在上個月發(fā)表博客文章《深度學習 vs. 機器學習 vs. 模式識別》之后，CMU博士、MIT博士后及vision.ai聯(lián)合創(chuàng)始人Tomasz Malisiewicz這一次帶領(lǐng)我們回顧50年來人工智能領(lǐng)域三大范式(邏輯學、概率方法和深度學習)的演變歷程。通過本文我們能夠更深入地理解人工智能和深度學習的現(xiàn)狀與未來。

成都創(chuàng)新互聯(lián)公司是專業(yè)的撫順網(wǎng)站建設(shè)公司，撫順接單;提供成都做網(wǎng)站、網(wǎng)站設(shè)計,網(wǎng)頁設(shè)計,網(wǎng)站設(shè)計,建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進行撫順網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團隊,希望更多企業(yè)前來合作!

以下為正文：

今天，我們一起來回顧過去50年人工智能(AI)領(lǐng)域形成的三大范式：邏輯學、概率方法和深度學習。如今，無論依靠經(jīng)驗和“數(shù)據(jù)驅(qū)動”的方式，還是大數(shù)據(jù)、深度學習的概念，都已經(jīng)深入人心，可是早期并非如此。很多早期的人工智能方法是基于邏輯，并且從基于邏輯到數(shù)據(jù)驅(qū)動方法的轉(zhuǎn)變過程受到了概率論思想的深度影響，接下來我們就談?wù)勥@個過程。

本文按時間順序展開，先回顧邏輯學和概率圖方法，然后就人工智能和機器學習的未來走向做出一些預(yù)測。

圖片來源：Coursera的概率圖模型課

1. 邏輯和算法 (常識性的“思考”機)

許多早期的人工智能工作都是關(guān)注邏輯、自動定理證明和操縱各種符號。John McCarthy于1959年寫的那篇開創(chuàng)性論文取名為《常識編程》也是順勢而為。

如果翻開當下最流行的AI教材之一——《人工智能：一種現(xiàn)代方法》(AIMA)，我們會直接注意到書本開篇就是介紹搜索、約束滿足問題、一階邏輯和規(guī)劃。第三版封面(見下圖)像一張大棋盤(因為棋藝精湛是人類智慧的標志)，還印有阿蘭·圖靈(計算機理論之父)和亞里士多德(最偉大的古典哲學家之一，象征著智慧)的照片。

AIMA 的封面，它是CS專業(yè)本科AI課程的規(guī)范教材

然而，基于邏輯的AI遮掩了感知問題，而我很早之前就主張了解感知的原理是解開智能之謎的金鑰匙。感知是屬于那類對于人很容易而機器很難掌握的東西。(《計算機視覺當屬人工智能》，作者2011年的博文)邏輯是純粹的，傳統(tǒng)的象棋機器人也是純粹算法化的，但現(xiàn)實世界卻是丑陋的，骯臟的，充滿了不確定性。

我想大多數(shù)當代人工智能研究者都認為基于邏輯的AI已經(jīng)死了。萬物都能完美觀察、不存在測量誤差的世界不是機器人和大數(shù)據(jù)所在的真實世界。我們生活在機器學習的時代，數(shù)字技術(shù)擊敗了一階邏輯。站在2015年，我真是替那些死守肯定前件拋棄梯度下降的傻子們感到惋惜。

邏輯很適合在課堂上講解，我懷疑一旦有足夠的認知問題成為“本質(zhì)上解決”，我們將看到邏輯學的復(fù)蘇。未來存在著很多開放的認知問題，那么也就存在很多場景，在這些場景下社區(qū)不用再擔心認知問題，并開始重新審視這些經(jīng)典的想法。也許在2020年。

《邏輯與人工智能》斯坦福哲學百科全書

2. 概率，統(tǒng)計和圖模型(“測量”機)

概率方法在人工智能是用來解決問題的不確定性?！度斯ぶ悄?一種現(xiàn)代方法》一書的中間章節(jié)介紹“不確定知識與推理”，生動地介紹了這些方法。如果你第一次拿起AIMA，我建議你從本節(jié)開始閱讀。如果你是一個剛剛接觸AI的學生，不要吝嗇在數(shù)學下功夫。

來自賓夕法尼亞州立大學的概率論與數(shù)理統(tǒng)計課程的PDF文件

大多數(shù)人在提到的概率方法時，都以為只是計數(shù)。外行人很容易想當然地認為概率方法就是花式計數(shù)方法。那么我們簡要地回顧過去統(tǒng)計思維里這兩種不相上下的方法。

頻率論方法很依賴經(jīng)驗——這些方法是數(shù)據(jù)驅(qū)動且純粹依靠數(shù)據(jù)做推論。貝葉斯方法更為復(fù)雜，并且它結(jié)合數(shù)據(jù)驅(qū)動似然和先驗。這些先驗往往來自第一原則或“直覺”，貝葉斯方法則善于把數(shù)據(jù)和啟發(fā)式思維結(jié)合做出更聰明的算法——理性主義和經(jīng)驗主義世界觀的完美組合。

最令人興奮的，后來的頻率論與貝葉斯之爭，是一些被稱為概率圖模型的東西。該類技術(shù)來自計算機科學領(lǐng)域，盡管機器學習現(xiàn)在是CS和統(tǒng)計度的重要組成部分，統(tǒng)計和運算結(jié)合的時候它強大的能力才真正釋放出來。

概率圖模型是圖論與概率方法的結(jié)合產(chǎn)物，2000年代中期它們都曾在機器學習研究人員中風靡一時。當年我在研究生院的時候(2005-2011)，變分法、Gibbs抽樣和置信傳播算法被深深植入在每位CMU研究生的大腦中，并為我們提供了思考機器學習問題的一個極好的心理框架。我所知道大部分關(guān)于圖模型的知識都是來自于Carlos Guestrin和Jonathan Huang。Carlos Guestrin現(xiàn)在是GraphLab公司(現(xiàn)改名為Dato)的CEO，這家公司生產(chǎn)大規(guī)模的產(chǎn)品用于圖像的機器學習。Jonathan Huang現(xiàn)在是Google的高級研究員。

下面的視頻盡管是GraphLab的概述，但它也完美地闡述了“圖形化思維”，以及現(xiàn)代數(shù)據(jù)科學家如何得心應(yīng)手地使用它。Carlos是一個優(yōu)秀的講師，他的演講不局限于公司的產(chǎn)品，更多的是提供下一代機器學習系統(tǒng)的思路。

概率圖模型的計算方法介紹(視頻和PPT下載)

Dato CEO，Carlos Guestrin教授

如果你覺得深度學習能夠解決所有機器學習問題，真得好好看看上面的視頻。如果你正在構(gòu)建一套推薦系統(tǒng)，一個健康數(shù)據(jù)分析平臺，設(shè)計一個新的交易算法，或者開發(fā)下一代搜索引擎，圖模型都是完美的起點。

當前文章：深度學習vs.概率圖模型vs.邏輯學
文章路徑：http://jinyejixie.com/article36/sohosg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供建站公司、微信小程序、動態(tài)網(wǎng)站、網(wǎng)站策劃、外貿(mào)建站、定制開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)