关于机器学习(和深度学习)的真相

_Marco Varone 时间:2019-03-28 11:43:09 阅读:10次

  我非常高兴地看到,在完全炒作期后,每个人都在谈论人工智能和机器学习作为解决世界上所有问题的方法(天空是唯一的限制),聪明而诚实的人/专家们正在发表越来越多的文章,其中的内容被描述为现状,期望以正确的方式设定。这需要超过预期,但这是不可避免的,只是时间的问题:林肯说:“你可以在某些时候愚弄所有人,有些人一直愚弄,但你不能欺骗所有人人们一直都是“。

  在最近发表的许多文章中,让我把这个文章链接起来,这个文章很清楚,简短,几乎每个人都能理解。

  有些陈述非常重要,因为它们非常清楚地解释了ML技术可能很有用(在一些特定情况下非常有用)但是比许多人想要的更加有限和简单,并且它们仍然需要大量的工作和汗水(对不起,但这里也没有免费的午餐: - )。

  让我先从这两句话开始(粗体是我的):

   尽管有“人工智能”,“机器学习”和“神经网络”等令人回味的名字,但这些技术与人类的思想或智慧关系不大。相反,它们是编程计算机的替代方法,使用大量数据来训练计算机执行任务。

  我喜欢这两句话,因为它们表明你不需要超过42个单词来设置正确的东西,并且在过去的2  -  3年中使用数百万和数百万的内容来摧毁所有关于这些主题的疯狂事物。字: - )。

  第一个宝石:机器学习和神经网络与人类智能的共同点很少,因此它们只能用于基本任务:如果只需要一点真正的智能,它们就不在游戏中。

  第二个宝石:这更为重要,因为几乎每个人都不了解这个基本事实。机器学习只是编程计算机执行任务的一种不同方式:不是用Java,C ++或JavaScript等语言编写代码,而是分析大数据集(在很多情况下,必须手动标记这些集合)然后启动使用参数,样本,功能和许多其他元素来找到结果的良好平衡。没有什么魔法或新的,计算机没有学习自己编程,只有输入好,输出才会好,有很多手工工作要做,错误可以做,结果将是近似的:at结束,编程的同一个边界框。

  与此相关,这是一个明显的推论:

   由于最近机器学习和神经网络的改进,现在可以训练计算系统来解决具有挑战性的任务,通常基于执行任务的人的数据。此培训通常不仅涉及大量数据,还涉及在软件开发和机器学习方面具有丰富专业知识的人员。

  由于这是一种编程方式,您仍然需要软件开发人员,更重要的是,您需要具备机器学习专业知识的人:机器学习是任何人都可以做和维护的事情(只需要一些数据)标记它,然后按照一些简单的步骤训练系统)只是一个梦想:-)。在现实世界中,您需要开发人员,您需要专家,您需要ML专业知识:这些需求对于在AI空间中工作多年(甚至仅仅几个月)的人来说是显而易见的,但是被其他人完全低估了这暴露了最近关于机器学习的所有炒作。

  这段话也值得评论:

   机器学习最近的最大进步是所谓的深度学习,其中神经网络被安排在输入(例如数字图像中的像素)和输出之间的多个“层”中,例如在该图像中识别某人的面部。

  这澄清了一个非常普遍的误解:了解机器学习的强大局限性,许多人认为深度学习不是机器学习,而是更智能和强大的东西,但显然情况并非如此。

  所有文章都值得一读(不超过5分钟),但我想强调最后一件事:

   虽然传统的软件开发和AI方法都需要精确定义要解决的任务......

  即使使用最智能的深度学习技术,要解决实际问题并获得有用的结果,您需要处理要解决的任务的精确定义,并且需要大量的手动工作才能完成:您不能跳过这是因为你不能给出宽松/模糊的定义,然后期望系统以某种神奇的方式学习和改进自己(它永远不会起作用)。

  这篇文章一般是关于人工智能和机器学习,而不是我们运营的认知空间的具体内容:将ML应用于文本和文档有其自身的一系列挑战和问题,往往比处理图像或语音要复杂得多识别。

  事实上,在认知空间的某些使用案例中,ML技术可以节省项目实施的时间和金钱,在他们可以提供帮助时了解和使用它们非常重要:拥有丰富的工具箱总是比一个小的更好,但重要的是要记住,工具只是工具,你需要人员以正确的方式操作它们。

关于机器学习(和深度学习)的真相 所属专题:机器学习 《关于机器学习(和深度学习)的真相 》链接:http://www.zhouchuanxiong.net/1500

关于机器学习(和深度学习)的真相 相关文章