深度学习,神经网络,仿制游戏- 任何这一项都与教学计算机“学习”有什么关系?
机器学习是计算机程序从体验中增长的过程。
这不是科幻小说,在科幻小说中,机器人会不断进步,直到征服世界。
当我们谈论机器学习时,我们主要是指极其聪明的算法。
1950年,数学家艾伦·图灵争辩询问机器是否可以思考是浪费时间。相反,他提出了一场比赛:玩家有两个书面对话,一个与另一个人和一台机器。基于交易所,人类必须决定哪个。
这个“仿制游戏”将作为人工智能的考验。但我们如何编程机器播放?
图灵建议我们教他们,就像教孩子一样。我们可以指导他们遵循一系列规则,同时允许他们根据经验进行微调。
对于计算机,学习过程看起来有点不同。
首先,我们需要喂它们很多数据:从日常物体图片到银行交易的详细信息。
然后我们必须告诉计算机处理所有信息。
程序员通过编写循序渐进的指令或算法来实现这一点。这些算法帮助计算机识别大量数据中的模式。
根据他们发现的模式,计算机开发了一种系统所作工作的“模型”。
例如,一些程序员正在使用机器学习来开发医疗软件。首先,他们可能喂食已经分类的数百个MRI扫描。然后,他们将拥有计算机构建模型来分类MRI之前没有看到。通过这种方式,该医疗软件可以发现患者扫描或标志某些记录进行审查。
像这样的复杂模型通常需要许多隐藏的计算步骤。对于结构,程序员组织所有的处理决策成层。这就是“深度学习”的由来。
这些层模仿了人脑的结构,神经元对其他神经元的发射信号。这就是为什么我们也称为他们“神经网络”。
神经网络是我们每天使用的服务的基础,就像数字语音助理和在线翻译工具。随着时间的推移,神经网络改善了他们倾听和回应我们给予的信息的能力,这使得这些服务越来越准确。
机器学习不仅仅是在学术实验室中锁定的东西。许多机器学习算法是开源和广泛的可用。他们已经被用来用于许多影响我们生活的事情,大而且很小。
人们已经使用这些开源工具来做任何事情训练他们的宠物到创造实验艺术到监控野火。
他们还做了一些道德上可疑的事情,比如创造与深入学习的深度伪造视频。而且因为机器使用的数据算法是由贫困人类编写的,所以它们可以包含偏见.Gorithms可以将他们的制造商的偏见带入他们的模型,加剧种族主义和性别歧视等问题。
但是没有什么能阻止这项技术。人们正在为它找到越来越复杂的应用,其中一些将使我们习惯于自己做的事情自动化——比如使用神经网络帮助驾驶电动无人驾驶汽车。考虑到任务的复杂性,其中一些应用程序将需要复杂的算法工具。
虽然这可能是在路上,但系统仍然有很多学习才能做到。