桑德伯格曾说:如果有机会坐上火箭,就不要在意坐哪个位置。是的,一个人再努力,努力不过趋势。站在时间源头附近才能感知时代的脉动。我听到了 VC、产业界吹捧的人工智能,亦有粮草先行的中国脑计划。在毕业致谢中写道,花三年时间研修一个社会大学硕士学位,专业选了现在入门的「深度学习」。
刚开始接触这个方向,完全没有概念,只知道人工智能这四个词怎么写,剩下的机器学习、CV、深度学习,那是什么。有趣的是,我连人工智能的四种写法都不知道,不自量力的投了 50 多份算法工程师岗位,结果可想而知。现在在一家 AI 和脑认知科学交叉的黑科技公司,靠着「情境学习」,每天和公司的算法工程师取经,学习到了很多黑话,像极了雾里看花的参悟。
学习科学大量研究表明,成人最佳学习方式并非独自练习,而是在情境中学习。尤其学习相关的隐形知识。有效学习是进入相关情景,找到自己的「学习共同体」,然后学习者刚开始围绕重要成员转,做一些外围的工作,随着技能增长,进入学习共同体圈子的核心,逐步做更重要的工作,最终成为专家。
读完《终极算法》这本书,作者将机器学习分为不同的流派。
机器学习 5 个学派:
- 符号学派将学习看作逆向演绎,并从哲学、心理学、逻辑学中寻求洞见;
- 联结学派对大脑进行逆向分析,灵感来源于神经科学和物理学;
- 进化学派在计算机上模拟进化,并利用遗传学和进化生物学知识;
- 贝叶斯学派认为学习是一种概率推理形式,理论根基在于统计学;
- 类推学派通过对相似性判断的外推来进行学习,并受心理学和数学最优化的影响。
不同流派的主算法:
- 符号学派主算法:逆向演绎;
- 联结学派主算法:反向传播;
- 进化学派主算法:遗传编程;
- 贝叶斯学派主算法:贝叶斯推理;
- 类推学派:支持向量机。
读后以为对机器学习有了一个最小的全局认识,这不和人格的那些流派异曲同工吗,感觉自己入门有望了。和同事验证,同事说 AI 里没有这种说法,都是效果导向,谁的结果准确就用谁的。现在的神经网络就是准确率和泛化性能很好,被大家各种应用。
细细想来,说的也对。人工智能是应用性很强的产业,燃料是 label、data、超参、模型,迭代转化率。好吧,还是要扑到大花书上。
ChangeLog
- 191028 ZAPP 创建初稿,部分不成形想法。