久久人人97超碰超碰窝窝_国产精品久久久久久搜索_AV在线网站无码不卡的_亚洲AV永久精品爱情岛论坛

Part 1：為什么機器學(xué)習(xí)如此重要

AI科技大本營編者按：

這篇文章在Medium上總共獲得了6900多個贊，在Medium上極受歡迎。受歡迎最大的原因是，作者能以比較淺顯的文字，將機器學(xué)習(xí)所囊括的各類原理講得清楚透徹。而這，對于以下三類人群來說，簡直是個福利包：

1. 想要快速提升機器學(xué)習(xí)能力的技術(shù)人員;

2. 想要初步了解機器學(xué)習(xí)，并愿意接觸相關(guān)概念的非技術(shù)人員;

3. 任何對機器是如何思考感興趣的人。

雖然文章中也會討論概率、統(tǒng)計學(xué)、程序設(shè)計、線性代數(shù)和微積分的基本概念，但在作者的深入淺出的語言描述下，即便沒有相關(guān)背景知識，也不會覺得難懂。

如果你想在3個小時內(nèi)快速了解機器學(xué)習(xí)的概念，也不知道上哪里找價值高的指導(dǎo)性文章，建議您閱讀該作者系列文章。AI科技大本營會陸續(xù)更新該系列的Part2、3、4、5部分及資源列表。

Part 1：為什么機器學(xué)習(xí)重要。人工智能與機器學(xué)習(xí)概述——過去，現(xiàn)在，將來。

https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12

Part 2.1：監(jiān)督學(xué)習(xí)。線性回歸，損失函數(shù)，過擬合，梯度下降。

https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab

Part 2.2：監(jiān)督學(xué)習(xí)II。兩種分類方法：邏輯回歸和SVMs。

https://medium.com/machine-learning-for-humans/supervised-learning-2-5c1c23f3560d

Part 2.3：監(jiān)督學(xué)習(xí)III.。非參數(shù)學(xué)習(xí)：k最近鄰，決策樹，隨機森林。并介紹交叉驗證，如何調(diào)參和模型融合。

https://medium.com/machine-learning-for-humans/supervised-learning-3-b1551b9c4930

Part 3：無監(jiān)督學(xué)習(xí)。聚類：k-means，層次聚類。降維：主成份分析法(PCA)，奇異值分解(SVD)。

https://medium.com/machine-learning-for-humans/unsupervised-learning-f45587588294

Part 4：神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)的工作原理，以及卷積神經(jīng)網(wǎng)絡(luò)(CNN)，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNNs)和實際應(yīng)用。

https://medium.com/machine-learning-for-humans/neural-networks-deep-learning-cdad8aeae49b

Part 5：增強學(xué)習(xí)。介紹馬爾可夫決策過程。Q-learning，策略學(xué)習(xí)，深層增強學(xué)習(xí)。價值學(xué)習(xí)問題。 

https://medium.com/machine-learning-for-humans/reinforcement-learning-6eacf258b265

附錄：最好的機器學(xué)習(xí)資源機器學(xué)習(xí)課程資源列表。

https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1

本篇為系列的第一篇文章，作者以講故事的方式，告訴你，為什么機器學(xué)習(xí)如此重要。

這讓人想起前不久小扎與馬斯克關(guān)于“AI是否會超越人類”的論戰(zhàn)，小扎說AI只是幫人提升效率，讓人能夠?qū)Ｗ⒂诟匾墓ぷ?；而馬斯克則在twitter上公開批小扎“理解太淺薄，沒有看到更長遠的威脅”。

本篇文章的觀點與馬斯克如出一轍，作者對未來充滿擔(dān)憂，也正是這份擔(dān)憂，他提出：

雖然預(yù)測未來有點不現(xiàn)實，但有一件事是肯定的：2017年是了解機器如何思考的最好開始時間。

在他看來，人們必須深入機器了解世界的內(nèi)部細節(jié)，搞清楚機器到底要什么，它們的偏見和弱點是什么。

而要搞清楚這些問題，作者強調(diào)“得把機器當(dāng)成人來研究”；正如研究心理學(xué)和神經(jīng)科學(xué)，探索人類如何學(xué)習(xí)、決策、感覺等課題。從這個層面來說，這已經(jīng)不單單是技術(shù)問題了，而是需要綜合邏輯、心理、哲學(xué)、語言學(xué)等各學(xué)科，才能真正摸清楚黑匣子背后的秘密。

正文：

人工智能比本世紀的任何其他創(chuàng)新都來得更猛，而它也將更有力地塑造我們的未來。

在這個技術(shù)統(tǒng)治的世界里，任何不了解它的人，會很快發(fā)現(xiàn)自己落..伍...了...他會對即將到來的魔法世界，呈一臉懵逼狀。

雖然人工智能歷代的潮起潮落已經(jīng)被各大資料文章說爛了，早已老生常談，但請保持點耐心，我仍想用自己的方式，將其梳理一遍。

在經(jīng)歷了過去四十年的幾番AI停滯和發(fā)展周期之后，數(shù)據(jù)的爆發(fā)和算力的提升讓人工智能終于突破了瓶頸。

2015年，Google訓(xùn)練了一個對話機器人(AI)，不僅可以作為技術(shù)支持與人進行交流，還可以跟人討論道德問題，表達意見和回答一般性的基于事實的問題。

Vinyals＆Le，2017

同年，DeepMind開發(fā)出一個程序，僅以像素和游戲得分作為輸入，在49局 Atari游戲中超越人的表現(xiàn)。

不久后，DeepMind再次實現(xiàn)自我超越，發(fā)布一款名叫A3C的新的前沿游戲算法。 

與此同時，AlphaGo擊敗了世界頂級圍棋選手，這是繼機器征服國際象棋后，歷經(jīng)二十年時間，再次在以人類為主導(dǎo)的游戲中大獲全勝。

許多圍棋大師不理解，為什么一臺機器能掌握這個古老的中國戰(zhàn)略游戲，機器怎么可能掌握其中的精髓和復(fù)雜，在101??個可能的布局中大敗人類。要知道，宇宙中原子的數(shù)量也就 10??。這太不可思議了。

圖為與AlphaGo進行了一場比賽失敗后，職業(yè)圍棋選手Lee Sedol在復(fù)盤這局棋局

上一篇 下一篇