九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

此文獻(xiàn)給所有對人工智能（AI）感興趣但是仍然未對其有深入了解的傳統(tǒng)的數(shù)據(jù)科學(xué)家們。這篇文章對與今天大眾媒體口中的人工智能相結(jié)合的數(shù)據(jù)科學(xué)技術(shù)進(jìn)行了概述。

我們曾經(jīng)寫過一些關(guān)于組成人工智能（AI）的多種數(shù)據(jù)科學(xué)技術(shù)。我依然聽到很多人把AI當(dāng)做單一的個體來請教關(guān)于它的問題。其實AI并不是一個個體，而是眾多數(shù)據(jù)科學(xué)技術(shù)的集合。而在現(xiàn)階段的發(fā)展中這些技術(shù)還未被很好地整合起來，更不能說被易于使用。盡管如此在每一個數(shù)據(jù)科學(xué)領(lǐng)域，我們已經(jīng)在大眾媒體的關(guān)注下獲得了很大進(jìn)步。

這篇文章并非是一個對數(shù)據(jù)科學(xué)的深入研究，而更像是一個對數(shù)據(jù)科學(xué)現(xiàn)在的情況作一個通俗的走馬觀花式的概述。如果你是一個的傳統(tǒng)意義上的數(shù)據(jù)科學(xué)家，或者你已經(jīng)讀過一些文章但是暫時未能將數(shù)據(jù)科學(xué)的重點信息了解清楚，那么這可能是一篇能幫助你將現(xiàn)有知識整合起來甚至能幫助你發(fā)掘自己興趣點的文章。

AI只是其數(shù)據(jù)科學(xué)組成部分的一個集合

組成AI的數(shù)據(jù)科學(xué)組成部分分為以下幾類。其中可能會有些重疊，但是這些將會是你在媒體上看到的詳細(xì)類別。

• Deep Learning深度學(xué)習(xí)
• Natural Language Processing 自然語言過程
• Image Recognition 圖像識別
• Reinforcement Learning 強(qiáng)化學(xué)習(xí)
• Question Answering Machines 問答機(jī)
• Adversarial Training 對抗訓(xùn)練
• Robotics 機(jī)器人學(xué)

以上便是所有不同的類別（深度學(xué)習(xí)其實包括了一些其它分類）。它們之間的聯(lián)系并不緊密，多數(shù)是被初創(chuàng)公司和技術(shù)界的重要公司同時應(yīng)用在一些新奇的項目上。它們在被成功地應(yīng)用時能夠產(chǎn)生1+1>2的效果，例如在Watson和Echo/Alexa網(wǎng)站上的應(yīng)用，或者是開始被用在無人駕駛汽車技術(shù)中。盡管如此，這些技術(shù)的整合仍會是一個很大的挑戰(zhàn)。

AI需要完成什么任務(wù)？

• 看：現(xiàn)在仍為視頻圖像識別
• 聽：通過文字或口頭語言獲得輸入信息
• 說：對我們的輸入以相同的語言或外語作出有意義的回應(yīng)
• 模仿人類做出決策：提供建議或新的知識
• 學(xué)習(xí)：基于其所處環(huán)境的改變對其自身行為做出改變
• 移動：并模仿物理對象的行為

你能夠馬上開始看到今天很多在商業(yè)上對AI的應(yīng)用只要求其中的幾種能力。但是我們期望中更復(fù)雜的應(yīng)用將會需要所有這些功能。

將人類的能力轉(zhuǎn)化為數(shù)據(jù)科學(xué)

在這里我們講述的內(nèi)容會開始變得凌亂和難以理解。

上面說的的每一個功能都不必要與它們對應(yīng)的數(shù)據(jù)科學(xué)技術(shù)一一對應(yīng)。

但是如果想要真正理解AI在今天的發(fā)展，理解數(shù)據(jù)科學(xué)技術(shù)如何與這些功能要求相匹配是很重要的。它們之間的匹配關(guān)系如下圖所示。

深度學(xué)習(xí)的情況

你可能注意到“深度學(xué)習(xí)”并沒有在圖中出現(xiàn)。那是因為它是上圖中遞歸神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)兩者的集合。人工神經(jīng)網(wǎng)絡(luò)（ANNs）作為最高級的集合登記，在80年代開始被使用，并且一直是標(biāo)準(zhǔn)數(shù)據(jù)科學(xué)機(jī)器學(xué)習(xí)工具包中的一部分，被用于解決標(biāo)準(zhǔn)分類和回歸問題。

最近我們更大量地運(yùn)用平行處理、云處理和GPU（圖形處理器）來取代傳統(tǒng)英特爾芯片，使我們能夠?qū)Σ煌姹镜挠兄鴰咨踔吝^百個隱藏層的ANN進(jìn)行實驗。這些隱藏層就是我們所說的“深度”，從而形成“深度學(xué)習(xí)”。添加隱藏層意味著增加運(yùn)算復(fù)雜性，這也是我們?yōu)槭裁床坏貌坏扔布l(fā)展速度趕上我們野心的膨脹速度。現(xiàn)在至少有27種不同類型的ANN，但最重要的是卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN），如果沒有它們，圖像和自然語言處理將是不可能的。

對數(shù)據(jù)科學(xué)的簡單討論

要對任何這些基礎(chǔ)數(shù)據(jù)科學(xué)技術(shù)進(jìn)行定義需要很多篇幅。 我們將在這里提供最簡短的描述和一些包含更完整的信息的鏈接。

• 卷積神經(jīng)網(wǎng)絡(luò)（CNN）：CNN是圖像和視頻識別、面部識別、圖像標(biāo)記（比如Facebook），在我們的無人駕駛汽車中辨別行人和停車標(biāo)志等等這些所有類型技術(shù)的核心。它們極其復(fù)雜，難以訓(xùn)練，并且當(dāng)你不需要指定具體的功能（貓有毛皮，尾巴，四條腿等）時，你需要給一個CNN展示數(shù)百萬的貓的例子，直到其能夠成功地分辨對象。 訓(xùn)練數(shù)據(jù)的巨大是訓(xùn)練CNN的一個巨大的障礙。
• 生成式對抗神經(jīng)網(wǎng)絡(luò)（GANN）：CNN和RNN有著同樣的問題，都需要巨大和繁重的數(shù)據(jù)量來進(jìn)行訓(xùn)練，以識別停止標(biāo)志（圖像）或?qū)W習(xí)必要的指令來回答你的問題，例如如何設(shè)立帳戶（語音和文本）。 GANN能夠保證大幅減少訓(xùn)練數(shù)據(jù)以及顯著提高精度，并通過互相作戰(zhàn)實現(xiàn)。 這里有一個偉大的關(guān)于訓(xùn)練卷積神經(jīng)網(wǎng)來識別偽造的法國印象派畫作的故事。 簡單地說，先將一個CNN用真正的法國印象派畫作進(jìn)行訓(xùn)練，所以它應(yīng)當(dāng)知道如何分辨真實的畫作。 再將在此CNN之外的其他對抗性CNN（稱為生成式對抗神經(jīng)網(wǎng)絡(luò)）用作創(chuàng)造偽造的印象派畫作。

對抗性CNN通過將圖像像素值轉(zhuǎn)換為復(fù)數(shù)數(shù)值向量來執(zhí)行圖像識別的任務(wù)。 如果你將它們 逆向運(yùn)行，即從任意數(shù)值向量開始運(yùn)行，它們就會創(chuàng)建出圖像，用這個方法創(chuàng)造偽造的畫 作，試圖欺騙那一個學(xué)習(xí)如何檢測偽造品的CNN。 他們互相對抗，直到生成式CNN（偽 造者）偽造的圖像真實到連那一個CNN都不能將它們與真實畫作進(jìn)行分辨。這時偽造者 CNN和分辨者CNN打成平手。

被用作分辨將偽造畫作與真實畫作的CNN在檢測偽造品方面已經(jīng)被進(jìn)行了卓越的訓(xùn)練。在 此之后我們不必再對成千上萬的法國印象派畫作大師提出分辨?zhèn)卧飚嬜鬟@種不切實際的要 求了?？偟膩碚f，這就是人工智能網(wǎng)絡(luò)從他們的環(huán)境中學(xué)習(xí)的例子。

• 問答機(jī)（QAM）：QAM是我們給IBM的Watson起的一個相當(dāng)不起眼的名字。 問答機(jī)是一些巨大的知識倉庫，經(jīng)過培訓(xùn)它們可以在它們的知識庫中找到獨特的關(guān)聯(lián)，并為它們以前沒有見過的復(fù)雜問題提供答案。 當(dāng)普通搜索返回可能找到能回答您問題的答案的源列表時，QAM則被設(shè)為必須給出單一最佳答案。這是NLP和復(fù)雜搜索技術(shù)的混搭，其中QAM構(gòu)建關(guān)于問題的可能含義的多個假設(shè)，并且基于加權(quán)證據(jù)算法返回最佳回答。

QAM需要大量關(guān)于要研究主題的數(shù)據(jù)，這些數(shù)據(jù)由人工加載，并且隨后必須用人工訓(xùn)練和 維護(hù)知識庫。 然而，一旦建立，他們已被證明在多個領(lǐng)域具備專業(yè)能力，包括癌癥檢測 （與CNNs結(jié)合）、醫(yī)學(xué)診斷、發(fā)現(xiàn)材料和化學(xué)品的獨特組合、甚至指導(dǎo)的高中學(xué)生如何編 程。 簡而言之，對于任何一個 巨型的需要專業(yè)編譯的知識體，QAM都可以像大腦一樣對其 進(jìn)行編譯（或至少形成AI的關(guān)聯(lián)記憶）。

• 加固學(xué)習(xí)系統(tǒng)（RLS）：RLS是一種對系統(tǒng)進(jìn)行訓(xùn)練以從對其環(huán)境作出直接響應(yīng)的可能性結(jié)果中識別最佳結(jié)果的方法。 這里沒有單一的算法，而是一組定制應(yīng)用程序。 RNN可以作為RLS中的一種類型的“代理”。 RLS是無人駕駛汽車和類似設(shè)備中的核心技術(shù)，它不需要語言界面。 本質(zhì)上，這是一個機(jī)器可以學(xué)習(xí)并記住在特定情況下應(yīng)采取的最佳行動的方法。 當(dāng)你的無人駕駛汽車決定在黃燈前停下，而不是通過時，RLS就被用來創(chuàng)造其通過學(xué)習(xí)獲得的行為。

• 機(jī)器人學(xué)：機(jī)器人領(lǐng)域?qū)τ贏I非常重要，因為它是AI數(shù)據(jù)科學(xué)在現(xiàn)實世界中體現(xiàn)的主要方式。 大多數(shù)機(jī)器人是直接又復(fù)雜的工程。 機(jī)器人技術(shù)背后的AI技術(shù)主要是加強(qiáng)學(xué)習(xí)。
• Spiking神經(jīng)網(wǎng)絡(luò)（又稱神經(jīng)計算）：我們之前常說我們還處在在人工智能技術(shù)的第二代，這主要是基于我們在硬件上所實現(xiàn)的進(jìn)步。這些進(jìn)步使我們能夠使用算法，如神經(jīng)網(wǎng)絡(luò)，這在過去是不可行的。 但所有這一切都非常迅速，現(xiàn)在我們正處于進(jìn)入第三代人工智能的前沿。

第三代人工智能將基于Spiking神經(jīng)網(wǎng)絡(luò)（也稱為神經(jīng)形態(tài)計算）進(jìn)行發(fā)展，因為它試圖更密切地模仿大腦實際工作的方式。 第三代變化的核心圍繞著腦神經(jīng)元不經(jīng)常彼此通信，而是在信號的尖峰這個事實。 我們的挑戰(zhàn)是找出一個合適的方法將消息編碼進(jìn)這個電脈沖串中。

目前我們還在中期研究階段，我只知道它的兩個被應(yīng)用于商業(yè)應(yīng)用程序的實例。 很多投資和腦力正在涌入這一發(fā)展。 它還將需要一種全新類型的芯片，這將意味著另一個硬件革命。

當(dāng)Spiking神經(jīng)網(wǎng)絡(luò)到達(dá)時，我們期待：

它們可以從一個來源學(xué)習(xí)，并應(yīng)用到另一個來源。 它們可以概括他們的環(huán)境。

它們可以記住已經(jīng)做過的事情。 一旦學(xué)習(xí)的任務(wù)可以被調(diào)用并應(yīng)用于其他數(shù)據(jù)。

它們更節(jié)能，打開了一條小型化的道路。

它們從自己的環(huán)境中學(xué)習(xí)，沒有監(jiān)督，只有很少的例子或觀察對象。 這使它們快速學(xué)習(xí)。

跟上AI的發(fā)展

為了跟上AI的發(fā)展，我們需要跟隨以上介紹的技術(shù)和兩個趨勢。

一是AI的商業(yè)化，因為它目前（第二代）以一種飛快的速度被運(yùn)用到幾乎一切東西上。AI在未來很可能與電氣化在20世紀(jì)20年代的美國一樣普遍。

二是Spiking神經(jīng)網(wǎng)絡(luò)的進(jìn)步，它們將使這一切都更令人驚嘆。