12月10日作业

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？

答：生活中体能的预测，可以通过体重/身高等因素来学习到。体能（推铅球的成绩，米）为假设，参数为身高（米）和体重（公斤）。

首先获得一定量的样本，通过学习，来预测推铅球成绩。这样在体育测试之前，就能对学生的身体素质有个初步了解，以便提前调整工作重心。优化目标就是预测值与实际值误差较小，能让体育老师获得大致上正确的判断即可。

身高  体重 铅球成绩

1.8   80   7.9

1.7   80   8.3

1.7  70   7.6 

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？

从市场供需角度，一个商品需求大，而供应不足，就会价格上涨。AI工程师目前就面临巨大的市场需求压力，所以非常有前景！

1】银行的信用等级评估：以用户信息+信用行为信息做为参数，以信用等级作为假设，以信用等级的评估作为优化目标

2】根据腾讯研究院研究员俞点在第一财经的采访中表示，“虽然目前国内已有几万名AI领域的毕业生，但是这个数字还远远不能满足市场需求，因为市场的人才缺口是百万级的。腾讯去年就曾放话，招到AI人才后，不仅80万年薪起，还送北京户口！这巨大的人才需求为ai工程师的规划了广大的发展前景

12/12:基础题

（1）基础题

（2）挑战题

import numpy as np

def load_data():
# 从文件导入数据
datafile = './work/housing.data'
data = np.fromfile(datafile, sep=' ')

# 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
feature_num = len(feature_names)

# 将原始数据进行Reshape，变成[N, 14]这样的形状
data = data.reshape([data.shape[0] // feature_num, feature_num])

# 将原数据集拆分成训练集和测试集
# 这里使用80%的数据做训练，20%的数据做测试
# 测试集和训练集必须是没有交集的
ratio = 0.8
offset = int(data.shape[0] * ratio)
training_data = data[:offset]

# 计算train数据集的最大值，最小值，平均值
maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
training_data.sum(axis=0) / training_data.shape[0]

# 对数据进行归一化处理
for i in range(feature_num):
#print(maximums[i], minimums[i], avgs[i])
data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

# 训练集和测试集的划分比例
training_data = data[:offset]
test_data = data[offset:]
return training_data, test_data

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, 13)
self.b1 = 0.
self.w2 = np.random.randn(13, 1)
self.b2 = 0.

def forward(self, x):
z1 = np.dot(x, self.w1) + self.b1
z2 = np.dot(z1, self.w2) + self.b2
self.z1 = z1
return z2

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 = self.forward(x)
N = x.shape[0]
gradient_x2 = 1. / N * np.dot(z-y, self.w2.T)
self.gradient_w2 = 1. / N * np.dot(self.z1.T, (z-y))
self.gradient_b2 = 1. / N * np.sum(z-y)
self.gradient_w1 = 1. / N * np.dot(x.T, gradient_x2)
self.gradient_b1 = 1. / N * np.sum(gradient_x2, axis=0)
self.gradient_b1 = self.gradient_b1[np.newaxis,:]

def update(self, eta = 0.01):
self.w2 = self.w2 - eta * self.gradient_w2
self.b2 = self.b2 - eta * self.gradient_b2
self.w1 = self.w1 - eta * self.gradient_w1
self.b1 = self.b1 - eta * self.gradient_b1

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:]
a = self.forward(x)
loss = self.loss(a, y)
self.gradient(x, y)
self.update(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=32, 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如各种推荐系统，我们购买某一物品的时候常常会希望能关联购买相关的物品或者对类似的物品比较感兴趣，商家可以通过这个特点进行货品的排序，或者进行推荐。如购买扫帚的人常常会选择购买抹布等，假设的是物品的相关性，参数是物品的各种性质，如颜色、大小、气味、用途等，优化指标是找到物品的相关性，进行精确的推荐

②其实AI的技术可以渗透到我们生活的方方面面，，这也就决定了一个AI工程师有着广阔的发展空间。一方面，一个AI工程师可以给企业创造更多的价值。相较于传统程序员，AI系统显得更智能更人性化，很多操作可以由机器代替完成，用户体验好；另一方面，市场供小于需的现状也会扩宽AI工程师的发展空间。越早入门，越早掌握核心技术，对自己未来的发展越有利。

12-12：（1）基础题：填写购买苹果和橘子的梯度传播

12月12日作业

12月12日作业 

1 基础题 

作业2-1：

作业2-1：

12月10日作业

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？

答：对于商家来说，某个商品的销量问题，可以通过监督学习的框架来解决。假设参数就是人流量，广告投入，价格等因素对于销量的影响，优化目标就是可以通过对于不同参数的调整，以期望在最小投入的成本下，获得最大的利润。

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？

答：1）以深度学习为基础的人工智能技术在升级改造众多的传统行业，未来会极大改变行业格局。

2）目前人工智能技术进入快速发展时期，市场潜力巨大，人才缺口较大，因此说，AI工程师有发展前景。

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？

答：比如我们可以估测人体的心跳，体重，身高来评测人的健康程度，假设是人的健康程度与体重身高有一定关系，参数就是这些身体指标，优化目标是根据大数据收集的一些数据

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？

因为现在各行各业都可以使用AI来解决大部分问题，比如医院里面检查癌症细胞，可以通过卷积神经网络来进行观察。我认为是大部分重复的劳动用人去实现太麻烦，可以使用AI来找一个最佳最好的方案

作业3：

1）代码部分

import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.patches as patches

#设置图片大小
plt.figure(figsize=(4, 3))

# x是1维数组，数组大小是从-10. 到10.的实数，每隔0.1取一个点
x = np.arange(-10, 10, 0.1)
# 计算 Tanh函数
tanh = (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(- x))


#########################################################
# 以下部分为画图程序

# 画出函数曲线
plt.plot(x, tanh, color='r')
# 添加文字说明
plt.text(-6., 0.9, r'$y=tanh(x)$', fontsize=13)
# 设置坐标轴格式
currentAxis=plt.gca()
currentAxis.xaxis.set_label_text('x', fontsize=15)
currentAxis.yaxis.set_label_text('y', fontsize=15)

plt.show()

结果部分

2）结果如下

作业：3-1

3-2：