| 有关机器学习： 6 X5 l. S0 D$ Z! d9 b 机器学习是一种实现人工智能的方法。 + p" y# l* a3 A+ | k1 ]0 }- g 1、机器学习最根本的点在于使用算法来分析数据的实践、学习，然后对真实的事件作出决定或预测。而不是用一组特定的指令生成的硬编码软件程序来解决特定任务，机器是通过使用大量的数据和算法来「训练」，这样就给了它学习如何执行任务的能力。 2、机器学习是早期人工智能人群思考的产物，多年来形成的算法包括决策树学习、归纳逻辑编程、聚类、强化学习、贝叶斯网络等等。正如我们所知，所有这些都没有实现强人工智能的最终目标，而早期的机器学习方法甚至连弱人工智能都没有触及到。 3、事实证明，多年来机器学习的最佳应用领域之一是计算机视觉，尽管仍然需要大量的手工编码来完成这项工作。人们会去写手工编码分类器，如边缘检测滤波器，以便程序可以识别一个目标的启动和停止；进行形状检测以确定它是否有八个侧面；同时确保分类器能 够识别字母「s-t-o-p.」从那些手工编码分类器中，机器就会开发算法使得图像和「学习」更有意义，用来确定这是否是一个停止标志。 6 ]3 a6 {& Y2 @" l. W 结果还算不错，但这还不够。特别是在雾天当标志不那么清晰，或有一棵树掩盖了标志的一部分时，就难以成功了。还有一个原因，计算机视觉和图像检测还不能与人类相媲美，它太脆弱，太容易受到周围环境的影响。# X1 N) e# e: x3 g/ L, }7 C1 e ! {. A0 P& H3 W/ a 有关深度学习： 2 ^% ~, i1 z) z. q 现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？8 C6 M+ k) K/ u$ v . ^ o0 p2 r' V# _ 深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行 识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多 排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。 3 L' O, q3 n( z+ Z( k! O* R 1.过去十年中，神经网络，一种类似哺乳动物大脑突触连接关系的机器学习结构，得以复兴。神经网络不需要人为提取特征。原始数据进入学习算法之后不需要任何的人为工作，我们把它称之为“深度学习”。 2.尽管深度学习技术和学习模型已经存在了几十年了，但是我们现在才看到其理论创新和基于经验的突破，因为基础架构和数据的实用性才刚刚成熟。2006年，NVIDIA推出基于GPU的CUDA开发平台，成为了深度学习发展历史上的风水岭。. w7 P9 h; }3 z$ U8 t9 t 0 ^, p7 Y. Y- W 3.正是由于深度学习脱离了人为构建特征使其得以成为一种自然的学习工具。很多技能，早在有能力以复杂的数学方式提取特征之前，我们就已经学会了。 这些技能是我们自然而然学会的，难以用高度的特征归纳。通过传统的机器学习手段，是很难凭人类的直觉得出，或是构造出高维的精确特征的。: `. g+ U: o9 x% V% ?9 m & {# F, m# Y* F, U" `- y$ }! I& e+ \ 4.早在我们有能力构建复杂的语义（semantic）之前，我们就已经在机器视觉和自然语言处理等方面取得了很好的成绩。但是学会这些技能不需要我们有数学推理的能力，更不要说人为有意构建的高层语义了。2 A# ^) v4 y- H* _ 5.深度学习在广义的高维机器学习问题上已经展现了突破性的成果。其中覆盖的领域包括基因组学，油气，数位病理学甚至是公共市场。 |
/1 
关于我们|手机版|EDA365电子论坛网 ( 粤ICP备18020198号-1 )
GMT+8, 2025-5-9 19:38 , Processed in 0.062500 second(s), 27 queries , Gzip On.
地址:深圳市南山区科技生态园2栋A座805 电话:19926409050