第四次工业革命:人工智能(AI)入门

第四次工业革命:人工智能(AI)入门

机器学习的用例需要根据我们的需要和想象。有了正确的数据,我们可以生成数不尽的算法︰ 基于人们已经购买来推荐产品; 预测汽车装配生产线上的机器人何时失败; 预测一封电子邮件是否寄错了; 估算信用卡是被盗用的概率; 等等。

深度学习︰ 卸载功能规范

甚至是一般的机器学习理论 — — 随机森林,贝叶斯网络,支持向量机和更多 — — 很难编写执行某些任务,从理解讲话,认识到图象中的目标对象的程序。为什么呢?因为我们没法找到一个实用、 可靠的方式去优化功能。如果我们想要写一个标识的汽车图片的计算机程序,例如,我们不能指定一辆车的算法的特点来处理所有情况下都能正确识别。汽车的形状、 尺寸和颜色种类繁多。他们的位置、 方向和姿势又不一样。背景、 照明和无数其他因素影响对象的外观。有太多的变化,没法编写一套规则集合。即使我们可以,如果不是一个可扩展的解决方案。我们需要为每个想鉴别的类型对象写一套程序。

进入深度学习 (DL),彻底改变了的人工智能世界。深度学习是机器学习的一个子集 — — 超过 15 的办法之一。所有深度学习是机器学习,但并不是所有的机器学习是深度学习 (图 4,所示)。

深度学习很有用,因为它避免了程序员承担特征值 (定义特征可从数据分析获得) 或优化 (如何权衡要提供准确的预测的数据) 的任务 — — 算法全搞定了。

这怎么做到的?在深入学习上的突破是脑模型,而非世界模型。我们自己的大脑学会做困难的事情 — — 包括理解语言和认识物体 — — 不是由处理详尽的规则,而是通过练习和反馈。作为一个孩子我们体验世界 (我们观察,例如,一辆汽车的图片),做出预测 (’ 车 !’) 并接收反馈 (对了 !)。我们是通过训练学习,并非详尽的规则。

深度学习使用相同的方法。人工的、基于软件的计算器,近似的大脑中的神经元功能连接在一起。他们形成神经网络,接收输入信号 (继续我们的示例中,一辆汽车的图片);分析它; 预测,被告知预测是否正确。如果输出是错的, 神经元之间的连接被算法调整,将改变未来的预测。最初的网络会有错了很多次。但作为我们喂了数以百万计的例子,神经元之间的连接将进行调整,所以神经网络可以在几乎所有场合作出正确决定。熟(几乎)能生巧。

使用此过程中,提高效率,我们现在可以︰

  • 鉴别图片中的元素;
  • 实时翻译;
  • 语音控制设备 (通过苹果 Siri,谷歌 Now;亚马逊 Alexa 和微软 小娜);
  • 预测遗传变异如何影响 DNA 转录;
  • 分析客户评论中的情绪
  • 检测医学图像中的肿瘤;等。

深度学习并不适合所有问题。它通常需要大型数据集进行训练。它需要大量运算能力和一个神经网络。它有一个“可解释性”问题 — — 很难知道神经网络是如何发展其预测的。但通过把程序员从复杂的特征值中解放出来,深度学习已成功为一系列的重要问题交付了预测引擎。因此,它已经是 AI 开发者 的一个牛逼的工具包。

2.深度学习如何工作呢?

鉴于其重要性,它是有必要了解的如何深入学习的基础知识。深度学习涉及到使用人工的神经网络 — — 集合神经元 (基于软件的计算器) 连接在一起。

这篇文章对你有用吗?

点右边奖杯,点个赞⤵

平均分: 5 / 5. 评价数: 1

抢先点评此文章。

太好了,这篇文章对你有用...

请在社交媒体上转发!

很抱歉,这篇文章对你没用...

让我们改进这篇文章!

请告诉我们如何改进这篇文章?

Author: 太极客