RESERVED 4 目录  为什么要做AI选房  如何做AI选房  模型演变历程  实践应用  总结&思考 2019 KE.COM ALL COPYRIGHTS RESERVED 5 为什么做AI选房？ 2019 KE.COM ALL COPYRIGHTS RESERVED 6 贝壳找房发展&挑战 20万 经纪人 98 门店平均房源 2.1万 门店 10-25 经纪人熟悉房源 挂牌不足14天房源，行为特征信息不足  结论：选择挂牌满14天的房源 2019 KE.COM ALL COPYRIGHTS RESERVED 14 模型演变历程 2019 KE.COM ALL COPYRIGHTS RESERVED 15 模型演变历程 v1.0 初版模型系统 v2.0 深度学习模型 v2.0+ 效果持续优化 XGBoost DNN+RNN 特征建设 v1.0 初版模型系统 -> 机器  解决了人工选房的问题  选房成本低  选房没有主观性  可以盘点所有房源质量 2019 KE.COM ALL COPYRIGHTS RESERVED 20 模型演变历程 v1.0 初版模型系统 v2.0 深度学习模型 v2.0+ 效果持续优化 XGBoost DNN+RNN 特征建设 2019 KE.COM ALL COPYRIGHTS RESERVED

候选集较少，通常在百级别  线上耗时相对宽松，几十毫秒（视效果而定） • 精排模型的特点  结构复杂，怎么有效果怎么来  特征多样：历史行为、统计值、id类特征、高维交叉, etc. • 模型发展历程  树模型：Random Forest、XGBoost  小规模DNN：MLP、小规模的Wide & Deep  大规模离散DNN：大规模的Wide & Deep、DeepFM、DCN

大数据分析监控 二. 智能调度系统中 的人工智能 三. 提纲 5 外卖订单的智能 调度系统 一. 智能调度系统的 大数据分析监控 二. 智能调度系统中 的人工智能 三. 外卖订单智能调度系统发展历程 6 人工派单模式 • 调度员根据订单地址和骑士 位置来进行订单分配 • 人力调度派单峰值为每人 800单/天 调度 系统 3.0 云端分组派单模式 A 组 B 组 • 系统综合考虑各因素进行

系，然后根据目的再处理；自然语言生成 则是把计算机数据转 化为自然语言。实现人机间的信息交流，是人工智能 界、计算 机科学和语言学界所共同关注的重要问题。 自然语言处理技术的技术层次 自然语言处理技术的发展历程 语音分析 词法分析 句法分析 语用分析 语义分析 20世纪70年代 • • 理性主义方法 基于统计的方法 20世纪50年代 • 图灵测试 • 经验主义方法 • 基于规则的方法 2008

_p_k2_=8 d1b10e04bd34d69855bb71da65b0549 预览版202112 简 要 目 录 人工智能绪论 1.1 人工智能 1.2 神经网络发展简史 1.3 深度学习特点 1.4 深度学习应用 1.5 深度学习框架 1.6 开发环境安装 1.7 参考文献 第 2 章 回归问题 2.1 神经元模型 2.2 的工作机制有全面、科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青 天。即使如此，在某个方面呈现出类似、接近甚至超越人类智能水平的机器被证明是可行 的。 怎么实现人工智能是一个非常广袤的问题。人工智能的发展主要经历了三个阶段，每 个阶段都代表了人们从不同的角度尝试实现人工智能的探索足迹。早期，人们试图通过总 结、归纳出一些逻辑规则，并将逻辑规则以计算机程序的方式实现，来开发出智能系统。 但是这种显式 强化学习 也称为增强学习，通过与环境进行交互来学习解决问题的策略的一类算法。 与有监督学习、无监督学习不同，强化学习问题并没有明确的“正确的”动作监督信号， 预览版202112 1.2 神经网络发展简史 3 算法需要与环境进行交互，获取环境反馈的滞后的奖励信号，因此并不能通过计算预测动 作与“正确动作”之间的误差来优化网络。常见的强化学习算法有 DQN、TRPO、PPO 等。

1 2022年01月 机器学习-人工神经网络 黄海广 副教授 2 本章目录 01 发展历史 02 感知机算法 03 BP算法 3 1.人工神经网络发展历史 01 发展历史 02 感知机算法 03 BP算法 4 1.人工神经网络发展历史 发展历史 1943年，心理学家McCulloch和逻辑学家Pitts建立神经网络的数学模型， MP模型 神经元数学模型 神经元生理结构 输入层 输出层 隐藏层 5 1.人工神经网络发展历史 1960年代，人工网络得到了进一步地发展 感知机和自适应线性元件等被提出。 M.Minsky仔细分析了以感知机为代表的神 经网络的局限性，指出了感知机不能解决 非线性问题，这极大影响了神经网络的研 究。 单层感知机的数学模型  1 w b 2 w iw N w 1x 2x ?=1 ? ???? + ? 6 1.人工神经网络发展历史 1982年，加州理工学院J.J.Hopfield 教授提出了Hopfield神经网络模型 ，引入了计算能量概念，给出了网 络稳定性判断。 离散Hopfield神经网络模型 1T 2T IT N T … … 1x 2x ix nx 7 1.人工神经网络发展历史 1986年，Rumelhart和 McClelland为首的科学家提出了

5.情感分类 03 Word2Vec 04 GloVe 02 词嵌入 05 GPT 01 词汇表征和文本数据处理 30 预训练模型的发展 31 预训练模型的发展 32 Transformer 资料来源：《Attention Is All You Need》,Ashish Vaswani et.al 2017 ◼ Transformer摆 fine-tunning) 微调，用来修正模型理解力。 即小规模指导过程，让AI在 小样本数据下进行调整 结合形成了一种使用无监督预训练和有监督微调相结合的语言理解任务的“半监督方法” GPT的发展 35 GPT-1：模型更简化、计算加速，更适合自然语言生成任务（NLG） VS 35 ◼ GPT1相比于Transformer等模型进行了显著简化 ✓ 相比于Transformer，GP 法基于将来的话来做分析。 图：GPT-1模型相比于Transformer模型有了显著简化 Transformer架构 GPT-1架构 GPT用于对不同任务进行微调的输入转换的示意图 GPT的发展 36 GPT-2的核心抓 手—采用多任务 模型（Multi- task） GPT-2要 实现的目 标 • GPT-2 调整优化的目的是为了解决零 次 学 习 问 题 （ zero-shot

制与贝叶斯模型相结合进行产生 式模型的学习。 2014年，Ian Goodfellow 等人 提出生成式对抗网络，迎合了 大数据需求和深度学习热潮， 给出了一个大的理论框架及理 论收敛性分析。 起 源 发展 2. GAN的理论与实现模型 11 概念简介 提出背景 （一）人工智能的热潮 （二）生成式模型的积累 （三）神经网络的深化 （四）对抗思想的成功 GAN的概念简介及提出背景 2. GAN的理论与实现模型 04 GAN的思考与前景 4. GAN的思考与前景 30 GAN的思考与前景 GAN的优点和意义 GAN的缺陷 GAN的发展前景 4. GAN的思考与前景 31 GAN的思考与前景 GAN的优点和意义 （1）GAN 对于生成式模型的发展具有重要的意义 。 a. GAN 作为一种生成式方法，有效解决了可建立自然性解释的数据的 生成难题 。 b. GAN的训练过程创新性 （2）GAN 除了对生成式模型的贡献，对于半监督学习也有启发 。 4. GAN的思考与前景 32 GAN的思考与前景 GAN的缺陷 GAN 虽然解决了生成式模型的一些问题 ，并且对其他方法的发展具有一定 的启发意义 ，但是 GAN并不完美 ，它在解决已有问题的同时也引入了一些新 的问题 。 （1）GAN 优化过程存在不稳定性，很容易陷入到一个鞍点或局部极值点上， 即“崩溃模式现象”。

不能解决什么 ✓ 大数据存储/并行计算 ✓ 做一个机器人 机器学习可以解决什么问题 11 机器学习发展史 总的来说，人工智能经历了逻辑推理、知识工程、机器 学习三个阶段。 机器学习伴随着人工智能的发展而诞生，它是人工智能 发展到一定阶段的必然产物。 12 机器学习发展史 13 机器学习发展史 14 2. 机器学习的类型 01 机器学习概述 02 机器学习的类型 03