random_staterandom_state)model.fit(X_train,y_train)# 保存模型self.models[classification]model self.is_trained[classification]True# 评估模型y_predmodel.predict(X_test)accuracyaccuracy_score(y_test,y_pred)print(f分类器训练完成)print(f 训练集大小:{len(X_train)})print(f 测试集大小:{len(X_test)})print(f 测试集准确率:{accuracy:.4f})returnaccuracydeftrain_regressor(self,X,y,test_size0.2,random_state42): 训练回归器 参数: X: 特征数据 y: 目标值 test_size: 测试集比例 random_state: 随机种子 返回: float: 测试集均方误差 # 划分训练集和测试集X_train,X_test,y_train,y_testtrain_test_split(X,y,test_sizetest_size,random_staterandom_state)# 创建并训练模型modelRandomForestRegressor(n_estimators100,random_staterandom_state)model.fit(X_train,y_train)# 保存模型self.models[regression]model self.is_trained[regression]True# 评估模型y_predmodel.predict(X_test)msemean_squared_error(y_test,y_pred)print(f回归器训练完成)print(f 训练集大小:{len(X_train)})print(f 测试集大小:{len(X_test)})print(f 测试集均方误差:{mse:.4f})returnmsedefpredict(self,task_type,X): 使用训练好的模型进行预测 参数: task_type: 任务类型classification 或 regression X: 特征数据 返回: np.array: 预测结果 iftask_typenotinself.models:raiseValueError(f模型 {task_type} 尚未训练)ifnotself.is_trained.get(task_type,False):raiseValueError(f模型 {task_type} 尚未训练完成)returnself.models[task_type].predict(X)# 演示使用AI系统 print(*60)print(实战项目示例构建一个简单的AI系统)print(*60)# 创建AI系统实例ai_systemSimpleAISystem()# 示例1分类任务 print(\n【示例1分类任务】)print(场景根据花朵的特征花瓣长度、宽度等分类花的种类)# 生成示例数据实际应用中应该使用真实数据np.random.seed(42)n_samples200X_classificationnp.random.rand(n_samples,4)# 4个特征y_classification(X_classification[:,0]X_classification[:,1]1).astype(int)# 二分类# 训练分类器ai_system.train_classifier(X_classification,y_classification)# 预测test_samplesnp.random.rand(5,4)predictionsai_system.predict(classification,test_samples)print(f\n预测结果前5个样本:{predictions})# 示例2回归任务 print(\n【示例2回归任务】)print(场景根据房屋特征面积、房间数等预测房价)# 生成示例数据X_regressionnp.random.rand(n_samples,3)# 3个特征y_regression10050*X_regression[:,0]30*X_regression[:,1]np.random.randn(n_samples)*10# 训练回归器ai_system.train_regressor(X_regression,y_regression)# 预测test_samplesnp.random.rand(5,3)predictionsai_system.predict(regression,test_samples)print(f\n预测结果前5个样本:{predictions})# 实战建议 print(\n*60)print(实战建议)print(*60)print( 1. 从简单项目开始先实现基础功能再逐步完善)print( 2. 逐步增加复杂度添加更多功能处理更复杂的问题)print( 3. 学习开源项目阅读GitHub上的优秀项目学习最佳实践)print( 4. 参与实际项目将学到的知识应用到真实场景中)print( 5. 持续学习AI发展快需要不断学习新技术)print( 6. 记录和总结记录遇到的问题和解决方案形成知识库)5.3 未来展望5.3.1 技术趋势预测模型规模继续增长从千亿到万亿参数需要更多计算资源多模态能力增强文本、图像、语音、视频统一处理更接近人类感知效率提升模型压缩、量化边缘设备部署可解释性增强理解模型决策过程提高可信度5.3.2 应用前景领域# AI应用领域示例展示AI在各行各业的应用 # 这个例子展示了AI的实际应用场景贴近实战# AI应用领域字典 # 每个领域包含具体的应用场景ai_applications{教育:[个性化学习根据学生特点定制学习计划,智能辅导AI老师24小时在线答疑,自动批改自动批改作业和试卷节省教师时间,学习分析分析学习数据发现学习问题],医疗:[辅助诊断帮助医生分析医学影像提高诊断准确率,药物发现加速新药研发降低研发成本,医学影像分析自动识别病灶辅助医生诊断,健康管理智能监测健康状况提供健康建议],金融:[风险评估评估贷款、投资等风险,智能投顾提供个性化的投资建议,反欺诈识别异常交易防范金融诈骗,量化交易使用算法进行自动化交易],交通:[自动驾驶实现无人驾驶提高交通安全,智能调度优化交通流量减少拥堵,路径优化规划最优路线节省时间和燃料,智能停车自动寻找停车位提高停车效率],制造:[质量检测自动检测产品缺陷提高产品质量,预测性维护预测设备故障减少停机时间,智能排产优化生产计划提高生产效率,机器人控制智能控制工业机器人提高精度],零售:[推荐系统根据用户喜好推荐商品,价格优化动态调整价格提高利润,库存管理预测需求优化库存,客户服务智能客服24小时在线服务],农业:[精准农业根据土壤、天气等数据优化种植,病虫害识别识别作物病虫害及时防治,产量预测预测作物产量帮助农民决策,智能灌溉根据土壤湿度自动灌溉]}# 打印AI应用前景 print(*60)print(AI应用前景各行各业都在应用AI)print(*60)fordomain,applicationsinai_applications.items():print(f\n【{domain}领域】)fori,appinenumerate(applications,1):print(f{i}.{app})# 统计信息 total_applicationssum(len(apps)forappsinai_applications.values())print(f\n*60)print(f统计共展示了{len(ai_applications)}个领域{total_applications}个应用场景)print(*60)# 发展趋势 print(\n【AI应用发展趋势】)print( 1. 从单一任务到通用能力一个模型处理多种任务)print( 2. 从实验室到实际应用AI技术快速落地)print( 3. 从大型企业到中小企业AI应用门槛不断降低)print( 4. 从人工到自动化AI替代重复性工作)print( 5. 从辅助到协作AI与人类协作增强人类能力)