首页
题库
公司真题
专项练习
面试题库
在线编程
面试
面试经验
AI 模拟面试
简历
求职
学习
基础学习课
实战项目课
求职辅导课
专栏&文章
竞赛
我要招人
发布职位
发布职位、邀约牛人
更多企业解决方案
AI面试、笔试、校招、雇品
HR免费试用AI面试
最新面试提效必备
登录
/
注册
牛客ID728999511
四川农业大学 产品经理
发布于四川
关注
已关注
取消关注
@薛老板:
建议大家冲一冲新兴领域,工资高不内卷【99个AI专业名词解析
马化腾曾经表示过:“我们最开始认为AI是互联网十年不遇的机会,但是现在越想越觉得,这是百年不遇的,类似发明电的工业革命一样的机遇”真心建议大家未来冲一冲新兴领域,特别是AIGC方向,因为AIGC是未来10-30年最大的机遇和风口。首先:岗位多。ChatGPT爆火之后,对于整个人工智能行业有非常大的推动作用。大量的资本进入这个领域,催生了大量的新公司,各个大厂为了抢占先机,纷纷在这个领域重金投入。随之而来的就是大量的人才需求,但是这一波浪潮来的如此之迅捷,整个市场上人才供应是严重不足的。跟行业内的从业者聊起来,也是一样的直观感受。其次,薪资比较高。以上就会导致一个问题:公司想要找到经验丰富的人比较难,要么花大价钱抢人,要么降低招聘要求抢人,整体给到的薪资水平就会比较高,大多在40K左右。以下图片来自boss直聘的招聘数据。最后,要求相对比较低,非常适合入局。要注意:上图里面1-3年或者3-5年的经验要求,是指产品经理的经验(从下图百度的招聘要求也可以看出来),而非AIGC的工作经验,因为AIGC是今年才大火的。这样就导致只要之前是做产品经理的,然后要AIGC相关的项目经验,外加一些对于技术的理解,就可以拿到面试机会。一、AIGC是什么?生成式AI,即由人工智能来生成内容。比如AI通过训练后可以学习生成图像、文字、音频、视频等,未来会广泛应用在各个领域。二、AIGC产品经理的未来发展怎么样?仅2023年一季度就新增17万家人工智能相关企业,总计已有267万家。说明AIGC产业正在高速发展中,但由于领域较新,行业人才还存在大量缺口,所以现在正是入局的好时机三、AIGC岗位的方向有哪些?不仅是产品经理,开发、算法、测试都有岗位需求。3.1 行业大模型,通过海量行业数据的训练,能对行业中的各种现象进行预测、分析、辅助决策,还能通过深度学习生成内容,比如金融、营销、医疗、内容、教育等行业。下图是人工智能的部分行业应用版图。3.2 语言大模型,比如chatGPT、文心一言等,通过学习可以辅助生成文本类任务,应用于医疗、广告、内容电商等领域3.3 图像大模型,通过学习自主生成图像类任务,比如AI绘画、广告创意、海报配图等,在应用层展示绘画和设计能力四、传统互联网产品经理转型AIGC产品经理需要具备哪些能力工作内容上是差不多的,都需要进行需求分析、竞品调研、产品规划设计等过程。区别在于:1)要有AIGC相关的项目经验,大家可以自己多分析几个岗位JD,这算是硬性要求。如果想做AIGC产品经理,但是缺乏AIGC项目经验的,可以重点关注一下《AIGC产品特训营》2)需要掌握AI算法知识,了解如何用AI能力来达到想要的效果,还要能了解算法背后的原理和应用场景。大家如果想做AI产品经理,以下内容需要对照学习补充。当然,以下内容我们的公众号已输出大量的文章供大家免费学习,后续会持续输出更多新的内容,没有关注公众号的务必关注。为了更好的帮助大家入门AI行业,接下来重磅给大家推荐99个AI领域专业术语:1、人工智能(AI):一种能够执行智能任务的计算机系统或程序。2、监督学习(Supervised learning):训练模型时提供输入数据和输出结果,以便模型能够进行预测和分类。3、非监督学习(Unsupervised learning):训练模型时只提供输入数据,模型需要自己发现数据的结构和模式。4、机器学习(ML):从数据中自动提取模式的一种方法,用于训练计算机模型,以便能够进行预测和决策。5、深度学习(DL):一种机器学习方法,它利用深层神经网络来执行复杂的学习任务。6、神经网络(NN):一种模仿人类大脑神经元组织的计算模型。7、自然语言处理(NLP):计算机对自然语言的处理,包括语音识别、自然语言理解和生成等任务。8、计算机视觉(CV):计算机对图像和视频的处理,包括对象检测、图像分割、场景理解等任务。9、偏差-方差权衡(Bias-variance tradeoff):在机器学习中,通过控制模型的偏差和方差来实现10、过拟合(Overfitting):机器学习模型在训练数据上表现很好,但在新数据上表现不佳的情况。11、欠拟合(Underfitting):机器学习模型无法捕捉到数据中的模式和关系的情况。12、正则化(Regularization):一种方法,用于减少模型过度拟合的程度。13、数据挖掘(DM):从大量数据中提取知识和信息的过程。14、数据科学(DS):使用数学、统计学和计算机科学等工具来分析和解决现实世界中的数据问题。15、数据预处理(Data preprocessing):在进行机器学习或数据挖掘之前,对原始数据进行处理,包括数据清洗、特征选择等。16、特征提取(Feature extraction):从原始数据中提取有意义的特征。17、特征选择(Feature selection):选择最相关的特征以提高模型的准确性和泛化能力。18、数据集(Dataset):一组用于训练和测试机器学习模型的数据。19、强化学习(Reinforcement learning):一种通过试错学习的机器学习方法,它基于奖励和惩罚来指导模型的行为。20、模型评估(Model evaluation):评估机器学习模型的性能,以便决定是否需要进行调整或改进。21、模型选择(Model selection):在多个机器学习模型中选择最合适的模型以解决特定的问题。22、卷积神经网络(Convolutional neural network):一种用于图像和视频处理的神经网络模型23、循环神经网络(Recurrent neural network):一种用于序列数据处理的神经网络模型。24、Dropout:在深度学习中,随机地将一些神经元从神经网络中删除,以避免过度拟合的方法。25、梯度下降(Gradient descent):优化算法,用于调整模型参数以最小化损失函数。26、损失函数(Loss function):用于衡量机器学习模型预测结果与真实结果之间的差异。27、学习率(Learning rate):控制梯度下降算法中参数调整的速度。28、批量梯度下降(Batch gradient descent):一种梯度下降方法,它在每个训练步骤中使用全部训练集。29、生成对抗网络(Generative adversarial network):一种由两个神经网络组成的模型,一个生成器和一个判别器,用于生成逼真的假数据。30、支持向量机(Support vector machine):一种用于分类和回归的机器学习模型。31、随机梯度下降(Stochastic gradient descent):一种梯度下降方法,它在每个训练步骤中仅使用一个样本。32、小批量梯度下降(Mini-batch gradient descent):一种梯度下降方法,它在每个训练步骤中使用一小批量的样本。33、长短期记忆(Long short-term memory):一种循环神经网络的变体,用于处理长序列数据。34、自编码器(Autoencoder):一种无监督学习模型,用于学习数据的低维表示。35、随机森林(Random forest):一种用于分类和回归的集成学习模型。36、K最近邻算法(K-nearest neighbor):一种用于分类和回归的非参数算法。37、贝叶斯网络(Bayesian network):一种基于贝叶斯定理的概率图模型。38、马尔可夫链(Markovchain):一种用于建模状态转移过程的随机过程。39、马尔可夫决策过程(Markovdecision process):一种用于建模决策过程的马尔可夫链。40、Q学习(Q-learning):一种无模型的强化学习算法,用于学习最优策略。41、AdaGrad:一种梯度下降算法,用于自适应地调整每个参数的学习率。42、RMSProp:一种梯度下降算法,用于自适应地调整每个参数的学习率。43、Adam:一种梯度下降算法,结合了AdaGrad和RMSProp的优点。44、深度强化学习(Deep reinforcement learning):一种强化学习方法,使用深度神经网络来学习最优策略。45、策略梯度(Policygradient):一种强化学习算法,用于直接优化策略函数。46、序列到序列模型(Sequence-to-sequence model):一种用于序列到序列的自然语言处理任务的神经网络模型。47、反向传播(Backpropagation):一种用于计算神经网络中参数梯度的算法。48、AlphaGo:由Google DeepMind开发的人工智能计算机程序,用于下围棋。49、AlphaZero:由Google DeepMind开发的人工智能计算机程序,能够在没有任何人类知识指导的情况下学会玩国际象棋、围棋和日本将棋等游戏。50、词向量(Wordembedding):一种将单词映射到实数向量的技术,用于自然语言处理任务。51、优化器(Optimizer):一种用于调整神经网络参数以最小化损失函数的算法。52、异常检测(Anomaly detection):一种用于检测异常数据的技术。53、主成分分析(Principal component analysis):一种用于降维的无监督学习方法。54、聚类(Clustering):一种将数据分组为相似类别的无监督学习方法。55、交叉验证(Cross-validation):一种用于评估机器学习模型性能的技术。56、超参数调整(Hyperparameter tuning):一种通过调整模型超参数来提高模型性能的技术。57、特征工程(Feature engineering):一种将原始数据转换为有意义的特58、对抗样本(Adversarial examples):一种人工制造的输入数据,目的是欺骗机器学习模型。59、对抗训练(Adversarial training):一种训练机器学习模型以抵御对抗样本的方法。60、可解释性机器学习(Explainable machine learning):一种机器学习方法,可以解释模型的决策过程和预测结果。61、机器学习管道(Machine learning pipeline):一种处理原始数据并构建模型的自动化流程。62、卷积神经网络(Convolutional neural network):一种特殊类型的神经网络,处理图像和视频数据。63、循环神经网络(Recurrent neuralnetwork):一种特殊类型的神经网络,可以处理序列数据。64、神经网络架构搜索(Neural architecture search):一种自动寻找神经网络架构的技术。65、神经元(Neuron):神经网络中的基本单位,接收输入并生成输出。66、激活函数(Activationfunction):神经网络中的一种函数,用于在神经元之间传递信息。67、LSTM(Long short-term memory):一种循环神经网络架构,可以有效地处理长序列数据。68、GRU(Gated recurrent unit):一种循环神经网络架构,比LSTM更简单且计算成本更低。69、自注意力机制(Self-attention mechanism):一种用于处理序列数据的注意力机制。70、梯度下降(Gradientdescent):一种优化算法,用于调整神经网络中的权重,使损失函数最小化。71、随机梯度下降(Stochastic gradient descent):一种梯度下降的变体,每次更新权重时使用随机的小批量样本。72、批量归一化(Batch normalization):一种神经网络层技术,加速模型的训练提高模型的泛化能力。73、参数初始化(Parameter initialization):在神经网络训练之前初始化权重和偏差的过程。74、正则化(Regularization):一种防止过拟合的技术,包括L1、L2正则化、Dropout等。75、语义分割(Semantic segmentation):一种将图像分割成语义区域的计算机视觉任务。76、实例分割(Instance segmentation):一种将图像中的不同实例分割成不同区域的计算机视觉任务。77、目标检测(Object detection):一种在图像或视频中识别和定位多个物体的计算机视觉任务。78、GAN(Generative Adversarial Network):一种无监督学习方法,用于生成与训练数据相似的新数据。79、CGAN(ConditionalGAN):一种生成对抗网络,根据给定的条件生成新的数据。80、VAE(Variational Autoencoder):一种自编码器,使用概率编码和解码,生成可控制的新数据。81、单阶段目标检测(One-stage object detection):一种用于目标检测的神经网络架构,不需要先预测物体的位置和大小。82、两阶段目标检测(Two-stage object detection):一种用于目标检测的神经网络架构,需要先预测物体的位置和大小,然后进行分类。83、数据增强(Data augmentation):通过对训练数据进行旋转、平移、缩放等变换,扩充训练数据集的大小,从而提高模型的泛化能力。84、超参数(Hyperparameter):在训练模型之前需要手动设置的参数,例如学习率、正则化强度等。85、网格搜索(Gridsearch):一种调节超参数的方法,遍历给定的超参数空间,找到最佳超参数组合。86、随机搜索(Random search):一种调节超参数的方法,随机选择超参数组合进行训练,找到最佳的超参数组合。87、模型微调(Fine-tuning):在一个预训练模型的基础上,使用新的数据集重新训练模型的过程。88、迁移学习(Transfer leaning):利用一个训练好的模型参数来初始化另一个模型,解决新的任务。89、多任务学习(Multi-task learning):在一个神经网络中训练多个相关任务的技术。90、无监督学习(Unsupervised learning):一种机器学习的范畴,不需要标注数据作为输入,算法能够自己发现数据中的结构。91、自监督学习(Self-supervised leaning):一种利用数据本身内在结构进行无监督的学习方法。92、对抗生成网络(Generative Adversarial Network,GAN):一种无监督学习的神经网络,通过训练一个生成器和一个鉴别器来生成逼真的假数据。93、长短时记忆网络(Long Short-Term Memory, LSTM):一种循环神经网络,能够有效地处理序列数据,具有记忆单元和遗忘门等特性。94、强化学习(Reinforcement leaning):一种通过智能体与环境的交互学习最优策略的机器学习方法。95、奖赏(Reward):在强化学习中,智能体从环境中接收到的信号,用于评估其行为的好坏。96、Actor-Critic:一种使用值函数和策略函数的强化学习算法。97、强化学习环境(Reinforcement learning environment):用于训练强化学习算法的模拟环境。98、策略(Policy):在强化学习中,智能体采取的动作的规则。99、Q-learning:一种基于动作值函数的强化学习算法,可以学习最优的行为策略。如果想要学习更多AI以及AIGC相关的知识、干货、作品集,一定要关~注~我**************************************************************************************
点赞 4
评论 1
全部评论
推荐
最新
楼层
暂无评论,快来抢首评~
相关推荐
07-21 20:13
西安交通大学 产品经理
实习偷产出的一些好办法
做一个简单的总结吧:实习本身是让我们摸索职业规划的试错方式。希望小伙伴们:在选择岗位时,更加勇敢,不要给自己设限说XX岗位我肯定不尝试;在选择行业时,更关注趋势,而不是盲从其他同学的脚步杀入互联网;在简历和面试的准备上,做得更充分一点,让面试官感受到你的激情和对公司的兴趣。就有机会找到好的机会。这几年求职不易,希望同学们都能通过实习找到好的工作机会。
实习如何「偷」产出?
点赞
评论
收藏
分享
07-22 10:54
腾讯_后端研发(准入职员工)
百度提前批后端一面 —— 亚历山大,特批拿下
这几篇志颜学长想聊聊当时百度一面的感受。25 届校招,加了总监面一共四场技术面,没有 HR 面,因为是双非,非目标院校。最终是走了特批流程才拿下的 offer。第一面强度直接拉满。说实话,当时压力挺大,毕竟是提前批的第一批,准备还没特别充分,上来就围绕我做的素材推送系统深挖,特别是 "如何保证不重发、不多发、不漏发" 这个问题,前后追问了两轮。后面还问了很多 Go 底层的东西,比如 map 的实现、sync.Map 的锁机制、go run 的编译流程…… 问得特别细。 我面完开玩笑说:"大佬,您太强了,压力有点大。" 面试官也笑着回我:"没有啦...
百度开奖108人在聊
点赞
评论
收藏
分享
05-26 11:54
湖北师范大学 人工智能
应届生现状
头一次见说话这么直白的,终究是我太菜了😂😂😂
流浪的神仙:
无恶意,算法一般好像都得9硕才能干
算法太卷啦
点赞
评论
收藏
分享
06-02 15:17
门头沟学院 Java
27双非 投了400多份 无面😭😭😭😭😭
心爱的idea:
怎么会呢 应该是打招呼有问题 问就说实习6个月全国可飞随时到岗
点赞
评论
收藏
分享
07-22 18:37
门头沟学院 Java
百度提前批许愿oc
时间线 7.9投递 7.10测评 7.12电话约一面 7.14一面纯八股拷打,一道手撕,时长一小时,隔一天电话约二面 7.17二面 项目拷打,四道手撕,一个代码,三个说思路,时长一个半小时,第二天直接发邮件二面。 7.21三面 主管面,聊经历,四十分钟
百度主管面10人在聊
点赞
评论
收藏
分享
评论
点赞成功,聊一聊 >
点赞
收藏
分享
评论
提到的真题
返回内容
全站热榜
更多
1
...
实习包装不是吹牛皮,要怎么包装看这里
3.3W
2
...
百度一二面凉经
4210
3
...
百度提前批一面 7.24
3077
4
...
入我滴滴!早十晚六 !
2977
5
...
再再再再强调一遍!秋招不要装逼
2254
6
...
百度一面面经7.14
2093
7
...
百度提前批一面:面试官居然让我手撕两数之和???最奇幻的一轮面试,结束还说.......
1876
8
...
百度二面面筋
1703
9
...
终章
1657
10
...
字节实习第三天10点下班,哭了
1600
创作者周榜
更多
正在热议
更多
#
哪些公司开提前批了?
#
23215次浏览
247人参与
#
你今年的平均薪资是多少?
#
133724次浏览
682人参与
#
风评不好的公司,你会去吗?
#
55682次浏览
394人参与
#
实习如何「偷」产出?
#
46881次浏览
1223人参与
#
除了主业以外,你还有哪些其他收入?
#
10913次浏览
191人参与
#
互联网公司评价
#
400937次浏览
3836人参与
#
你最满意的offer薪资是哪家公司?
#
32903次浏览
176人参与
#
节后第一天上班,我的精神状态
#
13336次浏览
117人参与
#
不卡学历的大厂有哪些?
#
26099次浏览
208人参与
#
校招阶段,学历VS技术哪个更重要?
#
16182次浏览
181人参与
#
职场新人体验
#
22480次浏览
220人参与
#
签约/解约注意事项
#
696675次浏览
4068人参与
#
腾讯音乐求职进展汇总
#
97909次浏览
570人参与
#
正在实习的碎碎念
#
1453977次浏览
13469人参与
#
校园里的破防时刻
#
10145次浏览
116人参与
#
硬件人求职现状
#
434283次浏览
4539人参与
#
实习打杂,要跑路吗
#
17390次浏览
201人参与
#
宁德时代求职进展汇总
#
122626次浏览
650人参与
#
Offer比较,你最看重什么?
#
191365次浏览
1301人参与
#
你投递的公司有几家约面了?
#
108654次浏览
777人参与
牛客网
牛客网在线编程
牛客网题解
牛客企业服务