由于篇幅过长，上文 只简单介绍了一些人工智能的概念，本篇我们将展开 Web 方面的应用。
一、AI 应用场景
针对一些场景，做了一下简单的分类，如图：
二、AI 如何影响前端
1.数据可视化，依赖 D3.js，ECharts，WebGL
2.模型可视化
用可视化的手段去解释模型，辅助算法同学调参 。最简单的一个应用前端同学肯定非常熟悉，我们来看下图：
是的，曲线函数和曲率我们很难记住，但是有相应的工具，会让一些数据和计算变得简单易懂。
3.
相关技术提到人工智能，和前端密切相关的几个 JS 类库有：
- tensorflow.js
基于 tensorflow.js Node 的 tvnet 算法，可以提取视频中的稠密光流。 - deeplearning.js
- kera.js
高性能计算：
- asm.js
- WebAssembly
- GPU
- Opencv，前端做 CV 算法，物体跟踪、图像处理、特征检测等等
大家可能发现一个问题，一般的 tensorflow 模型动辄几百兆，在前端怎么跑呢？这就不得不提到 MobileNet，这是针对于移动端模型提出的神经网络架构，能极大地减少模型参数量，同理也能用到浏览器端上。
更多细节可以查看该文章：《前端与人工智能》，介绍非常到位。
三、如何做？
既然前端和人工智能有如此多的交集，那么我们该从何做起呢？不要着急，我们先来看一个完整的人工智能项目包含哪些内容。
上图中，可以看到一个完整的人工智能项目是由：算法，数据，工程三部分构成。
工程部分我们可以理解为「大前端」，主要包含 5 部分：
- 人机交互
- 数据可视化
- 产品 Web
- 算法执行
- 模型训练
四、简单应用
1.Tranck.js
就是纯浏览器的图像算法库，通过 JS 计算来执行算法逻辑
2.regl-cnn
浏览器端的数字识别类库，与 track.js 不同的是，它利用浏览器的 WebGL 才操作 GPU，实现了 CNN。
3.ConvNetJS
浏览器端做深度学习算法训练的工具，官网地址
4.Amazon Rekognition
基于同样由 Amazon 计算机视觉科学家开发的成熟且高度可扩展的深度学习技术，每天能够分析数十亿张 Prime Photos 图像。
5.对比学习：Keras 搭建 CNN，RNN 等常用神经网络
6.机器学习：MachineLearning
更多内容可以查看：
1.浏览器里运行的人工智能
2.前端在人工智能时代能做些什么
五、深度学习
深度学习，是英文 Deep Learning 的直译。它是实现机器学习的其中一种方式。机器学习还包含其它实现方案。
深度学习里，用到了人工神经网络，这是一个用计算机模拟大脑神经元运作模式的算法。同时，这个人工神经网络的隐藏层数量还必须足够多，才能构成深度神经网络。然后喂之以大量的训练数据，就是深度学习了。
换一个角度，如果隐藏层数量不多，而是每个隐藏层里包含的神经元数量很多，在形态上，它就是一个往宽度发展的神经网络结构。这时，可能就叫广度学习了。
目前，深度学习还是主流，它的训练效率，优于广度学习。
我们可以体验腾讯的一个深度学习案例：
更多有趣应用：
1.TensorFlowJS 学习
2.如何利用 TensorFlow.js 部署简单的 AI 版「你画我猜」图像识别应用
六、明确几个概念
机器学习对我们来说确实陌生，所以一定要从明确一些常用的概念，这样才能提升学习的兴趣。我们来说一些可能会涉及到的内容（我也是正在摸索，目前就知道这些，逃～）
1.精确率
是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。
2.召回率
是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了
3.监督学习
监督学习涉及到标注数据，计算机可以使用所提供的数据来识别新的样本。
监督学习的两种主要类型是分类和回归。在分类中，训练的机器将把一组数据分成特定的类。
4.无监督学习
在无监督学习中，数据是未标注的。由于现实中，大多数的数据都是未标注的，因此这些算法特别有用。
无监督学习分为聚类和降维。
5.强化学习
强化学习使用机器的历史和经验来做出决策。强化学习的经典应用是游戏。与监督和无监督学习相反，强化学习不注重提供「正确」的答案或输出。
七、机器学习算法有哪些？
提到机器学习，大家肯定都会自然联想到需要很强的算法功底。没错，确实如此，所以我们需要对算法有一些了解。
那么机器学习主要涉及到哪几类算法呢，我们来看看：
- 模式识别
- 计算机视觉
- 数据挖掘
- 统计学习
- 语音识别
- 自然语言处理
八、机器学习涉及学科
主要围绕在这几方面：线性代数、微积分、概率和统计。
线性代数概念Top 3：
- 矩阵运算
- 特征值/特征向量
- 向量空间和范数
微积分概念Top 3：
- 偏导数
- 向量值函数
- 方向梯度
统计概念Top 3：
- 贝叶斯定理
- 组合学
- 抽样方法
九、计算机视觉
OpenCV 是一个基于 BSD 许可（开源）发行的跨平台计算机视觉库，可以运行在 Linux、Windows、Android 和 Mac OS 操作系统上。
它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了 Python、Ruby、MATLAB 等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
应用领域：
1、人机互动
2、物体识别
3、图像分割
4、人脸识别
5、动作识别
6、运动跟踪
7、机器人
8、运动分析
9、机器视觉
10、结构分析
11、汽车安全驾驶
OpenCV 的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶等。
OpenCV 还提供了机器学习模块，你可以使用正态贝叶斯、K最近邻、支持向量机、决策树、随机森林、人工神经网络等机器学习算法。
这里推荐几个相关学习网站：
1.官网
2.OpenCV教程
3.图像对比
十一、总结
AI 涉及到很多的领域，并不是我们三言两语就能够说的明白。要真正的应用起来，还有很多的路要走。
我相信，随着技术的发展，更多的场景将接入 AI，而 Web 则是其中的一个重要环节。加上 Web 跨平台特性，以及「算法-数据-工程」的驱动，未来在该领域一定会大放异彩。
很喜欢这句话：AI makes life better. FE makes AI better.
快来关注我吧，一起成长，一起研究 Web 的点点滴滴。
閱讀更多 F2EAwesome 的文章
