设为首页 - 加入收藏 怀化站长网 (http://www.0745zz.com)- 国内知名站长资讯网站,提供最新最全的站长资讯,创业经验,网站建设等!
热搜: 什么 为什么 后悔
当前位置: 首页 > 运营中心 > 建站资源 > 经验 > 正文

在花 100 天学习人工智能之后,我得出这 5 个结论

发布时间:2019-09-11 02:53 所属栏目:[经验] 来源:skura
导读:本文的作者是 Jamie Beach,在自学人工智能 100 天以后,他分享了自己对人工智能的 5 个感悟,以下是他的全文。 我根据 Max Tegmark 的 Life 3.0 的第一章The Tale of the Omega 画的 2019 年 1 月底,我突然意识到,我对人工智能的理解不足。它正日益影响

本文的作者是 Jamie Beach,在自学人工智能 100 天以后,他分享了自己对人工智能的 5 个感悟,以下是他的全文。

在花 100 天学习人工智能之后,我得出这 5 个结论

我根据 Max Tegmark 的 Life 3.0 的第一章——The Tale of the Omega 画的

2019 年 1 月底,我突然意识到,我对人工智能的理解不足。它正日益影响着我们的每一天。人工智能保护我们的收件箱免受垃圾邮件的攻击,它支持来自 Alexa 的天气更新,它使亚马逊能够向我们推荐商品,让 Netflix 给我们推荐电影。每次我们打开 twitter 或 facebook,都是人类与比我们更了解自己的人工智能的较量。但我是一个专业的技术人员,却对人工智能的真正含义知之甚少。

《连线》杂志创办人 Kevin Kelly 在一个名为「未来思考者(Future Thinkers)」的播客上接受采访时,谈到过 AI 相关的话题。他认为,我们的人工智能技术还处于起步阶段,如果有人花一点时间学习人工智能和机器学习,超越只是了解的水平,他们会发现自己只是一小部分人中的一部分。那天下班回家后,我开始了为期 100 天的「人工智能学习潜水」。

我将需要学习的所有东西都进行了分类。由于在职,很难找到业余时间,但我确实在 100 天内完成了近 200 个小时的工作。我读了 9 本书,上了 2 门 Coursera 课程(已经开始学习第三门课),听了很多播客,看了尽可能多的辅助教程。

以下是我在那段时间总结出的 5 个观点:

1.人工智能是旧的也是新的

人工智能这个词并非出自某部科幻小说。1956 年,在达特茅斯学院的一个暑期研讨会上,许多聪明人聚集在一起研究如何让机器思考。在这次聚会中产生了「人工智能」这个概念。虽然这次会议并没有研究出具有思维的机器人,但它带来的思想和技术仍然是当今人工智能的基础。

研讨会之后,人们对人工智能的不同子领域的兴趣增强。神经网络似乎很有前途,但在当时这项技术一片空白,大多数研究最终放弃了这一概念。这个时期被称为「AI 寒冬」,它持续了几十年。然而,近年来,算力和可用数据的指数增长,加上深度学习的最新进展,极大地提高了机器学习的有效性。AI 被 Andrew Ng 等专家称为「新的电力(new electricity)」。

2.人工智能等同于机器学习,但它并不是终结者

「人工智能是用 powerpoint 完成的,机器学习是用 python 完成的(「AI is done in PowerPoint and machine learning in Python」)」

在花 100 天学习人工智能之后,我得出这 5 个结论

终结者,在流行文化中是超智能的缩影

人工通用智能(Artificial General Intelligence,简称 AGI)是一种假想的机器,它的思维方式和人类一样, 比如终结者就是这种机器人。超智能是超越人类思维能力的机器(如果读过 Nick Bostrom 的 Superintelligence,你可能会有点害怕它),但在现在,还没有这样的事物出现。到目前为止,AGI 只是一种幻想,它在未来,并且有点遥不可及。这并不意味着没人在做这件事,这也不意味着像 Max Tegmark 和 Ray Kurzweil 这样的聪明人不会广泛地谈论它并期待它。但目前人工智能的形式几乎就是机器学习——一个 AI 的子领域。

机器学习的基本原理如下:

  • 第一步:把一个问题变成一个预测问题。换句话说,给定输入参数(特征),预测结果。你可以预测一栋房子的价格,或者是拍摄时给定的摄像位置。
  • 第二步:定义算法或者系统,做出决策。这里有很多方法,如线性回归,神经网络,深度学习,支持向量机,递归神经网络,卷积神经网络,生成性对抗网络等等。每种算法都可以用于一种特殊的预测问题。要预测房屋成本,线性回归模型就足够了;预测电影剧本将使用一个递归神经网络(RNN);预测不存在的人的面部图像使用生成性对抗网络(GAN)。
  • 第三步:获取大量的训练数据。通常情况下,数据越多,效果越好。对于房价,要获取数千行数据,其中包含这些房屋出售的特征和实际价格(标签)。对于字符识别,需要获取大量的字符图片并相应地进行标注。
  • 第四步:训练模型。提供训练数据,计算误差,调整并重复,直到误差最小化。梯度下降和反向传播是这里的重要概念。

假设误差已经达到最小,模型就可以接受新的特征,并预测结果。这个结果通常非常准确——比人类更精确。

3.没有魔法,只有数学

在花 100 天学习人工智能之后,我得出这 5 个结论

我刚在谷歌上找到的公式

在开始这 100 天之前,我知道机器学习会涉及到数学,但我并不知道会需要多少数学知识。了解微积分和矩阵代数对任何人来说都是非常有益的,幸运的是,你不需要是数学专业的学生就可以学会这些,而且机器学习的框架也在不断地迭代,变得越来越易用。

一些重要的框架,包括 Google 的 Tensorflow、Microsoft 的 ML.NET 和 PyTorch 为程序、数学和算法添加了抽象层。甚至还有额外的抽象层,比如于 Tensorflow 上面的 Keras。

此外,相关人员正通过提供机器学习模型作为一项服务,或创建自动化的程序(如 AutoML 和 Auto-Keras),使机器学习更加容易上手。

4.偏差是个大问题

「真正的安全问题是,如果我们给这些系统提供有偏差的数据,系统就会有偏差」——John Giannandrea。

机器学习中的偏差是个大问题。Amy Webb 的书「The Big Nine」中有好几个章节都提到了这个问题。测试数据的全面性和多样性是非常重要的,但这往往是缺乏的。

在花 100 天学习人工智能之后,我得出这 5 个结论

1956 年以来的「人工智能的奠基人」

Amy 使用 ImageNet 语料库作为有固定偏差的例子,它里面有超过 1400 万张标记图片,其中一半以上是在美国产生作的。当然,ImageNet 并不是唯一一个有偏差的例子。

【免责声明】本站内容转载自互联网,其相关言论仅代表作者个人观点绝非权威,不代表本站立场。如您发现内容存在版权问题,请提交相关链接至邮箱:bqsm@foxmail.com,我们将及时予以处理。

网友评论
推荐文章