爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

AI科技大本營發表於2017-08-25

翻譯 | AI科技大本營(rgznai100)

參與 | thinkdeeper

Part 1:為什麼機器學習如此重要

AI科技大本營編者按:

這篇文章在Medium上總共獲得了6900多個贊,在Medium上極受歡迎。受歡迎最大的原因是,作者能以比較淺顯的文字,將機器學習所囊括的各類原理講得清楚透徹。而這,對於以下三類人群來說,簡直是個福利包:

  1. 想要快速提升機器學習能力的技術人員;

  2. 想要初步瞭解機器學習,並願意接觸相關概念的非技術人員;

  3. 任何對機器是如何思考感興趣的人。

雖然文章中也會討論概率、統計學、程式設計、線性代數和微積分的基本概念,但在作者的深入淺出的語言描述下,即便沒有相關背景知識,也不會覺得難懂。

如果你想在3個小時內快速瞭解機器學習的概念,也不知道上哪裡找價值高的指導性文章,建議您閱讀該作者系列文章。AI科技大本營會陸續更新該系列的Part2、3、4、5部分及資源列表。

Part 1:為什麼機器學習重要。人工智慧與機器學習概述——過去,現在,將來。

https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12

Part 2.1:監督學習。線性迴歸,損失函式,過擬合,梯度下降。

https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab

Part 2.2:監督學習II。兩種分類方法:邏輯迴歸和SVMs。

https://medium.com/machine-learning-for-humans/supervised-learning-2-5c1c23f3560d

Part 2.3:監督學習III.。非引數學習:k最近鄰,決策樹,隨機森林。並介紹交叉驗證,如何調參和模型融合。

https://medium.com/machine-learning-for-humans/supervised-learning-3-b1551b9c4930

Part 3:無監督學習。聚類:k-means,層次聚類。降維:主成份分析法(PCA),奇異值分解(SVD)。

https://medium.com/machine-learning-for-humans/unsupervised-learning-f45587588294

Part 4:神經網路。深度學習的工作原理,以及卷積神經網路(CNN),迴圈神經網路(RNNs)和實際應用。

https://medium.com/machine-learning-for-humans/neural-networks-deep-learning-cdad8aeae49b

Part 5:增強學習。介紹馬爾可夫決策過程。Q-learning,策略學習,深層增強學習。價值學習問題。

https://medium.com/machine-learning-for-humans/reinforcement-learning-6eacf258b265

附錄:最好的機器學習資源機器學習課程資源列表。

https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1

本篇為系列的第一篇文章,作者以講故事的方式,告訴你,為什麼機器學習如此重要。

這讓人想起前不久小扎與馬斯克關於“AI是否會超越人類”的論戰,小扎說AI只是幫人提升效率,讓人能夠專注於更重要的工作;而馬斯克則在twitter上公開批小扎“理解太淺薄,沒有看到更長遠的威脅”。

本篇文章的觀點與馬斯克如出一轍,作者對未來充滿擔憂,也正是這份擔憂,他提出:

雖然預測未來有點不現實,但有一件事是肯定的:2017年是瞭解機器如何思考的最好開始時間。

在他看來,人們必須深入機器瞭解世界的內部細節,搞清楚機器到底要什麼,它們的偏見和弱點是什麼。

而要搞清楚這些問題,作者強調“得把機器當成人來研究”;正如研究心理學和神經科學,探索人類如何學習、決策、感覺等課題。從這個層面來說,這已經不單單是技術問題了,而是需要綜合邏輯、心理、哲學、語言學等各學科,才能真正摸清楚黑匣子背後的祕密。

正文:

人工智慧比本世紀的任何其他創新都來得更猛,而它也將更有力地塑造我們的未來。

在這個技術統治的世界裡,任何不瞭解它的人,會很快發現自己落..伍...了...他會對即將到來的魔法世界,呈一臉懵逼狀。

雖然人工智慧歷代的潮起潮落已經被各大資料文章說爛了,早已老生常談,但請保持點耐心,我仍想用自己的方式,將其梳理一遍。

在經歷了過去四十年的幾番AI停滯和發展週期之後,資料的爆發和算力的提升讓人工智慧終於突破了瓶頸。

2015年,Google訓練了一個對話機器人(AI),不僅可以作為技術支援與人進行交流,還可以跟人討論道德問題,表達意見和回答一般性的基於事實的問題。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

                                                        Vinyals&Le,2017

同年,DeepMind開發出一個程式,僅以畫素和遊戲得分作為輸入,在49局 Atari遊戲中超越人的表現。

不久後,DeepMind再次實現自我超越,釋出一款名叫A3C的新的前沿遊戲演算法。

與此同時,AlphaGo擊敗了世界頂級圍棋選手,這是繼機器征服國際象棋後,歷經二十年時間,再次在以人類為主導的遊戲中大獲全勝。

許多圍棋大師不理解,為什麼一臺機器能掌握這個古老的中國戰略遊戲,機器怎麼可能掌握其中的精髓和複雜,在10¹⁷⁰個可能的佈局中大敗人類。要知道,宇宙中原子的數量也就 10⁸⁰。這太不可思議了。

    爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

          圖為與AlphaGo進行了一場比賽失敗後,職業圍棋選手Lee Sedol在覆盤這局棋局

不過,這還沒完。

2017年3月,OpenAI用自己發明的語言開發機器人,有效地實現了自己的目標。不久之後,Facebook成功訓練了會談判甚至說謊的機器人。

2017年8月11日,在多人線上遊戲Dota 2的1v1比賽中,OpenAI擊敗世界頂尖遊戲選手人士,這又讓好一波人受到了驚嚇。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

              觀看全程比賽,請移步YouTube,Dendi (human) vs. OpenAI (bot)

除了這些驚天大逆襲,人工智慧也開始滲透到我們的日常生活。

比如下面兩張圖片,你只用將相機對準選單,選中的圖片就可以通過Google翻譯APP自動翻譯成英文。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

如果下一次你入住某酒店,致電前臺讓送牙膏到房間。當你開啟門,眼前是一個小的家政送貨機器人,不必驚訝。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

各細分領域也開始藉助人工智慧進行智慧化升級。

如今在醫療領域,AI可用於為癌症患者設計循證治療計劃,用於實時分析醫學檢測結果,並用於藥物發現。(小編注:可參考AI科技大本營此前編譯的一篇文章《一文講述人工智慧在醫療行業的九個落腳點,讓你更懂AI》)

(小編多一句嘴:作者會在本系列的5個章節中,深入探討這些技術背後的核心機器學習概念,並教你利用工具構建類似應用程式。)

下面我給出一個知識樹的圖片,從中可以看出,機器學習主要包括監督學習,無監督學習和增強學習三個方面。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

人工智慧主要是研究能感知周圍世界、制定計劃、並做出決策以實現其目標的機器人。其所需要的基礎包括數學、邏輯、哲學、概率、語言學、神經科學和決策理論。許多領域都屬於AI,如計算機視覺,機器人,機器學習和自然語言處理。

機器學習則是人工智慧的一個子領域。它的目標是讓計算機自己學習。機器學習演算法使其能夠在資料中識別模式,從而構建模型,而不是利用預定義的規則進行預測。

智力大爆炸

其實,上述討論的例子,儘管會讓人一驚,但都屬於弱人工智慧(ANI),不過它確實能高效解決特定任務。

我們一直在為強人工智慧(AGI)做一些基礎性的推進工作。AGI的定義是一種能執行人類所要求的各類複雜任務,包括在不確定情況下進行學習、規劃和決策,用跟人類一模一樣的語言方式進行交流、講笑話,指揮股票交易或自己程式設計。

會自己程式設計,這一點尤為關鍵。一旦我們創造了一個能自我改進的AI,它將會以一種迴圈遞迴的方式進行自我完善。這預示著,我們將在未來的某個時期,將進入到一個智慧爆炸的時代,

超智慧機器可以超越任何人的智力活動。由此可以推出,設計這臺超智慧機器是人類智力活動之一,超智慧機器大於人類的智力活動,那超智慧機器可以設計出更好的機器。

如此一來,將會產生智力爆炸,遠遠超過人類的智力大爆炸。

可以這麼說:第一臺超智慧機器是人類最後的一個發明。

下圖被稱為奇點。該術語借用於發生在黑洞中心的引力奇點,一個無限擁有無限密度的一維點。在這裡,我們慣常理解的物理定律已無法適用。

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

我們對黑洞裡面到底是如何的一番景象完全搞不清楚,因為沒有光線可以逃脫這個黑洞。

同樣,在我們解鎖AI的自我改進能力之後,我們也沒有辦法預測將會發生什麼。

正如用於人類實驗中的小白鼠,它永遠也不知道人類在對自己做什麼,它只能膚淺地理解為人類在幫他們獲得更多的乳酪。

最近,人類未來研究所發表了一份調查報告,該報告調查了AI研究人員對實現AGI時代的預測。

研究人員認為在45年後,AI有50%的勝算超過人類。當然,有人說時間更長,有人說已經沒幾年了。

                    爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

這是2005年在奇點臨近一書中的圖片。如今,2017了,牆上還能有多少我們自以為是的圖片呢?

超人工智慧的出現,對人類到底是件好事還是壞事?

先不做好壞的預測,而是談一個很實際的問題:我們怎麼能用一種對人類友好的方式,來指定AI做我們想讓他做的事情呢?

要達到這個目的,我們就瞭解機器學習,不是應用機器學習,而是真正搞明白。

機器學習——避免機器逆襲的唯一通路

所以我一直篤定一件事:2017年,該是我們瞭解機器如何思考的開始時間了。

這可不是拍腦袋,藉助哲學抽象概念或其他形象比喻來理解和學習AI。而是,我們必須深入其中,瞭解機器世界的內部細節—它們到底“想要什麼“,它們潛在的偏見和弱點到底有哪些——正如我們研究心理學和神經科學,以瞭解人類如何學習、決策、行為和感知這樣。

有關AI的複雜性和高風險的問題,將在未來幾年內越來越多引發人們的注意。不少問題亟待解決:

  • 我們如何應對AI 在現有資料集中顯而易見的系統性偏見傾向?

  • 世界上最強大的技術人員關於人工智慧潛在風險和利益的根本分歧應該如何看待?

  • 在一個沒有工作的世界中,人類的使命感如何?

機器學習是通用人工智慧的核心,同時也將改變每一個行業,並對我們的日常生活產生巨大的影響。這就是為什麼我們認為了解機器學習是值得的。至少在概念層面上,我寫這些系列文章比較適合入門,不會有一種一來就將人拒之千里之外的感覺。

那麼講了這麼多,到底如何閱讀這個系列文章呢?

你不一定要把整個系列全部讀完,這裡我有三個建議,具體還得取決於你的興趣和時間。

1. T型方法。從頭到尾閱讀。並在每一節做總結。這種方式會讓你能更積極主動地閱讀,並且不容易遺忘。為了深入瞭解你最感興趣的內容,我們將會在每個部分的末尾提供一些參考資料供你擴充。

參考: Feynman technique

地址:https://mattyford.com/blog/2014/1/23/the-feynman-technique-model

2. 專注方法。直接閱讀你最感興趣的部分。

3. 80/20 法則。大概瀏覽全部內容, 對主要概念做筆記即可,並理解它。

對於80/20法則,可參考:

https://www.thebalance.com/pareto-s-principle-the-80-20-rule-2275148

好的,今天我們的開篇就到此,請關注AI科技大本營微信,獲取持續更新。

關於本系列文章作者的簡介:

爆款 | Medium上6900個讚的AI學習路線圖,讓你快速上手機器學習

Vishal最近在Upstart任職,這是一個利用機器學習來定價信貸,借貸過程自動化和獲取使用者的貸款平臺。他的研究主要基於如何思考創業,應用認知科學,道德哲學和人工智慧的倫理學。

Samer是UCSD的電腦科學與工程碩士生,Conigo Labs的聯合創始人。在畢業之前,他創立了TableScribe,這是中小型企業的商業智慧工具。他花了兩年的時間為麥肯錫的財富100強企業提供諮詢服務。Samer曾經在耶魯大學學習電腦科學與倫理學,政治學和經濟學。

兩人的目標是,鞏固自己對人工智慧,機器學習的理解,以及深入瞭解它們之間的融合方式 ,並希望在此過程中創造值得分享的東西。

原文地址

https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12


相關文章