讀書筆記(機器學習:發(fā)展與未來)

轉自360美圖

理清一個關系,**人工智能 > 機器學習 > 深度學習 > 神經網絡 **

機器學習源自人工智能(Artificial Intelligence)

1956年夏,美國達特茅斯學院,達特茅斯會議標志著人工智能這一學科的誕生

  • 第一階段:推理期 1956-1960s: Logic Reasoning

赫伯特?西蒙(1916-2001) 1975年圖靈獎
阿倫?紐厄爾(1927-1992) 1975年圖靈獎

  • 出發(fā)點: “數(shù)學家真聰明朱嘴!”
  • 主要成就: 自動定理證明系統(tǒng) (例如,西蒙與紐厄爾的“Logic Theorist”系統(tǒng))

漸漸地,研究者們意識到驱显,僅有邏輯推理能力是不夠的 …

  • 第二階段:知識期 1970s -1980s: Knowledge Engineering

愛德華?費根鮑姆(1936- ) 1994年圖靈獎

  • 出發(fā)點: “知識就是力量!”
  • 主要成就: 專家系統(tǒng) (例如瞳抓,費根鮑姆等人的“DENDRAL”系統(tǒng))

漸漸地埃疫,研究者們發(fā)現(xiàn),要總結出知識再“教”給系統(tǒng)孩哑,實在太難了 …

  • 第三階段:學習期 1990s -now: Machine Learning

  • 出發(fā)點: “讓系統(tǒng)自己學栓霜!”
  • 主要成就: ……機器學習是作為“突破知識工程瓶頸”之利器而出現(xiàn)的

恰好在20世紀90年代中后期,人類發(fā)現(xiàn)自己淹沒在數(shù)據(jù)的汪洋中横蜒,對自動數(shù)據(jù)分析技術——機器學習的需求日益迫切

機器學習有堅實的理論基礎

Leslie Valiant( ( 萊斯利? 維利昂特) )( ( 1949- - ) ) 2010 年 圖靈獎
計算學習理論 Computational learning theory
PAC (Probably Approximately Correct胳蛮,概率近似正確) learning model [Valiant, 1984]

轉自 機器學習:發(fā)展與未來

今天的“機器學習”已經是一個廣袤的學科領域,事實上丛晌,“深度學習”(Deep Learning) 僅是機器學習中的一個小分支仅炊。

多種機器學習技術:

  • 深度學習
  • 強化學習
  • 蒙特卡洛樹搜索

深度學習興起

  • 2006年, Hinton發(fā)表了深度學習的 Science 文章。
  • 2012年, Hinton 組參加ImageNet 競賽, 使用 CNN 模型以超過第二名10個百分點的成績奪得當年競賽的冠軍澎蛛。
  • 伴隨云計算抚垄、大數(shù)據(jù)時代的到來,計算能力的大幅提升,使得深度學習模型在計算機視覺呆馁、自然語言處理桐经、語音識別等眾多領域都取得了較大的成功。

2010年 – 至今 熱潮7年
深度學習最重要的作用:表示學習
深度學習何處適用:數(shù)據(jù)的“初始表示” (例如浙滤,圖像的“像素”)與解決任務所需的“合適表示”相距甚遠

深度學習從技術上來看阴挣,就是“很多層”的神經網絡
神經網絡實質上是多層函數(shù)嵌套形成的數(shù)學模型

深度學習會不會“一統(tǒng)江湖、千秋萬載”纺腊?

一統(tǒng)江湖畔咧?
不會! 很多學習任務,數(shù)據(jù)的“初始表示”與“合適表示”沒那么遠
千秋萬載揖膜?
鑒古知今:讓我們回顧一下神經網絡的發(fā)展歷史

神經網絡發(fā)展回顧
1940年代-萌芽期: M-P模型 (1943), Hebb 學習規(guī)則 (1945)
1958左右-1969左右~繁榮期: 感知機 (1958), Adaline (1960), …
1969年:Minsky & Papert “Perceptrons”

冰河期
1985左右 -1995左右~繁榮期: Hopfield (1983), BP (1986), …
1995年左右:SVM 及 統(tǒng)計學習 興起
沉寂期
2010左右-至今~繁榮期:深度學習

  • 1950年代中:現(xiàn)代電子計算機廣泛應用
  • 1980年代初:Intel x86系列微處理器與內存條技術廣泛應用
  • 2000年代中:GPU盒卸、CPU集群廣泛應用

結論:神經網絡是相對最容易利用新增計算能力的機器學習方法
技術:未來未必是深度學習,但應該是能有效利用GPU等計算設備的方法

傳統(tǒng)機器學習任務:主要針對封閉靜態(tài)環(huán)境 (重要因素大多是“定”的)

  • 數(shù)據(jù)分布恒定
  • 樣本類別恒定
  • 樣本屬性恒定
  • 評價目標恒定

機器學習走向實際應用需要解決的共性問題:封閉靜態(tài)環(huán)境 --> 開放動態(tài)環(huán)境 一切都可能“變”

  • 分布偏移
  • 類別增長
  • 屬性退化
  • 目標多樣

開放環(huán)境下的機器學習:“魯棒性”是關鍵次氨!(“好的時候”要好蔽介,“壞的時候”不能太壞)
結論:隨著人工智能技術取得巨大發(fā)展,越來越多地面臨“高風險應用”煮寡,因此必須有“魯棒的AI”
任務 :未來開放環(huán)境學習任務虹蓄,魯棒性是關鍵

現(xiàn)狀:“機器學習”形態(tài)是什么? 算法 + 數(shù)據(jù)

“機器學習”有哪些技術局限幸撕?

  • 需要大量訓練樣本(樣本總量少:油田定位薇组,特定類樣本少:信用卡欺詐,有標記 (label) 樣本少:軟件缺陷檢測 )
  • 難以適應環(huán)境變化(分布變化坐儿、屬性變動律胀、類別增加)
  • 黑箱模型(自動醫(yī)療 :個性化治療方案,若學習器不能給出治療理由貌矿,則難以說服患者接受昂貴的治療方案炭菌。智能電網 :大型變電站停機檢測,若學習器不能給出停機檢測的理由逛漫,則難以判斷停機檢測的風險和代價)
  • Machine Learning as Magic(即便相同 數(shù)據(jù)黑低,普通用戶 很難獲得機器學習專家級性能)
  • 數(shù)據(jù)隱私和安全
  • ...

Future:學件 (Learnware) = 模型 (model) + 規(guī)約 (specification)

(預訓練的)模型+(描述模型的)規(guī)約
規(guī)約需能夠:給出模型的合適刻畫(基于邏輯、基于統(tǒng)計量酌毡、基于精簡數(shù)據(jù))

模型需滿足:

  • 可重用 (reusable)(學件的預訓練模型僅需利用“少量數(shù)據(jù)”對其進行更新或增強即可用于新任務)
  • 可演進 (evolvable)(學件的預訓練模型應具備感知環(huán)境變化克握,并針對變化進行主動自適應調整的能力)
  • 可了解 (comprehensible)(學件的模型應在一定程度上能被用戶了解,包括其目標枷踏、學得結果菩暗、資源要求、典型任務上的性能等)

形態(tài) :未來旭蠕,算法+ 數(shù)據(jù) --> 學件

(周志華 著. 機器學習)個人淺見停团,謹慎參考婴梧,免受誤導

  • 深度學習可能有“冬天”
    它僅是機器學習中的一種技術;更 “ 潮”的技術總會出現(xiàn)
  • 機器學習不會有“冬天”
    除非我們不再需要分析數(shù)據(jù)
  • 關于未來
  • 技術:能有效利用GPU等計算設備(未必是深度學習)…… 5年?
  • 任務:開放環(huán)境機器學習任務(魯棒性是關鍵) …… 10年客蹋?
  • 形態(tài):從“算法+數(shù)據(jù)”到“學件”(Learnware)…… 15年?
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末孽江,一起剝皮案震驚了整個濱河市讶坯,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌岗屏,老刑警劉巖辆琅,帶你破解...
    沈念sama閱讀 211,884評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異这刷,居然都是意外死亡婉烟,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,347評論 3 385
  • 文/潘曉璐 我一進店門暇屋,熙熙樓的掌柜王于貴愁眉苦臉地迎上來似袁,“玉大人,你說我怎么就攤上這事咐刨£夹疲” “怎么了?”我有些...
    開封第一講書人閱讀 157,435評論 0 348
  • 文/不壞的土叔 我叫張陵定鸟,是天一觀的道長而涉。 經常有香客問我,道長联予,這世上最難降的妖魔是什么啼县? 我笑而不...
    開封第一講書人閱讀 56,509評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮沸久,結果婚禮上季眷,老公的妹妹穿的比我還像新娘。我一直安慰自己卷胯,他們只是感情好瘟裸,可當我...
    茶點故事閱讀 65,611評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著诵竭,像睡著了一般话告。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上卵慰,一...
    開封第一講書人閱讀 49,837評論 1 290
  • 那天沙郭,我揣著相機與錄音,去河邊找鬼裳朋。 笑死病线,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播送挑,決...
    沈念sama閱讀 38,987評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼绑莺,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了惕耕?” 一聲冷哼從身側響起纺裁,我...
    開封第一講書人閱讀 37,730評論 0 267
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎司澎,沒想到半個月后欺缘,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 44,194評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡挤安,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,525評論 2 327
  • 正文 我和宋清朗相戀三年谚殊,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蛤铜。...
    茶點故事閱讀 38,664評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡嫩絮,死狀恐怖,靈堂內的尸體忽然破棺而出围肥,到底是詐尸還是另有隱情絮记,我是刑警寧澤,帶...
    沈念sama閱讀 34,334評論 4 330
  • 正文 年R本政府宣布虐先,位于F島的核電站怨愤,受9級特大地震影響,放射性物質發(fā)生泄漏蛹批。R本人自食惡果不足惜撰洗,卻給世界環(huán)境...
    茶點故事閱讀 39,944評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望腐芍。 院中可真熱鬧差导,春花似錦、人聲如沸猪勇。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,764評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽泣刹。三九已至助析,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間椅您,已是汗流浹背外冀。 一陣腳步聲響...
    開封第一講書人閱讀 31,997評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留掀泳,地道東北人雪隧。 一個月前我還...
    沈念sama閱讀 46,389評論 2 360
  • 正文 我出身青樓西轩,卻偏偏與公主長得像,于是被迫代替她去往敵國和親脑沿。 傳聞我的和親對象是個殘疾皇子藕畔,可洞房花燭夜當晚...
    茶點故事閱讀 43,554評論 2 349

推薦閱讀更多精彩內容