简介

精彩点评

• 

  皮皮侠Inagaki Takumi

  推荐

  高级科普类读书，建议对机器学习感兴趣的来读，不然很有可能半途而废。书中介绍了大量的机器学习算法，没有先验知识的人读起来会觉得晦涩难懂，比啃砖还痛苦。建议可以先读下周志华的《机器学习》(也叫西瓜书）和李航的《统计学习方法》。 本书围绕机器学习方法的发展提出了5大学派: 符号学派、联结学派、 贝叶斯学派、进化学派和类推学派。其分别对应的主算法如下: 1.符号学派的主算法——逆向演绎，假定新的逻辑规则，用于作为数据与预期结论之间的步骤。 2.联结学派的主算法——反向传播，他们利用它来弄清楚哪个神经元负责哪些误差，并根据它们的权值来进行调整。 3.进化学派的主算法——遗传编程，应用交叉和突变于计算机程序上，以子集树的形式表示出来。 4.贝叶斯学派的主算法——概率推理，其相信模拟不确定性是学习的关键，并利用形式表示方法如贝叶斯网络和马尔科夫网络来工作。 5.类推学派的主算法——支持向量机，假设有已知相似属性的实体，也会有相似的未知属性：例如，拥有相似症状的病人也会有相似的诊断，过去喜欢买某类书的读者可能未来还会买同样的书等。 另外，作者也坚信: 机器最终不会控制人类，也无法永远代替人类。机器能帮助人类从繁杂琐碎的低智力活动中解放出来，但它们永远不能代替人类去思考，所以我们还需要积极拥抱机器学习，拥抱人工智能。 终人工智能，人工智能，没有人工哪里会有智能？！终极算法的最终实现，不是靠某一个人或某几个人实现，而必须靠所有人的共同努力。所以，我们应该开放内心，打消“机器必将统治人类”的顾虑，去积极、主动、乐观地拥抱智能技术！

• 

  快活人

  推荐

  浅谈人工智能：人的智慧和人工智能 究竟什么是人工智能，什么是AI，接下来，我为大家解答分享几点见解。 媒体上几乎每天都有AI和人工智能的词汇，总给人一种深奥神秘的感觉。人工智能顾名思义就是人类制造的智慧，英文叫Artificial Intelligence（AI），所以人工智能=AI。 那么问题又来了，智慧究竟是什么？我们要以何种方式去制造智慧？要回答这个问题，就必须从人与人造物的 区别和人的智慧说起。 对于人工智能的研究人员来说，目标并不是研究人类智慧的来源，而是以工程技术手段制造出类似人类智慧的 产品。 有人认为人类和人工智能最大的差异是，肉体和的有无，我觉得其本质的差异还是意识的具备与否。 人类可以通过身体获得外界资讯。透过感觉器官，我们可以感觉到声音、外观、触感、气味等，让我们觉得舒服或者讨厌，进而产生感情。 虽然人工智能并没有人类的身体，但是它具有各种各样的触觉设备——传感器，因此也可以像人类一样通过感觉器官来积累经验，也可以借此获得知识进行深度学习。 到目前为止，人工智能还必须依赖人类，将人类通过鼻子、眼睛、嘴巴、皮肤等感觉器官...获得的外界资讯，以某种形式”输入“到人工智能系统，人工智能才可以加工和处理这些信息。  英国数学家，Dr.Wu 认为二十世纪最聪明的人三个人（爱因斯坦、图灵、冯诺依曼）之一的艾伦.图灵（Alan Turing：1912-1954）定义了一种方法，来判断人工智能是否成功，这种方法是：和自己对话的对象是人类还是人工智能？ 这种方法就是大名鼎鼎的图灵测试。 只要三成以上的研究员将人工智能误以为是人类，就算通过图灵测试。 但是由于计算机很难做到与人类接近的对话，所以很长一段时间都没有任何人工智能通过图灵测试。反而人类在不断学习计算机语言，这就是大量程序员的工作，和计算机对话。 图灵测试又叫做模仿游戏‘Imitation Game’，一部描绘图灵一生的自传电影一样也叫模仿游戏，我觉得很好看哦，感兴趣的书友可以搜索看看。 Imitation 即为模仿。 “思考”，大多数人会想到计算，应该是人工智能的专长。但事实上，要想像人类一样思考其实是一件非常困难的事情。 人工智能需要以各种输入数据案例为基础，通过这些数据案例获取经验和知识，然后进行预测和判断。如果输入的案例太少，就无法做出判断。 情况相反，人类即使遇到过去未曾遇到的状况，也可以以弹性的方式面对各种状况。 

• 

  陈武

  推荐

  In any machine learning project, we should start by proving that classical programs using SQL queries will not suffice. Then, a baseline or prototype using a sample should prove that the model will work.(先要证明采用AI的必要性) Using a cloud platform such as AWS SageMaker with S3 will save corporate investment resources in order to focus on the training job. This proves once again that the future of artificial intelligence experts relies upon their ability to imagine solutions and not to get lost in programming.(主要精力需要放在现实问题上的方案设计上，客观理解问题，以及问题的生态联系才是核心。数学建模是工具，编程只是实现解决方案的思路) No matter what happens, the basic steps will always remain the same, which include proving that artificial intelligence is necessary, building a prototype model, dataset management, and hyperparameter and job optimization. Amazon, Google, IBM, Microsoft, and others will be offering more platforms, frameworks, and resources for machine learning. These platforms will constantly evolve and change. As these giants innovate, programming will become less and less necessary so that all companies, small or large, can access the AI cloud platforms. Programming AI will remain fascinating as well as standard non-AI development. However, nothing will stop cloud ready-to-use platforms from expanding. These platforms are the cutting edge of artificial intelligence and will lead you to the fascinating frontier of present knowledge. You can cross the border into the wild and discover new ways of solving hard problems. A cloud platform has limits that you can push much further.(AI能力是一种云资源，由大型云平台统一整合输出才是未来，企业、个体主要是数据的积累和现实问题的解决方案)

• 

  神农氏

  推荐

  智能人不会控制人类！他终究是个机器！会被人利用！但决不会利用人！被人利用的功能可能会超出人类想象！极度的智能人有可能便人的智能形成依赖而失去判断！并退化！就如担心汽车等工具代替行走！人走路功能会退化！但你会觉得这种担心是过度焦虑！

• 

  一蓑烟雨

  推荐

  机器学习的核心就是预测：预测我们想要什么，预测我们行为的结果，预测如何能实现我们的目标，预测世界将如何改变。从前，我们依赖巫医和占卜师进行预测，但他们太不可靠；科学的预测就更值得信赖，但也仅限于我们能系统观察和易于模仿的事物，大数据和机器学习却大大超出这个范围。我们可通过独立的思维来预测一些常见的事情，包括接球和与人对话，但有些事情，即便我们很努力，也无法预测。可预测与难以预测之间的巨大鸿沟，可以交给机器学习来填补。