吴恩达：机器学习和人工智能的未来.doc

《吴恩达：机器学习和人工智能的未来.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、吴恩达：机器学习和人工智能的未来　　当然，作为前百度首席科学家，吴恩达还提到了他曾做出的功绩。离开百度后，吴恩达选择了自己创业，陆续创立了三个人工智能项目：Deeplearning.ai，Landing.ai以及AIFund。　　同样作为人工智能领域最权威的学者之一，吴恩达依然在为促进机器学习研究的发展而努力。通过网络课程，他目前已向数百万学生讲授了AI吴恩达：机器学习和人工智能的未来　　当然，作为前百度首席科学家，吴恩达还提到了他曾做出的功绩。离开百度后，吴恩达选择了自己创业，陆续创立了三个人工智能项目：Deeplearning.ai，Landing.a

2、i以及AIFund。　　同样作为人工智能领域最权威的学者之一，吴恩达依然在为促进机器学习研究的发展而努力。通过网络课程，他目前已向数百万学生讲授了AI内容。　　以下为对话内容，AI科技大本营听译　　一、机器学习分类及其经济价值　　Greymatter：回顾您的工作，特别是机器学习技术的应用方面的，这些技术可以大概划分为监督式学习、无监督式学习、强化学习和迁移学习。您能谈谈这些现在技术以及如何使用它们吗？　　吴恩达：人工智能目前具有巨大的经济价值，事实上，它是我们在处理不同情景的大型工具集合，主要有两类不同的问题：　　随着现代人工智能的兴起，我认为它带来的绝

3、大部分经济价值是通过监督式学习技术而来的，也就是学习从输入到输出的映射关系。比如，将电子邮件作为输入，判断这封电子邮件是否是垃圾邮件作为输出；或将广告作为输入，判断用户是否会点击这个广告作为输出；再或者在自动驾驶汽车中，输入一张汽车正前方的图片，输出能够告诉我其他汽车的位置等诸如此类的应用场景。通过去探索合适的业务环境，并从中挖掘从输入到输出的映射关系和讨论监督式学习，事实证明这是非常有价值的。　　另一个技术大类是迁移学习、无监督式学习和强化学习。　　什么是迁移学习呢？假设你想要读取用于放射学问题的x射线图片，但没有足够的x射线图片，那么这时想要获得一种适

4、用的监督式学习算法也许是很有难度的。迁移学习是一种能让你从海量数据集中学习的技术，例如猫、人、行人和标准陆地目标的海量图像数据集。　　因为你能轻松获取大量包含这种目标的图像，迁移学习技术将从这个图像环境中学到的知识迁移到新的图像环境中，用来帮助完成新环境中的学习任务。所以最终当你的人工智能系统读取一些额外的图像时，即使是更小的数据集，它也能够从x射线图像中进行识别和诊断。　　无监督学习是另一种让人们为之兴奋的技术。假使计算机本地加载数据，并且能告诉我们，“本计算机通过看这个数据，能够弄明白数据关系”，这对于少数应用程序而言是非常有用的。　　举例来说，目前很

5、多网络搜索算法或实际操作文本的算法，比如网页搜索，或聊天机器人使用的一种无监督算法。在没有人真正意义上告诉你应该学什么的情况下，这种无监督算法通过在互联网上阅读大量的文本进行学习。关于词汇意思，这涉及到很多东西，无监督学习能从互联网上学会理解词汇的意思。事实证明，这些人工智能算法能使聊天机器人在网页搜索方面变得更好。　　强化学习是这样一种技术类型，在生产产品的实例中，我认为能够切实运用这种技术的实例数量远比公关报道中的少。其实，强化学习就像你训练猫或狗的方式，无论你会让狗去做什么，只要是好的行为，你就会告诉它，你做的很棒；反之，只要是不好的行为，你就会告诉

6、它，你这条坏狗。一段时间之后，你的狗将会知道如何做更多正确的事。　　事实证明，强化学习对学习玩象棋和跳棋等游戏非常有用，因为，无论何时当电脑赢得比赛的时候，你都会告诉它做得好；反之在当电脑输掉比赛时，你都会告诉它，这次做得不好。经过一段时间之后，电脑将擅长玩这些游戏。　　因此，根据当前技术所创造的经济价值而言，我会将监督学习排在首位，其算法通过学习从输入到输出的映射关系实现。其次是迁移学习，从一个对应关系推广到另一个对应关系，接着是无监督学习。然后是强化学习，就目前创造的经济价值而言，强化学习的运用与实际经济价值相比有很大的差距。但人工智能领域正在高速发展

7、，谁知道这个排名会不会被打破呢，谁知道接下来两年可能会迎来怎样的彻底的变化呢？　　Greymatter：那么就对世界的影响而言，或就解决新问题的有效性而言，您认为目前机器学习研究在哪些其他领域也很有发展前景？　　吴恩达：在深度学习中，最近取得的最新进展是通过GAN（生成对抗网络）来进行数据合成。令人惊讶的是，在全新的场景下，我们能重新准确地合成人们的照片；或者，根据你对人们特征的模糊描述，我们能够合成这些人的图片，也许你并不认识这些人。而且，我认为技术对娱乐产业造成的影响也可能带动影响别的行业，但在云学习方面的影响还有待观察。　　我在哈佛大学时的团队Bra

8、inTeam在这方面做了很多研究，从真正意义上采用机器学习技术来加