2018 AI World 觀後感——周志華教授part

2018年9月30日在老師的推薦下看了2018年人工智慧峰會，沒看完，今天看的是周志華教授的部分

主要思想是 機器學習，或者說深度學習 成功的背後，有什麼支援著，這些支柱有什麼能改進的地方。

（黑體字為會議內容總結，紅字為觀後感，或者說一些學習結果）

  雖然一直在接觸深度學習，實際上對於其在工業方面的應用並不是特別清楚，今天特意去查了一下，發現深度學習真是撐起了今天應用程式的一片藍天，自動識別，自動處理，提取資訊進行分類，可以說和智慧化息息相關。

  周志華教授主要提及了三個方面：深度模型，監督資訊以及人物環境

關於深度模型：當前主要面臨 深度學習==深度神經網路的局面，這二十多年來取得了很大的進展，但面臨臨界狀態，神經網路模型過於複雜！於是南大的研究室最近提出了 深度森林的想法，拋開神經網路模型和BP演算法，而是基於非可微函式建立模型，據教授說，在處理離散資料方面效率可能接近 神經網路。

關於監督資訊:周志華教授提及，目前機器學習依靠著強監督資訊建立體系，但是隨著演算法複雜性的增加，需要的資料越來越多，對應的監督資訊也會成為問題。所以說弱化監督資訊的比重是很有意義的。

  大資料時代，樣本不成問題。（錯） 這些資料是需要人工處理，標註的。

資料標註現在已經發展成一種職業，具體是 從各種渠道獲取資料，並且進行分類，標記整理。

例如，現有一個影像識別模型，利用機器學習的相關演算法來實現，那麼就需要資料去訓練模型，還有交叉驗證，還有測試。

也就是說，資料集按需求分成了 訓練集，交叉驗證集以及測試集。而在訓練集中，可能有一張飛機的照片，我們就需要進行資料標註，告訴計算機，這是一個飛機，以後看到類似的東西就將其識別成飛機吧。這就是資料標註的意義。擔任相關工作的人員可以發展成資料庫管理員，因為對資料的走向脈絡相當清晰。

而繞了這麼一個圈子，監督資訊是什麼呢？

經過這兩天查閱的，並不完全的資訊，我覺得監督資訊就是對資料進行的標註。周志華教授的演講中也說，Alpha Zero 雖然不用人類棋局的資訊，而是機器博弈，但是它獲得了極強的堪稱上帝的監督資訊，即判斷棋局的輸贏，我覺得這就是一種資料標註。

 

關於任務環境：主要探討的還是模型的穩定性。在資料變化的時候，我們能否保證robust性呢？

並且值得注意的是，很多時候我們探討的強化學習技術（是指 deep reinforcement learning嗎？），與環境進行互動，改變資料的來源，實際上並沒有改變實質，沒有挑戰規則，試問當整個規則都變化了，我們的模型能真正穩定下來嗎？這個問題值得深入探討。

 

受益匪淺！！