近年來，隨著 Google 的 AlphaGo 打敗韓國圍棋棋手李世乭之后，機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)的熱潮席卷了整個(gè) IT 界。所有的互聯(lián)網(wǎng)公司，尤其是 Google 微軟，百度，騰訊等巨頭，無不在布局人工智能技術(shù)和市場。百度，騰訊，阿里巴巴，京東，等互聯(lián)網(wǎng)巨頭甚至都在美國硅谷大肆高薪挖掘人工智能人才。現(xiàn)在在北京，只要是機(jī)器學(xué)習(xí)算法崗位，少則月薪 20k，甚至 100k 以上……

不錯(cuò)，新時(shí)代時(shí)代來了，我們從互聯(lián)網(wǎng)走向移動(dòng)互聯(lián)網(wǎng)，現(xiàn)在又從移動(dòng)互聯(lián)網(wǎng)走向人工智能時(shí)代。業(yè)內(nèi)有人稱這一次的人工智能爆發(fā)是互聯(lián)網(wǎng) 3.0 時(shí)代的開啟。所以現(xiàn)在搞 IT 開發(fā)的工程師的不懂機(jī)器學(xué)習(xí)，就相當(dāng)于低級(jí)程序員。趕緊從基礎(chǔ)學(xué)起，入門機(jī)器學(xué)習(xí)，走進(jìn)人工智能的大門……

1. 人工智能的三起三落

20 世紀(jì) 50-70 年代，人工智能提出后，力圖模擬人類智慧，但是由于過分簡單的算法、匱乏的難以應(yīng)對(duì)不確定環(huán)境的理論，以及計(jì)算能力的限制，逐漸冷卻。

20 世紀(jì) 80 年代，人工智能的關(guān)鍵應(yīng)用——專家系統(tǒng)得以發(fā)展，但是數(shù)據(jù)較少，難以捕捉專家的隱性知識(shí)，建造和維護(hù)大型系統(tǒng)的復(fù)雜性和成本也使得人工智能漸漸不被主流計(jì)算機(jī)科學(xué)所重視。

進(jìn)入 20 世紀(jì) 90 年代，神經(jīng)網(wǎng)絡(luò)、遺傳算法等科技 “進(jìn)化” 出許多解決問題的最佳方案，于是 21 世紀(jì)前 10 年，復(fù)興人工智能研究進(jìn)程的各種要素，例如摩爾定律、大數(shù)據(jù)、云計(jì)算和新算法等，推動(dòng)人工智能在 20 世界 20 年代進(jìn)入快速增長時(shí)期。預(yù)計(jì)未來十年，會(huì)在一些難以逾越的困惑中迎來奇點(diǎn)時(shí)代的爆發(fā)式增長。

2. 新浪潮為什么會(huì)崛起

人工智能（AI）問世之初曾經(jīng)狂妄自大、令人失望，它如何突然變成當(dāng)今最熱門的技術(shù)領(lǐng)域？這個(gè)詞語首次出現(xiàn)在 1956 年的一份研究計(jì)劃書中。該計(jì)劃書寫道：“只要精心挑選一群科學(xué)家，讓他們一起研究一個(gè)夏天，就可以取得重大進(jìn)展，使機(jī)器能夠解決目前只有人類才能解決的那些問題。” 至少可以說，這種看法過于樂觀。盡管偶有進(jìn)步，但 AI 在人們心目中成為了言過其實(shí)的代名詞，以至于研究人員基本上避免使用這個(gè)詞語，寧愿用 “專家系統(tǒng)” 或者 “神經(jīng)網(wǎng)絡(luò)” 代替。“AI” 的平反和當(dāng)前的熱潮可追溯到 2012 年的 ImageNet Challenge 在線競賽。

ImageNet 是一個(gè)在線數(shù)據(jù)庫，包含數(shù)百萬張圖片，全部由人工標(biāo)記。每年一度的 ImageNet Challenge 競賽旨在鼓勵(lì)該領(lǐng)域的研究人員比拼和衡量他們?cè)谟?jì)算機(jī)自動(dòng)識(shí)別和標(biāo)記圖像方面的進(jìn)展。他們的系統(tǒng)首先使用一組被正確標(biāo)記的圖像進(jìn)行訓(xùn)練，然后接受挑戰(zhàn)，標(biāo)記之前從未見過的測試圖像。在隨后的研討會(huì)上，獲勝者分享和討論他們的技術(shù)。2010 年，獲勝的那個(gè)系統(tǒng)標(biāo)記圖像的準(zhǔn)確率為 72%（人類平均為 95%）。2012 年，多倫多大學(xué)教授杰夫 · 辛頓（Geoff Hinton）領(lǐng)導(dǎo)的一支團(tuán)隊(duì)?wèi){借一項(xiàng)名為 “深度學(xué)習(xí)” 的新技術(shù)大幅提高了準(zhǔn)確率，達(dá)到 85%。后來在 2015 年的 ImageNet Challenge 競賽中，這項(xiàng)技術(shù)使準(zhǔn)確率進(jìn)一步提升至 96%，首次超越人類。

不錯(cuò)，這一切都?xì)w功于一個(gè)概念：“深度學(xué)習(xí)（Deep Learning）”。雖然 2016 年之前，深度學(xué)習(xí)技術(shù)已經(jīng)火了起來，但是真正大爆發(fā)的事件卻是 2016 年 Google 在韓國首爾舉行的人工智能機(jī)器人 AlphaGo 與圍棋九段選手李世石之間的人機(jī)五翻棋大戰(zhàn)，最終人類最強(qiáng)選手輸給了機(jī)器人。曾幾時(shí)何，人們認(rèn)為圍棋是人類棋牌類游戲的最后的尊嚴(yán)陣地，就這樣在人工智能輕松地攻陷了人類智力的最后一塊陣地！這件事震驚了所有人。從這以后，全球?qū)W術(shù)界和工業(yè)界都躁動(dòng)了，巨頭們都在加緊布局人工智能：Google 挖來了神經(jīng)網(wǎng)絡(luò)算法的奠基人、深度學(xué)習(xí)之父 Geoffrey Hinton；Facebook 則挖到了 Hinton 的學(xué)生，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的奠基人 Yann LeCun；然而就在不到一年的時(shí)間，微軟也是說動(dòng)了一直保持中立留在學(xué)術(shù)界的深度學(xué)習(xí)領(lǐng)域三大牛的最后一位 Yoshua Bengio。當(dāng)然，國內(nèi)的互聯(lián)網(wǎng)巨頭，百度、阿里、騰訊、京東、滴滴、美團(tuán)等也都在布局 AI。其中百度更是被認(rèn)為在 AI 上已經(jīng) All In 了。

深度神經(jīng)網(wǎng)絡(luò)（DNN）

3. 機(jī)器學(xué)習(xí)是你必經(jīng)之路

入門 AI，機(jī)器學(xué)習(xí)是必須要學(xué)習(xí)的，可以這么說：機(jī)器學(xué)習(xí)是人工智能的基石和精髓。只有學(xué)好了機(jī)器學(xué)習(xí)算法原理和思想，你才算真正的入門人工智能。但是，對(duì)于非專業(yè)的半路出家的你們?cè)撊绾稳腴T？這個(gè)問題其實(shí)很難回答，因?yàn)槊總€(gè)人的目標(biāo)不一樣，技術(shù)基礎(chǔ)和數(shù)學(xué)基礎(chǔ)也都不一樣，所以因人而異。但是通常來說，學(xué)習(xí)機(jī)器學(xué)習(xí)算法，需要的必備知識(shí)還是可以羅列的。

機(jī)器學(xué)習(xí)必備基礎(chǔ)

機(jī)器學(xué)習(xí)的學(xué)習(xí)過程

對(duì)于上圖，之所以最左邊寫了『數(shù)學(xué)基礎(chǔ)』『經(jīng)典算法學(xué)習(xí)』『編程技術(shù)』三個(gè)并行的部分，是因?yàn)闄C(jī)器學(xué)習(xí)是一個(gè)將數(shù)學(xué)、算法理論和工程實(shí)踐緊密結(jié)合的領(lǐng)域，需要扎實(shí)的理論基礎(chǔ)幫助引導(dǎo)數(shù)據(jù)分析與模型調(diào)優(yōu)，同時(shí)也需要精湛的工程開發(fā)能力去高效化地訓(xùn)練和部署模型和服務(wù)。

在互聯(lián)網(wǎng)領(lǐng)域從事機(jī)器學(xué)習(xí)的人基本上屬于以下兩種背景：其中絕大部分是程序員出身，這類童鞋工程經(jīng)驗(yàn)相對(duì)會(huì)多一些；另一部分是學(xué)數(shù)學(xué)統(tǒng)計(jì)領(lǐng)域的，這部分童鞋理論基礎(chǔ)相對(duì)扎實(shí)一些。因此對(duì)比上圖，這二類童鞋入門機(jī)器學(xué)習(xí)，所欠缺和需要加強(qiáng)的部分是不一樣的。

數(shù)學(xué)

曾經(jīng)有無數(shù)的滿懷激情，誓要在機(jī)器學(xué)習(xí)領(lǐng)域有一番作為的同學(xué)，在看到公式的一刻突然就覺得自己狗帶了。是的，機(jī)器學(xué)習(xí)之所以門檻高并且顯得高大上的主要原因就是數(shù)學(xué)。每一個(gè)算法，要在訓(xùn)練集上最大程度擬合同時(shí)又保證泛化能力，需要不斷分析結(jié)果和數(shù)據(jù)，調(diào)優(yōu)參數(shù)，這需要我們對(duì)數(shù)據(jù)分布和模型底層的數(shù)學(xué)原理有一定的理解。所幸的是如果只是想合理應(yīng)用機(jī)器學(xué)習(xí)，而不是做相關(guān)方向高精尖的研究，所需要的數(shù)學(xué)知識(shí)讀完本科的理工科童鞋還是能很容易的把這些數(shù)學(xué)知識(shí)學(xué)明白的。

基本所有常見機(jī)器學(xué)習(xí)算法需要的數(shù)學(xué)基礎(chǔ)，都集中在微積分、線性代數(shù)和概率與統(tǒng)計(jì)當(dāng)中。下面我們先過一過知識(shí)重點(diǎn)，文章的后部分會(huì)介紹一些幫助學(xué)習(xí)和鞏固這些知識(shí)的資料。

微積分

微分的計(jì)算及其幾何、物理含義，是機(jī)器學(xué)習(xí)中大多數(shù)算法的求解過程的核心。比如算法中運(yùn)用到梯度下降法、牛頓法等。如果對(duì)其幾何意義有充分的理解，就能理解 “梯度下降是用平面來逼近局部，牛頓法是用曲面逼近局部”，能夠更好地理解運(yùn)用這樣的方法。

凸優(yōu)化和條件最優(yōu)化的相關(guān)知識(shí)在算法中的應(yīng)用隨處可見，如果能有系統(tǒng)的學(xué)習(xí)將使得你對(duì)算法的認(rèn)識(shí)達(dá)到一個(gè)新高度。

梯度下降法示意圖

線性代數(shù)

大多數(shù)機(jī)器學(xué)習(xí)的算法要應(yīng)用起來，依賴于高效的計(jì)算，這種場景下，程序員童鞋們習(xí)慣的多層 for 循環(huán)通常就行不通了，而大多數(shù)的循環(huán)操作可轉(zhuǎn)化成矩陣之間的乘法運(yùn)算，這就和線性代數(shù)有莫大的關(guān)系了。向量的內(nèi)積運(yùn)算更是隨處可見。矩陣乘法與分解在機(jī)器學(xué)習(xí)的主成分分析（PCA）和奇異值分解（SVD） 等部分呈現(xiàn)刷屏狀地出現(xiàn)。

奇異值分解過程示意圖

在機(jī)器學(xué)習(xí)領(lǐng)域，有相當(dāng)多的應(yīng)用與奇異值分解都有非常緊密的聯(lián)系，比如機(jī)器學(xué)習(xí)中常做 feature reduction 的 PCA，做數(shù)據(jù)壓縮（以圖像壓縮為代表）的算法，還有做搜索引擎語義層次檢索的 LSI（Latent Semantic Indexing）

概率與統(tǒng)計(jì)

從廣義來說，機(jī)器學(xué)習(xí)在做的很多事情，和統(tǒng)計(jì)層面數(shù)據(jù)分析和發(fā)掘隱藏的模式，是非常類似的。以至于傳統(tǒng)的機(jī)器學(xué)習(xí)很大一部分被稱作統(tǒng)計(jì)學(xué)習(xí)理論，這充分說明了統(tǒng)計(jì)學(xué)在機(jī)器學(xué)習(xí)領(lǐng)域的重要性。

極大似然思想、貝葉斯模型是理論基礎(chǔ)，樸素貝葉斯 (NaiveBayes)、語言模型 (Ngram)、隱馬爾科夫 (HMM)、隱變量混合概率模型是他們的高級(jí)形態(tài)。常見分布如高斯分布是混合高斯模型 (GMM) 等的基礎(chǔ)。

樸素貝葉斯算法的基本原理 經(jīng)典算法的學(xué)習(xí)

機(jī)器學(xué)習(xí)中有很多的經(jīng)典算法：感知機(jī)，KNN，樸素貝葉斯，K-Means，SVM，AdaBoost，EM，決策樹，隨機(jī)森林，GDBT，HMM……

算法這么多，那么對(duì)于初學(xué)者應(yīng)該怎么學(xué)習(xí)呢？我的答案是：分門別類很重要?；旧希瑢?duì)機(jī)器學(xué)習(xí)算法的分類普遍的觀點(diǎn)是分為三大類：有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)是指進(jìn)行訓(xùn)練的數(shù)據(jù)包含兩部分信息：特征向量 + 類別標(biāo)簽。也就是說，他們?cè)谟?xùn)練的時(shí)候每一個(gè)數(shù)據(jù)向量所屬的類別是事先知道的。在設(shè)計(jì)學(xué)習(xí)算法的時(shí)候，學(xué)習(xí)調(diào)整參數(shù)的過程會(huì)根據(jù)類標(biāo)進(jìn)行調(diào)整，類似于學(xué)習(xí)的過程中被監(jiān)督了一樣，而不是漫無目標(biāo)地去學(xué)習(xí)，故此得名。下圖中，不同顏色的點(diǎn)代表不同的類別，直線就是我們學(xué)習(xí)出來的分界面（也叫學(xué)習(xí)器，分類器）。

典型的有監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)

相對(duì)于有監(jiān)督而言，無監(jiān)督方法的訓(xùn)練數(shù)據(jù)沒有類標(biāo)，只有特征向量。甚至很多時(shí)候我們都不知道總共的類別有多少個(gè)。因此，無監(jiān)督學(xué)習(xí)就不叫做分類，而往往叫做聚類。就是采用一定的算法，把特征性質(zhì)相近的樣本聚在一起成為一類。

K-Means 算法就是一個(gè)無監(jiān)督學(xué)習(xí)算法，在它執(zhí)行前數(shù)據(jù)是每有類標(biāo)的，執(zhí)行過程中才會(huì)有類標(biāo)，但是此時(shí)類標(biāo)不固定，只有當(dāng)聚類完成后每個(gè)樣本的類標(biāo)才能固定。如下圖所示就是無監(jiān)督算法的執(zhí)行過程。

K-Means 算法聚類過程

強(qiáng)化學(xué)習(xí)

所謂強(qiáng)化學(xué)習(xí)就是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎(jiǎng)勵(lì)信號(hào) (強(qiáng)化信號(hào)) 函數(shù)值最大，強(qiáng)化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，主要表現(xiàn)在教師信號(hào)上，強(qiáng)化學(xué)習(xí)中由環(huán)境提供的強(qiáng)化信號(hào)是對(duì)產(chǎn)生動(dòng)作的好壞作一種評(píng)價(jià) (通常為標(biāo)量信號(hào))，而不是告訴強(qiáng)化學(xué)習(xí)系統(tǒng) RLS(reinforcement learning system) 如何去產(chǎn)生正確的動(dòng)作。由于外部環(huán)境提供的信息很少，RLS 必須靠自身的經(jīng)歷進(jìn)行學(xué)習(xí)。通過這種方式，RLS 在行動(dòng) - 評(píng)價(jià)的環(huán)境中獲得知識(shí)，改進(jìn)行動(dòng)方案以適應(yīng)環(huán)境。

本文是一個(gè)教你入門的方法，只是帶你領(lǐng)略了解機(jī)器學(xué)習(xí)的大致框架。不會(huì)介紹具體的算法的詳細(xì)原理與過程，所以想要深入了解可以查看相關(guān)書籍或者文獻(xiàn)。對(duì)于具體的算法屬于哪一類，并且為什么這么劃分，請(qǐng)讀者認(rèn)真學(xué)習(xí)相關(guān)的機(jī)器學(xué)習(xí)教程。

編程技術(shù)

對(duì)于編程技術(shù)學(xué)習(xí)和選擇，無非就是編程語言和開發(fā)環(huán)境。我個(gè)人的建議是Python + PyCharm。原因很簡單，Python 簡單易學(xué)，不至于讓我們把太多的時(shí)間花在語言的學(xué)習(xí)上（PS：學(xué)習(xí)機(jī)器學(xué)習(xí)的重點(diǎn)在于各個(gè)機(jī)器學(xué)習(xí)算法理論的學(xué)習(xí)和掌握）。并且 Jetbrains 公司開發(fā)的 Python 集成開發(fā)環(huán)境 PyCharm 也是非常的簡單易用。

Python 與 PyCharm

4. 你是否真的準(zhǔn)備好了？

說完了機(jī)器學(xué)習(xí)的入門過程，我得給大家潑點(diǎn)冷水。雖然說目前 AI 真的很火熱，就在剛剛，我寫累了休息看新聞的時(shí)候就有新聞推送給我：商湯科技 B 輪融資 4.5 億美元。這場革命是機(jī)遇，但是它真的適合你嗎？我可以很肯定的說，并不是所有人都適合轉(zhuǎn)行 AI。

下面是的總結(jié)，想轉(zhuǎn)行的人可以自我對(duì)照：

如果你天生感覺學(xué)習(xí)數(shù)學(xué)很吃力，并且代碼能力很一般的人。我可以很負(fù)責(zé)人的告訴你，轉(zhuǎn)行 AI，學(xué)習(xí)機(jī)器學(xué)習(xí)算法將會(huì)是你人生的災(zāi)難。對(duì)于這類猿友你一定不能轉(zhuǎn)行 AI；

如果你數(shù)學(xué)一般，但是編程能力非常好，你曾經(jīng)有著用代碼改變世界的雄心。對(duì)于這一類 猿友 ，我覺得你轉(zhuǎn)行也行，但是你一定要走應(yīng)用化的 AI 道路。因?yàn)閿?shù)學(xué)是你的天花板，你注定成不了Hinton那樣的學(xué)術(shù)大牛；

如果你數(shù)學(xué)很好，但是編程薄弱。恭喜你，你具備了轉(zhuǎn)行 AI 的先天優(yōu)勢。對(duì)于這類 猿友，我覺得你可以轉(zhuǎn)行 AI，但是你得努力把編程水平提上來。

如果你數(shù)學(xué)很牛，曾經(jīng)與菲爾茲獎(jiǎng)擦肩而過，曾經(jīng)給 Apache 頂級(jí)項(xiàng)目貢獻(xiàn) N 萬行核心代碼。恭喜你，AI 領(lǐng)域需要的就是你，你就是未來的 Hinton，吳恩達(dá)……

AI 大行其道，你準(zhǔn)備好了嗎？

近年來，隨著 Google 的 AlphaGo 打敗韓國圍棋棋手李世乭之后，機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)的熱潮席卷了整個(gè) IT 界。所有的互聯(lián)網(wǎng)公司，尤其是 Google 微軟，百度，騰訊等巨頭，無不在布局人工智能技術(shù)和市場。百度，騰訊，阿里巴巴，京東，等互聯(lián)網(wǎng)巨頭甚至都在美國硅谷大肆高薪挖掘人工智能人才?，F(xiàn)在在北京，只要是機(jī)器學(xué)習(xí)算法崗位，少則月薪 20k，甚至 100k 以上……

不錯(cuò)，新時(shí)代時(shí)代來了，我們從互聯(lián)網(wǎng)走向移動(dòng)互聯(lián)網(wǎng)，現(xiàn)在又從移動(dòng)互聯(lián)網(wǎng)走向人工智能時(shí)代。業(yè)內(nèi)有人稱這一次的人工智能爆發(fā)是互聯(lián)網(wǎng) 3.0 時(shí)代的開啟。所以現(xiàn)在搞 IT 開發(fā)的工程師的不懂機(jī)器學(xué)習(xí)，就相當(dāng)于低級(jí)程序員。趕緊從基礎(chǔ)學(xué)起，入門機(jī)器學(xué)習(xí)，走進(jìn)人工智能的大門……

1. 人工智能的三起三落

20 世紀(jì) 50-70 年代，人工智能提出后，力圖模擬人類智慧，但是由于過分簡單的算法、匱乏的難以應(yīng)對(duì)不確定環(huán)境的理論，以及計(jì)算能力的限制，逐漸冷卻。

20 世紀(jì) 80 年代，人工智能的關(guān)鍵應(yīng)用——專家系統(tǒng)得以發(fā)展，但是數(shù)據(jù)較少，難以捕捉專家的隱性知識(shí)，建造和維護(hù)大型系統(tǒng)的復(fù)雜性和成本也使得人工智能漸漸不被主流計(jì)算機(jī)科學(xué)所重視。

進(jìn)入 20 世紀(jì) 90 年代，神經(jīng)網(wǎng)絡(luò)、遺傳算法等科技 “進(jìn)化” 出許多解決問題的最佳方案，于是 21 世紀(jì)前 10 年，復(fù)興人工智能研究進(jìn)程的各種要素，例如摩爾定律、大數(shù)據(jù)、云計(jì)算和新算法等，推動(dòng)人工智能在 20 世界 20 年代進(jìn)入快速增長時(shí)期。預(yù)計(jì)未來十年，會(huì)在一些難以逾越的困惑中迎來奇點(diǎn)時(shí)代的爆發(fā)式增長。

2. 新浪潮為什么會(huì)崛起

人工智能（AI）問世之初曾經(jīng)狂妄自大、令人失望，它如何突然變成當(dāng)今最熱門的技術(shù)領(lǐng)域？這個(gè)詞語首次出現(xiàn)在 1956 年的一份研究計(jì)劃書中。該計(jì)劃書寫道：“只要精心挑選一群科學(xué)家，讓他們一起研究一個(gè)夏天，就可以取得重大進(jìn)展，使機(jī)器能夠解決目前只有人類才能解決的那些問題。” 至少可以說，這種看法過于樂觀。盡管偶有進(jìn)步，但 AI 在人們心目中成為了言過其實(shí)的代名詞，以至于研究人員基本上避免使用這個(gè)詞語，寧愿用 “專家系統(tǒng)” 或者 “神經(jīng)網(wǎng)絡(luò)” 代替。“AI” 的平反和當(dāng)前的熱潮可追溯到 2012 年的 ImageNet Challenge 在線競賽。

ImageNet 是一個(gè)在線數(shù)據(jù)庫，包含數(shù)百萬張圖片，全部由人工標(biāo)記。每年一度的 ImageNet Challenge 競賽旨在鼓勵(lì)該領(lǐng)域的研究人員比拼和衡量他們?cè)谟?jì)算機(jī)自動(dòng)識(shí)別和標(biāo)記圖像方面的進(jìn)展。他們的系統(tǒng)首先使用一組被正確標(biāo)記的圖像進(jìn)行訓(xùn)練，然后接受挑戰(zhàn)，標(biāo)記之前從未見過的測試圖像。在隨后的研討會(huì)上，獲勝者分享和討論他們的技術(shù)。2010 年，獲勝的那個(gè)系統(tǒng)標(biāo)記圖像的準(zhǔn)確率為 72%（人類平均為 95%）。2012 年，多倫多大學(xué)教授杰夫 · 辛頓（Geoff Hinton）領(lǐng)導(dǎo)的一支團(tuán)隊(duì)?wèi){借一項(xiàng)名為 “深度學(xué)習(xí)” 的新技術(shù)大幅提高了準(zhǔn)確率，達(dá)到 85%。后來在 2015 年的 ImageNet Challenge 競賽中，這項(xiàng)技術(shù)使準(zhǔn)確率進(jìn)一步提升至 96%，首次超越人類。

不錯(cuò)，這一切都?xì)w功于一個(gè)概念：“深度學(xué)習(xí)（Deep Learning）”。雖然 2016 年之前，深度學(xué)習(xí)技術(shù)已經(jīng)火了起來，但是真正大爆發(fā)的事件卻是 2016 年 Google 在韓國首爾舉行的人工智能機(jī)器人 AlphaGo 與圍棋九段選手李世石之間的人機(jī)五翻棋大戰(zhàn)，最終人類最強(qiáng)選手輸給了機(jī)器人。曾幾時(shí)何，人們認(rèn)為圍棋是人類棋牌類游戲的最后的尊嚴(yán)陣地，就這樣在人工智能輕松地攻陷了人類智力的最后一塊陣地！這件事震驚了所有人。從這以后，全球?qū)W術(shù)界和工業(yè)界都躁動(dòng)了，巨頭們都在加緊布局人工智能：Google 挖來了神經(jīng)網(wǎng)絡(luò)算法的奠基人、深度學(xué)習(xí)之父 Geoffrey Hinton；Facebook 則挖到了 Hinton 的學(xué)生，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的奠基人 Yann LeCun；然而就在不到一年的時(shí)間，微軟也是說動(dòng)了一直保持中立留在學(xué)術(shù)界的深度學(xué)習(xí)領(lǐng)域三大牛的最后一位 Yoshua Bengio。當(dāng)然，國內(nèi)的互聯(lián)網(wǎng)巨頭，百度、阿里、騰訊、京東、滴滴、美團(tuán)等也都在布局 AI。其中百度更是被認(rèn)為在 AI 上已經(jīng) All In 了。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。