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。

这篇文章对你有用吗?

点右边奖杯,点个赞⤵

平均分: / 5. 评价数:

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!

发表评论

电子邮件地址不会被公开。