新闻 
机器学习正在重塑我们的世界
机器学习正在重塑我们的世界机器学习正在重塑我们的世界
2015年9月，华盛顿大学计算机科学教授、国际机器学习学会创始人之一佩德罗·多明戈斯（Pedro Domingos）出版了一本新书《The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World》。2017年1月中信出版集团出版了这本书的中文版，书名被译为《终极算法：机器学习和人工智能如何重塑世界》。咋一看，我对这个中文版的书名颇不以为然——向来我对网络上流行的“标题党”的极端用词很反感。后来浏览了这本书，感到这样的译名，确实反映了作者的某种追求。
在英文版出版时，多明戈斯曾经介绍他出版的新书的两个原因：其一，实际需要——机器学习是当前社会关注的话题。但是，大多数人并不真正理解这个话题。其二，统一——机器学习主要算法有五大学派：符号主义（基于逻辑学，逆向演绎）、联结主义（基于神经科学，反向传播）、进化主义（基于进化生物学，遗传编码）、贝叶斯派（基于统计学，概率推理）和行为类推主义（基于心理学，支持向量机）。作者正在思考如何努力统一各个学派，寻求形成单一通用的学习算法。
在世界顶尖的研究实验室和大学里，发明“终极”学习算法的竞赛正在开展：能够从数据中发现任何知识，并在我们还没有提出要求之前，就能够为做任何我们想做的事情的算法。在书中，多明戈斯为我们揭开面纱看谷歌、Amazon和你的智能手机里的机器学习。多明戈斯教授自己并不确定这种算法会在明天或多年后被发现，或者永远不被发现。但他确实认为，未来几年里，将看到五个学派中最好的部分被结合在一起。
虽然这篇博文的题目仿照了多明戈斯的这本书中文版书名的副题，但是，我们并不准备对未来是否会诞生终极算法进行预测。新技术的影响难以预测，新技术突破更不是按照预测和规划出现的。我们重点在回顾过去十年间机器学习技术进步，并讨论机器学习正在对我们的世界发生的影响。
在过去十年间，机器学习技术最大的进步，当属联结主义学派的深度学习算法。深度学习的策略是模拟神经元，并将之组织成多个层次。例如，对于人脸识别而言，一张图片输入到深度学习系统时，系统的第一层仅简单区分其中的明暗像素点，下一层可能就将某些像素点构成了边界，再往下一层就能区别水平和垂直线条，最后一层能识别出眼睛，并且会认识到人脸中通常有的两只眼睛。许多研究人员认为，深度学习是个很好的解决方案。
2006年，计算机科学家杰夫?辛顿（Geoffrey Hinton）在《科学》杂志上发表了有关深度学习的论文。2009年，辛顿小组在语音识别领域获得突破。
2011年，谷歌的研究人员从YouTube视频中抽取了1000万张静态图片，训练谷歌大脑（谷歌大脑是一个采用深度学习技术的大型神经网络，由1000台计算机组成），在这些图片中寻找重复出现的模式。几天后，谷歌大脑在没有人类帮助的情况下，从这些图片中识别出“猫”。2012年，深度学习技术在图像识别领域取得惊人的成果，在ImageNet评测上将错误率从26%降低到15%。同年，制药公司将深度神经网络应用于药物活性预测问题取得世界范围内最好结果。这些事件被认为是深度学习技术发展的一个里程碑。
2013年4月，《MIT技术评论》杂志将深度学习列为2013年十大突破性技术之首。
2016年3月15日，谷歌的人工智能程序AlphaGo以4比1的比分打败围棋世界冠军、九段专业棋手李世石。2017年5月27日，AlphaGo在与被称为当今世界围棋第一人的中国棋手柯洁三番围棋较量中，以3比0完胜。这样的结果出乎人工智能领域的专家的预料——人工智能领域的专家原认为人工智能距离对一个顶级职业球员的取胜还有10年之遥!这样的结果也使得大众折服于AlphaGo背后的人工智能机器学习技术——深度学习竟会如此厉害！更使得人工智能机器学习益发成为公众关切的焦点。AlphaGo在人机围棋大战中大获全胜，得益于深度学习算法。AlphaGo的深度学习技术架构采用的是把人工神经网络的层级大大增加，提升了计算能力。
除了联结主义学派深度学习算法外，其它学派也正在取得进展。例如，贝叶斯学派的概率图模型。概率图模型可追溯到朱迪雅·珀尔（Judea Pearl）在20世纪80年代发明用图来表示变量概率依赖关系的理论——结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。近10年来，概率图模型成为不确定性推理的研究热点，在人工智能、机器学习和计算机视觉等领域展现了广阔的应用前景。2012年珀尔获得图灵奖，这是计算机科学领域的诺贝尔奖。2013年以来，概率图模型已经成为计算机视觉领域基本建模工具。
还值得一提的是，2009年MIT出版社出版了美国斯坦福大学教授科勒和以色列希伯来大学教授弗里德的专着《Probabilistic Graphical Models: Principles and Techniques》，2015年其中文版《概率图模型：原理与技术》由清华大学出版社出版。这是机器学习和人工智能领域一部里程碑式的着作，全面描述和总结概率图模型这一领域的基础知识和最新进展。
不错的新闻，我要点赞
还没人说话啊，我想来说几句
在英文版出版时，多明戈斯曾经介绍他出版的新书的两个原因：其一，实际需要——机器学习是当前社会关注的话题。但是，大多数人并不真正理解这个话题。其二，统一——机器学习主要算法有五大学派：符号主义（基于逻辑学，逆向演绎）、联结主义（基于神经科学，反向传播）、进化主义（基于进化生物学，遗传编码）、贝叶斯派（基于统计学，概率推理）和行为类推主义（基于心理学，支持向量机）。作者正在思考如何努力统一各个学派，寻求形成单一通用的学习算法。
在世界顶尖的研究实验室和大学里，发明“终极”学习算法的竞赛正在开展：能够从数据中发现任何知识，并在我们还没有提出要求之前，就能够为做任何我们想做的事情的算法。在书中，多明戈斯为我们揭开面纱看谷歌、Amazon和你的智能手机里的机器学习。多明戈斯教授自己并不确定这种算法会在明天或多年后被发现，或者永远不被发现。但他确实认为，未来几年里，将看到五个学派中最好的部分被结合在一起。
虽然这篇博文的题目仿照了多明戈斯的这本书中文版书名的副题，但是，我们并不准备对未来是否会诞生终极算法进行预测。新技术的影响难以预测，新技术突破更不是按照预测和规划出现的。我们重点在回顾过去十年间机器学习技术进步，并讨论机器学习正在对我们的世界发生的影响。
在过去十年间，机器学习技术最大的进步，当属联结主义学派的深度学习算法。深度学习的策略是模拟神经元，并将之组织成多个层次。例如，对于人脸识别而言，一张图片输入到深度学习系统时，系统的第一层仅简单区分其中的明暗像素点，下一层可能就将某些像素点构成了边界，再往下一层就能区别水平和垂直线条，最后一层能识别出眼睛，并且会认识到人脸中通常有的两只眼睛。许多研究人员认为，深度学习是个很好的解决方案。
2006年，计算机科学家杰夫?辛顿（Geoffrey Hinton）在《科学》杂志上发表了有关深度学习的论文。2009年，辛顿小组在语音识别领域获得突破。
2011年，谷歌的研究人员从YouTube视频中抽取了1000万张静态图片，训练谷歌大脑（谷歌大脑是一个采用深度学习技术的大型神经网络，由1000台计算机组成），在这些图片中寻找重复出现的模式。几天后，谷歌大脑在没有人类帮助的情况下，从这些图片中识别出“猫”。2012年，深度学习技术在图像识别领域取得惊人的成果，在ImageNet评测上将错误率从26%降低到15%。同年，制药公司将深度神经网络应用于药物活性预测问题取得世界范围内最好结果。这些事件被认为是深度学习技术发展的一个里程碑。
2013年4月，《MIT技术评论》杂志将深度学习列为2013年十大突破性技术之首。
2016年3月15日，谷歌的人工智能程序AlphaGo以4比1的比分打败围棋世界冠军、九段专业棋手李世石。2017年5月27日，AlphaGo在与被称为当今世界围棋第一人的中国棋手柯洁三番围棋较量中，以3比0完胜。这样的结果出乎人工智能领域的专家的预料——人工智能领域的专家原认为人工智能距离对一个顶级职业球员的取胜还有10年之遥!这样的结果也使得大众折服于AlphaGo背后的人工智能机器学习技术——深度学习竟会如此厉害！更使得人工智能机器学习益发成为公众关切的焦点。AlphaGo在人机围棋大战中大获全胜，得益于深度学习算法。AlphaGo的深度学习技术架构采用的是把人工神经网络的层级大大增加，提升了计算能力。
除了联结主义学派深度学习算法外，其它学派也正在取得进展。例如，贝叶斯学派的概率图模型。概率图模型可追溯到朱迪雅·珀尔（Judea Pearl）在20世纪80年代发明用图来表示变量概率依赖关系的理论——结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。近10年来，概率图模型成为不确定性推理的研究热点，在人工智能、机器学习和计算机视觉等领域展现了广阔的应用前景。2012年珀尔获得图灵奖，这是计算机科学领域的诺贝尔奖。2013年以来，概率图模型已经成为计算机视觉领域基本建模工具。
还值得一提的是，2009年MIT出版社出版了美国斯坦福大学教授科勒和以色列希伯来大学教授弗里德的专着《Probabilistic Graphical Models: Principles and Techniques》，2015年其中文版《概率图模型：原理与技术》由清华大学出版社出版。这是机器学习和人工智能领域一部里程碑式的着作，全面描述和总结概率图模型这一领域的基础知识和最新进展。
不错的新闻，我要点赞
还没人说话啊，我想来说几句| 分享: |
| 注： | 在此页阅读全文 |
