（1）类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？

心电信号与心血管疾病的预测

假设：与多个因素有关

参数：心率，P波，PR间期，QRS时限，QT间期，心电轴

优化目标：尽可能预测出某一心电波形对应的疾病

（2）为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

我觉得各种生产工具的出现的发展本质上就是为了提高生产效率，从以前的牛耕种到现在的拖拉机就是非常经典的例子，神经网络的出现使得人们不用去花费大量的时间去调整参数，或者说拟合公式，比如PID的参数的调节，PID三个参数调节的过程是繁琐枯燥的，这时利用神经网络的这一工具就可以实现参数的自行调节。那么光有好工具还不行，还必须要有会用的人，就好像拖拉机一样，如果没人用就是一堆废铁。而目前这个工具出现的时间不多，很多领域还没使用上这一工具，那么就意味着需要大量的人来使用这一工具来开发。换句话来说，拖拉机出现了，但全国上下扔有很多地方是牛力耕田，没人会开拖拉机，那么这时如果要把拖拉机推广到全国是不是需要大量的拖拉机司机呢？

今天的作业2-1：

作业1-2：
①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？

当前用途主要是来进行OCR识别的模型创建以及生成模型用途。一个比较有名的例子就是果农采用深度学习来筛选果子的质量，大大的提高了生产以及筛选质量。就人与当前研究的业务相关，主要用在各种电子的档案识别：如财务报表、身份证、借款等都可以用监督学习框架来解决；

假设：各种文本

参数：有模糊的、曝光过度的，倾斜的、文本位置不同的等

优化目标：防止过拟合，提高文本识别率

②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

当前整体的就业环境：大数据发展以及当前深度学习发展为AI技术提供了计算储存理论知识，从阿尔法狗的一鸣惊人到加州电子狗的强大，未来AI会带给人类更多种发展可能，也不断推动人类社会发展，对于新的问题也能提供了一种解决可能性。

从市场供需关系来说，整体的就业处于供小于求的阶段，由于深度学习是近几年才迅猛发展起来，所以AI人才对于市场需求相对缺口较大，所有AI当前的发展前景是明亮的

作业1-2：完成下面两个问题，并将答案发布在帖子下面
①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？
②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

1、比如预测某一足球联赛比赛胜平负，特征选择包括球员身价、主客场、前几场比赛进球数、赔率等。优化目标用交叉熵。

2、随着人工智能技术的进一步发展和落地，AI将在更多应用场景中得到实现，会呈现出更多不同岗位的AI工程师。

作业2-1

作业2.1：

1.基础题：

2.提高题：

import numpy as np
import matplotlib.pyplot as plt

class Network(object):
def __init__(self, num_of_weights):
# 随机产生w的初始值
# 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
#np.random.seed(0)
self.w_1 = np.random.randn(num_of_weights, num_of_weights)
self.b_1 = np.zeros(num_of_weights)
#下面定义第二层的初始权重
self.w_2=np.random.randn(num_of_weights,1)
self.b_2=0.

def forward_1(self, x):
z = np.dot(x, self.w_1) + self.b_1
return z

def forward_2(self,x):
z=np.dot(x,self.w_2)+self.b_2
return z

def loss(self, z, y):
error = z - y
num_samples = error.shape[0]
cost = error * error
cost = np.sum(cost) / num_samples
return cost

def gradient(self, x, y, z):
#z = self.forward_1(x) or 为2
N = x.shape[0]
gradient_w = 1. / N * np.sum((z-y) * x, axis=0)
gradient_w = gradient_w[:, np.newaxis]
gradient_b = 1. / N * np.sum(z-y)
return gradient_w, gradient_b

def update_1(self, gradient_w, gradient_b, eta = 0.01):
self.w_1 = self.w_1 - eta * gradient_w
self.b_1 = self.b_1 - eta * gradient_b

def update_2(self, gradient_w, gradient_b, eta = 0.01):
self.w_2=self.w_2 - eta * gradient_w
self.b_2 = self.b_2 - eta * gradient_b


def train(self, training_data, num_epoches, batch_size=10, eta=0.01):
n = len(training_data)
losses = []
for epoch_id in range(num_epoches):
# 在每轮迭代开始之前，将训练数据的顺序随机的打乱，
# 然后再按每次取batch_size条数据的方式取出
np.random.shuffle(training_data)
# 将训练数据进行拆分，每个mini_batch包含batch_size条的数据
mini_batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]
for iter_id, mini_batch in enumerate(mini_batches):
#print(self.w.shape)
#print(self.b)
x = mini_batch[:, :-1]
y = mini_batch[:, -1:]
#前向传播
a_1 = self.forward_1(x)
a_2=self.forward_2(a_1)

#反向传播第二层的
loss = self.loss(a_2, y)
gradient_w_2, gradient_b_2 = self.gradient(a_1, y,self.forward_2(a_1))
self.update_2(gradient_w_2, gradient_b_2, eta)

#反向传播第一层的
gradient_w_1,gradient_b_1=self.gradient(x,a_1,self.forward_1(x))
self.update_1(gradient_w_1,gradient_b_1,eta)

losses.append(loss)
print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.
format(epoch_id, iter_id, loss))

return losses

# 获取数据
train_data, test_data = load_data()

# 创建网络
net = Network(13)
# 启动训练
losses = net.train(train_data, num_epoches=50, batch_size=100, eta=0.1)

# 画出损失函数的变化趋势
plot_x = np.arange(len(losses))
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

作业2-2

class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w1 = np.random.randn(num_of_weights,num_of_weights)
        self.w2 = np.random.randn(num_of_weights, 1)
        self.b1 = np.zeros((num_of_weights, 1))
        self.b2 = 0.
        
    def forward(self, x):
        z1 = np.dot(x, self.w1) + self.b1 
        y1 = 1.0 / (1 + math.e**(-z1)) 
        z2 = np.dot(y1, self.w2) + self.b2
        out = 1.0 / (1 + math.e**(-z2)) 
        return out
    
    def loss(self, z, y):
        y1 = 1.0 / (1 + math.e**(-y)) 
        error = z - y1
        cost = error * error
        cost = np.mean(cost)
        return cost

作业2-1

①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？

犯罪嫌疑人的行为和所解触犯的刑法条文。假设：刑法条文＝f(犯罪嫌疑人的行为)。参数：主体、主观方面、客体、客观方面。优化目标：法律面前人人平等，同罪同罚。

②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

因为AI工程师是先进生产力的代表，生产力的发展决定了AI工程师的前景。

从经济学角度，先进生产力催生出了巨大的AI市场，但AI工程师人数较少，无法满足人力资源市场的需求，AI工程师供不应求，因此AI工程师将很有发展前景。

作业2-1：

作业2-1：

昨天讲的链式法则和反向传播没太理解该怎么算的同学，可以去

https://www.jianshu.com/p/a69248064bd4

作业2-1 

作业2-1：

基础题：

①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么

问题：餐饮店的人流量，与以下因素有关，并且假设是线性关系。

参数：节日、气候、地址、城市人均消费水平、发展程度、周围人口密集程度

目标：实际人数与预测人数偏差在误差范围内。

②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

需求：（1）企业需要转型，提高生产效率，减少人力成本，节省经营成本。需要工程师作出智能调整，小方面及时调控存货等，大方面可调整公司战略，是不少企业转型的必需；

（2）国家产业结构调整，中国智造2025，战略层面上，将创造更多的岗位，从金融到农业，都需要与AI结合，激活更高的价值，所以各个领域都需要人工智能人才。

供给：（1）学校开设课程少且较晚，人才培养有空档期，此时有红利；

（2）需要统计学/概率轮/编程基础，对人才的综合素质要求高且门槛高，不像会计学一般，门槛低

①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？

零售业做监督式学习的场景挺多，比如营业额预测、产品销售量预测、会员营销可能性预测、评论语义分析等。

我们以零售的单店销售额预测来举例：我们可以假设店铺的销售额和天气，温度、湿度、节假日、周末、商场是否活动、店铺活动、是否推广等因素有关，目标函数MSE / RMSE 等都可以
②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

目前AI是新兴行业，未来社会的需求会比较大，如果说改革开放之前是资本积累的时代，那时候找对了风口就可以赚钱，现在到了群雄逐鹿的时代，有能力的人才会站出来。目前属于供不应求阶段，自然前景很好。

作业2-1基础题

①类比牛顿第二定律的案例，在你的工作和生活中还有哪些问题可以用监督学习的框架来解决？假设和参数是什么？优化目标是什么？

答：图书馆食堂的做菜量，做饭量预测

假设：图书馆的做菜量和图书馆的入管人数相关

参数：图书馆的入管人数(还可以细分，如儿童人数，那么可以适当调整下儿童餐的数量)

优化目标：优化每天的做菜量，防止剩菜或者某些人员吃不上饭

②为什么说AI工程师有发展前景？怎样从经济学（市场供需）的角度做出解读？

AI会影响我们的生活的方方面面，能够对我们的生活有极大改善。

个人的看法：市场上落地的项目随着时间相信会越来越多，因为它确实能够改善我们的生活，提高我们的生活质量。 人们总是在追求进步的，一旦你跟不上，你就会被市场淘汰。 对企业来说， 你跟不上，可能就会被淘汰。

但是我们也不能夸大AI的能力， 很多问题， 对人很简答，对机器来说就有很大挑战，甚至有些根本上还解决不了的问题。

机器达到人的智能，还需要时间甚至说不太可能。 但在某些特定任务上，机器比人做的好。