由於篇幅過長，上文 只簡單介紹了一些人工智能的概念，本篇我們將展開 Web 方面的應用。
一、AI 應用場景
針對一些場景，做了一下簡單的分類，如圖：
二、AI 如何影響前端
1.數據可視化，依賴 D3.js，ECharts，WebGL
2.模型可視化
用可視化的手段去解釋模型，輔助算法同學調參 。最簡單的一個應用前端同學肯定非常熟悉，我們來看下圖：
是的，曲線函數和曲率我們很難記住，但是有相應的工具，會讓一些數據和計算變得簡單易懂。
3.
相關技術提到人工智能，和前端密切相關的幾個 JS 類庫有：
- tensorflow.js
基於 tensorflow.js Node 的 tvnet 算法，可以提取視頻中的稠密光流。 - deeplearning.js
- kera.js
高性能計算：
- asm.js
- WebAssembly
- GPU
- Opencv，前端做 CV 算法，物體跟蹤、圖像處理、特徵檢測等等
大家可能發現一個問題，一般的 tensorflow 模型動輒幾百兆，在前端怎麼跑呢？這就不得不提到 MobileNet，這是針對於移動端模型提出的神經網絡架構，能極大地減少模型參數量，同理也能用到瀏覽器端上。
更多細節可以查看該文章：《前端與人工智能》，介紹非常到位。
三、如何做？
既然前端和人工智能有如此多的交集，那麼我們該從何做起呢？不要著急，我們先來看一個完整的人工智能項目包含哪些內容。
上圖中，可以看到一個完整的人工智能項目是由：算法，數據，工程三部分構成。
工程部分我們可以理解為「大前端」，主要包含 5 部分：
- 人機交互
- 數據可視化
- 產品 Web
- 算法執行
- 模型訓練
四、簡單應用
1.Tranck.js
就是純瀏覽器的圖像算法庫，通過 JS 計算來執行算法邏輯
2.regl-cnn
瀏覽器端的數字識別類庫，與 track.js 不同的是，它利用瀏覽器的 WebGL 才操作 GPU，實現了 CNN。
3.ConvNetJS
瀏覽器端做深度學習算法訓練的工具，官網地址
4.Amazon Rekognition
基於同樣由 Amazon 計算機視覺科學家開發的成熟且高度可擴展的深度學習技術，每天能夠分析數十億張 Prime Photos 圖像。
5.對比學習：Keras 搭建 CNN，RNN 等常用神經網絡
6.機器學習：MachineLearning
更多內容可以查看：
1.瀏覽器裡運行的人工智能
2.前端在人工智能時代能做些什麼
五、深度學習
深度學習，是英文 Deep Learning 的直譯。它是實現機器學習的其中一種方式。機器學習還包含其它實現方案。
深度學習裡，用到了人工神經網絡，這是一個用計算機模擬大腦神經元運作模式的算法。同時，這個人工神經網絡的隱藏層數量還必須足夠多，才能構成深度神經網絡。然後喂之以大量的訓練數據，就是深度學習了。
換一個角度，如果隱藏層數量不多，而是每個隱藏層裡包含的神經元數量很多，在形態上，它就是一個往寬度發展的神經網絡結構。這時，可能就叫廣度學習了。
目前，深度學習還是主流，它的訓練效率，優於廣度學習。
我們可以體驗騰訊的一個深度學習案例：
更多有趣應用：
1.TensorFlowJS 學習
2.如何利用 TensorFlow.js 部署簡單的 AI 版「你畫我猜」圖像識別應用
六、明確幾個概念
機器學習對我們來說確實陌生，所以一定要從明確一些常用的概念，這樣才能提升學習的興趣。我們來說一些可能會涉及到的內容（我也是正在摸索，目前就知道這些，逃～）
1.精確率
是針對我們預測結果而言的，它表示的是預測為正的樣本中有多少是真正的正樣本。
2.召回率
是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了
3.監督學習
監督學習涉及到標註數據，計算機可以使用所提供的數據來識別新的樣本。
監督學習的兩種主要類型是分類和迴歸。在分類中，訓練的機器將把一組數據分成特定的類。
4.無監督學習
在無監督學習中，數據是未標註的。由於現實中，大多數的數據都是未標註的，因此這些算法特別有用。
無監督學習分為聚類和降維。
5.強化學習
強化學習使用機器的歷史和經驗來做出決策。強化學習的經典應用是遊戲。與監督和無監督學習相反，強化學習不注重提供「正確」的答案或輸出。
七、機器學習算法有哪些？
提到機器學習，大家肯定都會自然聯想到需要很強的算法功底。沒錯，確實如此，所以我們需要對算法有一些瞭解。
那麼機器學習主要涉及到哪幾類算法呢，我們來看看：
- 模式識別
- 計算機視覺
- 數據挖掘
- 統計學習
- 語音識別
- 自然語言處理
八、機器學習涉及學科
主要圍繞在這幾方面：線性代數、微積分、概率和統計。
線性代數概念Top 3：
- 矩陣運算
- 特徵值/特徵向量
- 向量空間和範數
微積分概念Top 3：
- 偏導數
- 向量值函數
- 方向梯度
統計概念Top 3：
- 貝葉斯定理
- 組合學
- 抽樣方法
九、計算機視覺
OpenCV 是一個基於 BSD 許可（開源）發行的跨平臺計算機視覺庫，可以運行在 Linux、Windows、Android 和 Mac OS 操作系統上。
它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了 Python、Ruby、MATLAB 等語言的接口，實現了圖像處理和計算機視覺方面的很多通用算法。
應用領域：
1、人機互動
2、物體識別
3、圖像分割
4、人臉識別
5、動作識別
6、運動跟蹤
7、機器人
8、運動分析
9、機器視覺
10、結構分析
11、汽車安全駕駛
OpenCV 的應用領域非常廣泛，包括圖像拼接、圖像降噪、產品質檢、人機交互、人臉識別、動作識別、動作跟蹤、無人駕駛等。
OpenCV 還提供了機器學習模塊，你可以使用正態貝葉斯、K最近鄰、支持向量機、決策樹、隨機森林、人工神經網絡等機器學習算法。
這裡推薦幾個相關學習網站：
1.官網
2.OpenCV教程
3.圖像對比
十一、總結
AI 涉及到很多的領域，並不是我們三言兩語就能夠說的明白。要真正的應用起來，還有很多的路要走。
我相信，隨著技術的發展，更多的場景將接入 AI，而 Web 則是其中的一個重要環節。加上 Web 跨平臺特性，以及「算法-數據-工程」的驅動，未來在該領域一定會大放異彩。
很喜歡這句話：AI makes life better. FE makes AI better.
快來關注我吧，一起成長，一起研究 Web 的點點滴滴。
閱讀更多 F2EAwesome 的文章
