亲述在探索【如何学习人工智能】后,得出这 5 个结论

不久前,编玩边学突然收到一读者的来信,该读者在信中很深入地反馈了如何学习人工智能的经历,编玩边学在此分享给大家,希望可以对正在探索如何学习人工智能的小伙伴有帮助,以下是该读者的自述。

2019 年 1 月底,我忽然意识到,我对人工智能的了解尚浅。它正日益影响着咱们的每一天。人工智能维护咱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,它使亚马逊可以向咱们引荐商品,让 Netflix 给咱们引荐电影。每次咱们翻开 twitter 或 facebook,都是人类与比咱们更了解自己的人工智能的比赛。但我是一个专业的技术人员,却对人工智能的真实含义知之甚少。

《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 相关的论题。他认为,咱们的人工智能技能还处于起步阶段,假如有人花一点时刻学习人工智能和机器学习,逾越仅仅了解的水平,他们会发现自己仅仅一小部分人中的一部分。那天下班回家后,我开端了为期 100 天的「人工智能学习潜水」。

我将需求学习的一切东西都进行了分类。由于在职,很难找到业余时刻,但我确实在 100 天内完成了近 200 个小时的作业。我读了 9 本书,上了 2 门 Coursera 课程(现已开端学习第三门课),听了许多播客,看了尽可能多的辅佐教程。

以下是我在那段时刻总结出的 5 个如何学习人工智能观点:

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讨怎么让机器思考。在这次聚会中发作了「人工智能」这个概念。虽然这次会议并没有研讨出具有思维的机器人,但它带来的思维和技能仍然是当今人工智能的根底。

研讨会之后,人们对人工智能的不同子范畴的兴趣增强。神经网络似乎很有前途,但在当时这项技能一片空白,大多数研讨终究放弃了这一概念。这个时期被称为「AI 寒冬」,它继续了几十年。但是,近年来,算力和可用数据的指数增加,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.没有魔法,只要数学

亲述在探索【如何学习人工智能】后,得出这 5 个结论-少儿编程网

我刚在谷歌上找到的公式

在开端这 100 天之前,我知道机器学习会涉及到数学,但我并不知道会需求多少数学知识。了解微积分和矩阵代数对任何人来说都是十分有益的,幸运的是,你不需求是数学专业的学生就能够学会这些,并且机器学习的结构也在不断地迭代,变得越来越易用。

一些重要的结构,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。乃至还有额外的抽象层,比方于 Tensorflow 上面的 Keras。

此外,相关人员正经过供给机器学习模型作为一项服务,或创立自动化的程序(如 AutoML 和 Auto-Keras),使机器学习愈加简单上手。

3.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」)」

亲述在探索【如何学习人工智能】后,得出这 5 个结论-少儿编程网

终结者,在盛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相同, 比方终结者便是这种机器人。超智能是逾越人类思维能力的机器(假如读过 Nick Bostrom 的 Superintelligence,你可能会有点惧怕它),但在现在,还没有这样的事物呈现。到目前为止,AGI 仅仅一种梦想,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议论它并期待它。但目前人工智能的形式简直便是机器学习——一个 AI 的子范畴。

如何学习人工智能之机器学习的基本原理如下:

第一步:把一个问题变成一个猜测问题。换句话说,给定输入参数(特征),猜测成果。你能够猜测一栋房子的价格,或者是拍摄时给定的摄像方位。

第二步:界说算法或者体系,做出决策。这儿有许多方法,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,生成性对立网络等等。每种算法都能够用于一种特殊的猜测问题。要猜测房子本钱,线性回归模型就足够了;猜测电影剧本将运用一个递归神经网络(RNN);猜测不存在的人的面部图画运用生成性对立网络(GAN)。

第三步:获取许多的练习数据。一般情况下,数据越多,效果越好。对于房价,要获取数千行数据,其间包括这些房子出售的特征和实际价格(标签)。对于字符识别,需求获取许多的字符图片并相应地进行标示。

第四步:练习模型。供给练习数据,计算差错,调整并重复,直到差错最小化。梯度下降和反向传达是这儿的重要概念。

假定差错现已达到最小,模型就能够接受新的特征,并猜测成果。这个成果一般十分准确——比人类更精确。

4.误差是个大问题

「实在的安全问题是,假如咱们给这些体系供给有误差的数据,体系就会有误差」——John Giannandrea。

如何学习人工智能之机器学习中的误差是个大问题。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十分重要的,但这往往是缺少的。

1956 年以来的「人工智能的奠基人」

Amy 运用 ImageNet 语料库作为有固定误差的比如,它里边有超过 1400 万张标记图片,其间一半以上是在美国发作作的。当然,ImageNet 并不是仅有一个有误差的比如。

当一个数据集中包括了「护理」的女性形象或「首席执行官」的男性形象时会发作什么?当皮肤癌图画数据只运用浅肤色样本时会发作什么?假如这些模型实在进入咱们的日常日子时,就会发作严峻的结果。随着 ML 模型的全民化继续进行,咱们往往在不知道用于练习的测试数据是什么样的情况下,就运用预先制造的模型,这种误差继续存在,并可能放大。

研讨人员很清楚这一问题,九大公司(G-MAFIA + BAT)都有和辅导原则来阐明减少工程文化误差的必要性。但这不是故意的。没有人会故意在模型中参加误差,即使是出于好心,误差也是不可避免的。

因而,咱们都必须了解机器学习的作业原理,以及它是怎么影响咱们的——它是怎么为 Twitter 和 Facebook 供给能量的,这些能量会搅动咱们自己的神经元,从而影响咱们对世界的观点。

5.时机如此之多

全球人工智能衍生事务价值猜测(单位:十亿美元),数据来历:Gartner(2018 年 4 月)

Kevin Kelly 是对的。咱们还处在人工智能和机器学习的前期。是的,有许多应用程序现已渗透到咱们的日子中,但仍然有许多许多的时机。

机器学习能够、现已和将会彻底改变一切。在曩昔的 100 天里,我读过的许多书中有一本叫「Manna」,作者是 Marshall Brian。这是一本科幻小说,它描绘了一个近乎乌托邦的社会,机器和自动化承当了一切的作业,人类能够为所欲为地日子。不需求 AGI,只需求机器学习。这样的日子离咱们究竟还有多远?

我预见到未来 Instagram 名人和 YouTube 博主乃至都不是实在的,但却拥有数以千万计的追随者,他们发布的内容完全由 GAN 和 RNN 生成。由机器学习驱动的新的娱乐形式将会诞生,从电影脚本到栩栩如生的超现实的三维模型都是由机器学习模型创立的。忘了面试作业吧。当你自己的个人数据记录能够与一切当前职位空缺的公司数据档案相匹配时,又何须费心呢?从癌症医治到餐厅晚餐,再到实时生成的音乐,一切都能够运用 ML 个性化地发作。自动驾驶的出租车、基于 RNN 的案牍服务、自动化服务协议、自动化法庭裁决、个性化日子改进策略、无人机交付、基于人工智能的出资,这些都是无止境的、有形的,并且简直都是目前的热门范畴。

编玩边学总结:人工智能及机器学习可能在推动着当今人类文明的进步,帮助缓解存在的风险,比如自然灾害,战乱,病魔甚至是太空灾难。研究好如何学习人工智能,我们的世界将会变得与众不同,人工智能正在促进这一块的变化,且已经开始在我们生活中蔓延开来。

本文链接:亲述在探索【如何学习人工智能】后,得出这 5 个结论

转载声明:本站文章若无特别说明,皆为原创,转载请注明来源:少儿编程网,谢谢!^^


*文章为作者独立观点,不代表少儿编程网立场
发表评论

坐等沙发
相关文章
鄂尔多斯市杨峻岳老师编著了创客教育教材
鄂尔多斯市杨峻岳老师编著了创客教育教材
App Inventor书籍《App Inventor开发训练营》
App Inventor书籍《App Inventor开发训…
少儿编程学习工具之APP Inventor
少儿编程学习工具之APP Inventor
关于Java、scratch编程的经典书籍推荐
关于Java、scratch编程的经典书籍推荐
少儿编程书籍推荐《轻松玩转Scratch编程》
少儿编程书籍推荐《轻松玩转Scratch编程》
学生都说我是编程界的“吴彦祖”