在未来的产业布局中，云网融合、软硬一体化，硬件智能化、软件的泛化以及数据无处不在，基本是未来的趋势。新一轮的信息科技基本都长在云上，未来大部分的科技也都在信息技术之上，这也是互联网平台最大的价值。当前，我们已经在智慧时代拐点，由巨大支撑的AI技术愈发成熟，强调计算能力在促进科技进步和社会发展中的重要价值和作用，强调算力变革改变未来人类生产和生活方式，成为赋能社会数智化转型的基础能源。

具体是这样的，某位网友入职后摸鱼了一个月，看着同事们各个都在忙碌，就自己在发呆、扣手。这位网友的内心可能多少觉得有些不自在，或是觉得自己这一个月得不到提升，毫无价值。于是，就有了想要辞职的念头...

神经网络今天已经变得非常流行，但仍然缺乏对它们的了解。一方面，我们已经看到很多人无法识别各种类型的神经网络及其解决的问题，更不用说区分它们中的每一个了。其次，在某种程度上更糟糕的是，当人们在谈论任何神经网络时不加区分地使用深度学习这个词而没有打破差异。

在处理大量数据时，有必要将具有特征的空间压缩为向量。一个例子是文本嵌入，它是几乎所有 NLP 模型创建过程中不可或缺的一部分。不幸的是，使用神经网络处理这种类型的数据远非总是可能的——例如，原因可能是拟合或推理率低。

自从Vaswani 等人发表开创性论文“ Attention Is All You Need ”以来，transformer 模型已经成为 NLP 技术中的最新技术。从 NER、文本分类、问答或文本生成等应用，这项惊人技术的应用是无限的。

NLP 技术最有用的应用之一是从非结构化文本（合同、财务文件、医疗记录等）中提取信息，它支持自动数据查询以获得新的见解。传统上，命名实体识别已被广泛用于识别文本中的实体并存储数据以进行高级查询和过滤。

数据工程师和分析师对大量数据运行交互式临时分析的需求继续呈爆炸性增长。数据平台团队越来越多地使用联合SQL 查询引擎 PrestoDB 为各种用例运行此类分析，跨越广泛的数据湖和数据库就地，而无需移动数据。

本篇文章是我们学习Python及其在机器学习（ML）和人工智能（AI）的应用系列中的最后一个模块了，在上一个模块中，我们学习Keras，讨论了神经网络。下面，我们将要学习 Numpy 和 TensorFlow，这两个是学习机器学习的构建块，所以在使用机器学习的时候，你一定会接触到它们。同时，还会简要概述 scikit-learn 库，因为它是Python中最完整的机器学习（不包括深度学习）库。