中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

深度學(xué)習(xí)成功源于三駕馬車，模型，數(shù)據(jù)和硬件，這背后最核心的還是數(shù)據(jù)，深度學(xué)習(xí)正是因為學(xué)會了從數(shù)據(jù)中抽象知識，才能夠完成各種各樣的任務(wù)。

人工智能的發(fā)展，伴隨著對數(shù)據(jù)的使用方法的進化，今天就來聊聊。

我一直對學(xué)生說，如果你不能認識到數(shù)據(jù)對一個任務(wù)的重要性，不知道什么樣的數(shù)據(jù)能夠完成手中的任務(wù)，就不算真正的入門深度學(xué)習(xí)。

在此之前，你可以去沉迷于各種框架，技巧，項目。

我們回想一下，大部分人的成長是什么樣的過程。

(1) 一個剛剛出生的小孩，對這個世界的一切都表現(xiàn)出了無差別的興趣，接受各種信息就是成長。

(2) 在青少年時期，我們在家長和老師的帶領(lǐng)下，從背課文寫作業(yè)開始學(xué)習(xí)，大部分錯誤的行為會得到糾錯，正確的行為會得到獎勵。

(3) 隨著成長，有的人在自己工作的領(lǐng)域里熟練玩轉(zhuǎn)數(shù)據(jù)和模型，充分發(fā)掘和運用已有的知識，另一部分人所做的事情不再有答案，需要自己去探索新的規(guī)律，比如成立自己的公司，創(chuàng)作新的知識。

這幾個階段，背后的核心都是數(shù)據(jù)。

(1) 沒有知識的時候，所有已有的數(shù)據(jù)都是知識。

(2) 學(xué)習(xí)知識的時候，需要針對自己要學(xué)習(xí)的領(lǐng)域進行已有數(shù)據(jù)庫的選擇，想學(xué)語言就要背單詞庫，學(xué)數(shù)學(xué)就要做題庫，學(xué)音樂就要練樂譜，這時候用已有的數(shù)據(jù)進行學(xué)習(xí)。

(3) 使用知識的時候，就要調(diào)整自己學(xué)習(xí)到的知識用于新輸入的數(shù)據(jù)，在這個過程中，知識也隨之更新。

(4) 創(chuàng)造知識的時候，就要觀察社會和科學(xué)規(guī)律，從中進行總結(jié)，面對的就是沒有人整理過的數(shù)據(jù)。

可以毫不夸張的說，人一生大部分時間都用著統(tǒng)計學(xué)獲取，整理和分析數(shù)據(jù)，知識從數(shù)據(jù)中來，就像老子說的“道法自然”。

說起無監(jiān)督和有監(jiān)督方法，仍然先舉一個依法治國和無為而治的對比。

依法治國核心就在于設(shè)定了各種各樣的法令讓大家遵循，而無為而治的核心就是不干預(yù)，讓國家在自然規(guī)律下運轉(zhuǎn)。很明顯后者是更高級的存在，也更難實現(xiàn)，不確定性大。

這個例子說的正是有監(jiān)督和無監(jiān)督方法在社會學(xué)的代表，從有監(jiān)督到無監(jiān)督是進步的，然后我們再看看智能系統(tǒng)的成長。

(1) 最初級的智能系統(tǒng)，其實就是用機器來使用專家的知識，依靠的是專家在某一個領(lǐng)域的大量的經(jīng)驗積累。從20世紀60年代開始到80年代第二次人工智能浪潮，專家系統(tǒng)的研究是非常流行的，大家感興趣可以去了解。

(2) 隨著技術(shù)的發(fā)展，研究者發(fā)現(xiàn)專家系統(tǒng)實在是過于簡單和脆弱，于是研究出了一系列的模型，包括人工神經(jīng)網(wǎng)絡(luò)/SVM等等。通過專家的經(jīng)驗對數(shù)據(jù)進行預(yù)處理，完成知識的初步抽象(提取特征)，之后丟給模型進行進一步的學(xué)習(xí)。與專家系統(tǒng)相比模型的復(fù)雜度大大提升，因此也可以開始解決更加復(fù)雜的問題，比如人臉的檢測，語音的識別。在20世紀末和21世紀初，有監(jiān)督的機器學(xué)習(xí)方法得到了非常廣泛的應(yīng)用和研究。

(3) 隨著大數(shù)據(jù)的爆發(fā)以及科學(xué)家的不斷探索，研究人員開始認識到通過專家的經(jīng)驗對數(shù)據(jù)進行預(yù)處理是不合適的，數(shù)據(jù)的維度太高，專家不可能知道每一個任務(wù)到底需要怎樣的預(yù)處理，所以無監(jiān)督特征學(xué)習(xí)方法誕生。對于一個無監(jiān)督的特征學(xué)習(xí)系統(tǒng)，它的輸入應(yīng)該盡可能是原始的數(shù)據(jù)，最大程度上保證信息的完整。至于學(xué)習(xí)的規(guī)則，仍然由專家來制定。

于是專家設(shè)計出各種各樣的模型架構(gòu)和優(yōu)化目標來指導(dǎo)系統(tǒng)從數(shù)據(jù)中進行學(xué)習(xí)，與有監(jiān)督的特征工程的最大區(qū)別在于使用數(shù)據(jù)的方式，這一類方法也被稱為特征學(xué)習(xí)，于是我們有了傳統(tǒng)的機器學(xué)習(xí)算法和深度學(xué)習(xí)算法之分。

(4) 再往后發(fā)展，就需要機器自己創(chuàng)造模型，人類專家在其中所起的作用很小，甚至沒有，這也是人工智能的未來，或許社會發(fā)展到一定的階段，真的會有創(chuàng)造生命的那一天吧。

在深度學(xué)習(xí)發(fā)展的第一階段中，重點就是專家設(shè)計模型和優(yōu)化策略，從數(shù)據(jù)中學(xué)習(xí)特征表達。

深度學(xué)習(xí)的成功很大程度上歸功于卷積神經(jīng)網(wǎng)絡(luò)CNN模型架構(gòu)，在圖像，語音等領(lǐng)域都取得了大大突破。CNN是一種無監(jiān)督的特征學(xué)習(xí)模型，輸入原始數(shù)據(jù)，然后完成學(xué)習(xí)。關(guān)于CNN的基礎(chǔ)，大家可以去閱讀公眾號的相關(guān)文章。