|
銅靈 編譯整理 量子位 出品 | 公眾號 QbitAI 誰說理解機器學(xué)習(xí)必須要熟讀高數(shù)？ 近日，數(shù)據(jù)科學(xué)Kyle在Medium發(fā)布博客表示，理解機器學(xué)習(xí)在做的事情，有初中數(shù)學(xué)知識足矣。 這篇博客簡潔易懂、幽默風(fēng)趣，在Medium上幾天內(nèi)獲得600多贊。量子位將文章翻譯整理如下，與大家分享： 當(dāng)下理解我們?nèi)斯ぶ悄艿姆绞酵ǔ１容^極端，要么通過媒體，越來越聳人聽聞的觀點讓人難以想象。要么通過文獻，充滿晦澀語言和特定術(shù)語的論文讓人難以理解。 理解AI的正確姿勢應(yīng)該在兩個極端之間，這就需要你在新聞或文獻之外理性判斷，對于一般人來說，至少應(yīng)該知道AI是什么。 這幾乎是沒有門檻的，我認(rèn)為理解AI，中學(xué)數(shù)學(xué)知識就足夠了。這篇文章我將簡化人工智能中的數(shù)學(xué)，帶你撥開云霧看本質(zhì)。 簡單版AI和機器學(xué)習(xí)概念能模仿人類的智慧，這是最具代表性的AI的定義。 AI可以有多重“形態(tài)”，從虛擬游戲里的機器人、谷歌DeepMind開發(fā)的下圍棋程序AlphaGo，到現(xiàn)實世界里索菲亞這樣的人型機器人，這都是AI“寄生”的場所。 那AI和相關(guān)報道中經(jīng)常提到的機器學(xué)習(xí)和深度學(xué)習(xí)是什么關(guān)系，請看下面這張圖：  人工智能（AI）：泛指任何可以讓計算機模擬人類智慧的技術(shù)，可以通過邏輯、if-then等規(guī)則、決策樹和機器學(xué)習(xí)（包括深度學(xué)習(xí)）等方法實現(xiàn)。 機器學(xué)習(xí)：AI的一個子分類，讓機器通過真實世界的數(shù)據(jù)去“學(xué)習(xí)”，而非單調(diào)執(zhí)行預(yù)先設(shè)定的規(guī)則。 深度學(xué)習(xí)：機器學(xué)習(xí)的子類，包含一系列算法。機器通過多層神經(jīng)網(wǎng)絡(luò)去處理數(shù)據(jù)，自己學(xué)習(xí)去執(zhí)行任務(wù)。在語言和圖像識別等任務(wù)中經(jīng)常看到。 發(fā)現(xiàn)了么，機器學(xué)習(xí)的最大特色之一，就是它的“學(xué)習(xí)”方式不同了。這里的“學(xué)習(xí)”，其實也沒有看起來那樣有未來感，你在初中可能就已經(jīng)接觸過了。 如果你看過《黑鏡》里類似的橋段，就比較容易將現(xiàn)在AI可視化成一個有意識的實體，一個有思想、感覺、可以做出復(fù)雜決策的物體。 在媒體的報道中這種觀念更為普遍，甚至經(jīng)常會把AI人格化，然后將其與電影《終結(jié)者》里的天網(wǎng)（Skynet）和《黑客帝國》里的Matrix相提并論。  實際上這都不是真的。在現(xiàn)階段AI就是數(shù)學(xué)。有時是高難度的數(shù)學(xué)，有時需要擴展到計算機科學(xué)、統(tǒng)計學(xué)等其他領(lǐng)域的知識。但AI的核心是一種數(shù)學(xué)函數(shù)。 也就是說，機器學(xué)習(xí)可以從y=mx+b這個方程式來理解。如下圖所示，我們已經(jīng)知道了x值y值，此時需要讓一臺計算機通過輸入（x）和輸出（y）去思考兩者之間的關(guān)系，推斷出m和b的值。  這個公式推斷起來不難吧，y=1x+1，小學(xué)生也會做。就是這樣，我們創(chuàng)造一個公式來描述所給的數(shù)據(jù)，這大體上也是機器學(xué)習(xí)在做的事情。 這之間最有趣的部分就是，怎樣教機器選擇最適合這些數(shù)據(jù)的公式。一旦找到這其中的關(guān)聯(lián)，你還可以將它用圖表的形式表現(xiàn)出來。 你不懂的數(shù)學(xué)，拿給機器去做吧y=1x+1是個非常簡單的例子，我們需要機器學(xué)習(xí)最主要的原因是，人類無法在數(shù)百萬量級的數(shù)據(jù)點中找到合適的公式，這就是計算機要去做的事了。 無論如何，必須有足夠多的數(shù)據(jù)才能找到正確的公式。如果我們僅僅有x=1和y=2兩個數(shù)據(jù)點，輸出的函數(shù)也是千變?nèi)f化的，可能是y=2x，可能是y=x+1,，也可能是y=([x+1]*5–9)? + 1等等。 根據(jù)少量數(shù)據(jù)構(gòu)建公式，然后把它用到更多數(shù)據(jù)上，這個公式可能會出現(xiàn)大量錯誤。 并且，現(xiàn)實世界總不可能一直這么完美。在下面這個動圖中可以看到，機器會在一堆數(shù)據(jù)中進行取舍，探索怎樣最大化去滿足這些數(shù)據(jù)，進而才去創(chuàng)造公式。 和數(shù)學(xué)課上那些規(guī)律輸入和輸出值不同，真實世界的數(shù)據(jù)更不可預(yù)測，也更“參差不齊”。  △ 最佳公式 當(dāng)面對一堆變量時，人類找出合適公式的可能性更小了。只有x和y很容易，但如果y受x的1次方、2次方、100次方的影響呢？ 人類就hold不住了，但計算機可以。 現(xiàn)實生活中的機器學(xué)習(xí)和AI來看一個現(xiàn)實生活中的例子。我在制藥領(lǐng)域工作，就舉個癌癥相關(guān)數(shù)據(jù)集的例子好了。 這個數(shù)據(jù)集中有兩個關(guān)于腫瘤大小的輸入變量，即半徑和周長，以及兩個潛在的輸出，即良性腫瘤和惡性腫瘤。用我們上述思路來考慮，這事就是這樣的：
那么這個線性方程長什么樣？其實和上面的例子也沒什么太大區(qū)別： 診斷結(jié)果=（某數(shù)1×半徑）+（某數(shù)2×周長）+b 這樣看來，這道題已經(jīng)脫離了人類能力的范圍了，所以不用費時間去找這么多變量與結(jié)果的關(guān)系了，我們可以讓機器去做，這之間就是機器學(xué)習(xí)！ 傳送門博客原文地址： https:///s/story/machine-learning-for-anyone-who-took-math-in-8th-grade-60fa9198b5eb — 完 — |
|
|
