在曩昔的幾個月中，我與許多的決議計劃者交換了有關人工智能特殊是機械進修方面的成績。個中有幾名高管曾經被投資者訊問了有關他們在機械進修(Machine Learning)方面的計謀，和在哪些方面應用了機械進修。那末這個技巧課題為何忽然會成為公司董事會評論辯論的話題呢?

  盤算機應當為人類處理成績。傳統的辦法是“編寫”所需的法式，換句話說，就是我們教電腦成績處理的算法。該算法具體描寫懂得決成績的進程，就像食譜一樣。許多義務都可以用算法來描寫。例如，在小學里，我們進修了數字加法算法。當觸及到要疾速、完善地運轉這類算法時，盤算機比人類更勝任這個任務。

  
  但是，這個成績處理的進程是有局限性的。我們若何辨認一張貓的照片呢?這個看起來很簡略的義務卻難以用一種算法來描寫。讓我們稍等少焉，細心想一想。即便是簡略的解釋(如“有四條腿”或“有兩只眼睛”)也有其缺陷，由于這些特色能夠會被隱蔽，或照片能夠只顯示了貓的一部門。假如我們碰到辨認腿或眼睛的義務時，那與辨認貓一樣的艱苦。
  
  這恰是機械進修展示其實力的處所。盤算機不須要開辟算法來處理成績，而是應用示例來進修算法自己。我們用樣原來練習盤算機。關于辨認貓這個例子，我們須要應用年夜量的標注了貓的照片來練習體系(監視進修)。經由過程這類方法，算法會產生退化，繼而成熟，并終究可以或許辨認出生疏圖片上的貓。
  
  現實上，在這類情形下，盤算機平日不會進修經典法式，乃至都不會進修模子中的參數，例如收集中的邊沿權重。這個道理可以與我們年夜腦(包括了神經元)的進修進程比擬較。像年夜腦一樣，與傳統法式分歧，這類具有邊沿權重的收集簡直弗成能被人類所懂得。

  

  在這類情形下，被稱為深度進修的人工神經收集進修辦法獲得了偉大的勝利。深度進修是一種特別的機械進修，反過去又是人工智能的一門學科，是盤算機迷信研討的重要分支。早在2012年，谷歌研討小構成功地練習了一個具有16000臺盤算機，并從1000萬段YouTube視頻中辨認貓(和其他對象種別)的收集。他們采取的就是深度進修技巧。

  
  很多與演習有關的成績更偏向于屬于“辨認貓”這個種別，而不是“數字加法”，是以，很難用人類編寫的算法來處理這些成績。這些成績平日是在某些數據中辨認形式，例如辨認圖象中的對象、說話中的文本或生意業務數據中的訛詐行動。
  
  這里有一個簡略的例子，我們來看一下猜測性保護。想象一下很多傳感器正在發送數據流，有時，某些機械會產生毛病。如今的困難就是進修招致毛病的數據流的形式。一旦學會了這類形式，便可以在正常操作時代辨認出這類形式，從而預防潛伏的毛病。
  
  固然機械進修的道理其實不新穎，但今朝深受年夜眾的追捧。這重要有三個緣由：起首，用于運用和練習的年夜量數據的可用性(“年夜數據”);其次，我們如今具有偉大的盤算才能，特殊是在云端;第三，一系列的開源項目使得每一個人或多或少會應用一些算法。（本文援用地址：http://www.eepw.com.cn/article/201711/370980.htm）