创客联盟网

 找回密码
 立即注册

QQ登录

只需一步,快速开始

开思网在线3D打印服务
查看: 9230|回复: 0
打印 上一主题 下一主题

人人都在说的“机器学习”究竟是什么鬼?

[复制链接]
跳转到指定楼层
楼主
发表于 2016-10-25 16:40:00 | 只看该作者 |只看大图 回帖奖励 |正序浏览 |阅读模式

马上注册(开思网用户可以直接登录),结交更多创客好友,享用更多功能,让你轻松玩转创客社区。

您需要 登录 才可以下载或查看,没有帐号?立即注册

x


  自Alphago之后,Machine learning(机器学习)这个词就整天出现在我们的眼前,我们很多人都以为这是一个最新出现的技术,事实上,机器学习几乎和计算机技术一样古老。

  1950年,世界著名计算机学家阿兰·图灵就曾经在一份论文中提出“机器能够思考吗?”。从科幻小说到实验室,我们都在讨论AI人工智能,甚至我们会担心有自己意识的人工智能会取代人类。

  今天我们就不讨论机器人造反怎么办,机器人是否会取代人类这些议题了,我们就单纯的来聊聊最近老是在你眼前出现的“机器学习”究竟是什么鬼吧?

  如果我的数据足够大,我能创造人工智能吗?



  曾经有一段时间流行这样一种理论,成千上万的信息连接可产生人工智能。从这种理论上来说,谷歌可以称得上顶尖,这家公司有超过30兆的索引页面,不过人工智能并不是这样。

  机器学习的魅力不是假装计算机是人类,然后用知识去喂养它,而是帮助计算机培养推理、推算能力,并且学会归纳总结从海量信息里学到的知识。

  神经网络、深度学习和强化学习都是机器学习,它们都是创造能够执行数据分析的系统方法。或者我们这样说,机器学习是众多人工智能技术的一种,神经网络、深度学习这些只是用来建设更好应用程序框架的工具。

  上个世纪50年代,我们的计算机性能有限,我们无法访问大数据,我们的算法能力也不强。这意味着,我们对机器学习的研究很受限。尽管如此,人类还是在不断尝试。

  1952年,人工智能工程师 Arthur Samuel 使用一个叫做Alpha Beta Pruning的基础AI形式做了一个象棋程序。这种方法可以减少计算负荷,但不是解决所有问题的最佳策略。

  Frank Rosenblatt博士的感知器




  提到人工智能,我们不得不提到感知器,而说到感知器,我们又不得不说一个伟大的AI专家——Frank Rosenblatt博士,他所提出的感知机(Perceptron)模型可以认为是对人类神经系统的一个高度简化概括。

  Frank Rosenblatt 博士恐怕是史上对人工智能贡献最大的心理学家。他的兴趣不仅停留在从数学上抽象出感知机和提出相应的学习算法,还亲自打造了一台被称为Mark I Perceptron的“实体”感知机,其具备512个隐藏单元。

  感知器利用神经科学来提升机器学习能力。想要理解这一点,你首先要明白大部分的机器学习问题要么可以分解成为类别,要么可以归化。类别是用来分类数据,而归化模型则是用来推断我们的意图,并作出预测。

  感知器就属于类别,它将一组数据分解成为多组数据。比如说,它能够分解你邮箱中的垃圾邮件,能够为你的账户检测诈骗信息。

  Rosenblatt的感知器模型使用到了一系列输入功能、思考功能(比如长度、重量、颜色,为每一个)。感知器还会不断的调节重量,直到输出结果在可接受错误范围内。

  比如,一个人输入一个物品的重量,而这个物品正好是一个重量为100g的苹果。计算机不知道这是一个苹果,但感知器可以将这个物品分类为一个像苹果的物品。

  那神经网络又是什么?




  感知器只是机器学习的一个例子,神经网络可以被认为是感知器的联合工作。听起来很像我们大脑和神经的工作,这也就是“神经网络”命名的由来。

  时间向前推进几十年,AI的进步表现在它能够复制人类头脑工作的方式,而不只是复制我们感知的内容。今天的神经网络虽然还在使用基础的“吞咽”信息方法,但它拥有了深度学习功能。

  深度学习模型就是拥有多个层次的机器学习模型。可能有人会问“层次”是什么意思?

  想要了解这一点,我们首先要知道,计算机能够将猫和人类分成两个组,计算机本身处理信息的方式和人类不同。机器学习框架会利用抽象概念来完成复杂任务。

  对人类来说,脸部有眼睛。对计算机来说,面部像素有明有亮,组成了一些复杂的线条。深度学习的每一个层都在帮助计算机识别物体,从像素到线条到2D再到3D几何。

  计算机已经通过图灵测试




  人类与计算机认识/看待世界方式的不同,这使得我们在创造真正的人工智能遇到了重大挑战。尽管如此,人工智能还是通过的图灵测试。图灵测试是一个专门用来测试AI的测试,该测试由阿兰·图灵于1950年设计,内容是,如果电脑能在5分钟内回答由人类测试者提出的一系列问题,且其超过30%的回答让测试者误认为是人类所答,则电脑通过测试。

  2014年,聊天程序“尤金·古斯特曼”(Eugene Goostman)首次“通过”了图灵测试。不过Siri还差远了,很多问题还需要去谷歌搜索。

  当前科学家、创业者对AI的能力期待过多了。虽然我们现在能够使用机器学习做很多不可思议的事情,比如应用在自动驾驶汽车上,使用卫星图评估粮食产量。长短期记忆帮助机器处理时间相关工作,比如视频中的情感分析。增强学习,从游戏理论中获得想法,并且内置一个机制帮助学习,获得进步。增强学习是Alphago战胜李世石的关键。

  机器学习的秘密是我们通常都知道一个问题的输入和输出,有非常清楚明确的代码充当媒介。但是,我们并不清楚模型输入、输入过程中发生的事。因此,科学家将这个问题成为黑匣子问题。

  不过,在受挫之前,我们要记住,我们人类的大脑本身也是一个黑匣子,我们也不知道它究竟是如何工作,我们也不能够检查它每一层的工作情况。如果我叫你去剖析一个大脑,指出它里面的记忆,恐怕你会认为我疯了。但是,有些事情不能弄清楚不代表game over,而是代表游戏开始了。

  好了,今天我们就先聊到这里了,这篇文章只是涉及到了一些基础的、浅显的机器学习概念,想要了解更多的同学恐怕还得去专业论坛学习,查阅更多资料。

分享到:  QQ好友和群QQ好友和群 QQ空间QQ空间 腾讯微博腾讯微博 腾讯朋友腾讯朋友
收藏收藏 支持支持
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|手机版|创客联盟网  

GMT+8, 2024-12-12 05:17 , Processed in 0.017166 second(s), 13 queries , Gzip On, Redis On.

Powered by Discuz! X3.3

© 2002-2024 www.iCAx.org

快速回复 返回顶部 返回列表