专栏首页利炳根的专栏学习笔记DL002:AI、机器学习、表示学习、深度学习,第一次大衰退
原创

学习笔记DL002:AI、机器学习、表示学习、深度学习,第一次大衰退

AI早期成就,相对朴素形式化环境,不要求世界知识。如IBM深蓝(Deep Blue)国际象棋系统,1997,击败世界冠军Garry Kasparov(Hsu,2002)。国际象棋,简单领域,64个位置,严格限制方式移动32个棋子。可由简短、完全形式化规则列表描述,容易事先准备。抽象、形式化,是人类最困难脑力任务,但计算机最容易。早期打败人类最好象棋选手,最近识别对象、语音任务达到人类平均水平。日常生活需要世界巨量知识,主观、直观,很难形式化表达。计算机智能需要获取同样知识。关键挑战,非形式化知识传给计算机。

世界知识形式化语言硬编码(hard code)。逻辑揄规则自动理解形式化语言声明。人工智能知识库(knowledge base)。著名项目Cyc(Lenat and Guha,1989),一个推断引擎,一个CycL语言描述声明数据库。声明由人类监督者输入。设计足够复杂形式化规则精确描述世界(Linde,1992)。

AI系统需自己获取知识。原始数据提取模式,机器学习(machine learning)。解决现实世界知识问题,作为主观决策。逻辑回归(logistic regression)决定是否建议剖腹产(Mor-Yosef et al.,1990)。朴素贝叶斯(naive Bayes)区分垃圾电子邮件。简单机器学习算法性能依赖给定数据表示(representation)。需要人工提供信息特征,不能影响特征定义方式。表示依赖。数据集合结构化、智能索引,搜索速度指数加快。表示选择影响机器学习算法性能。先提取合适特征集,提供给简单机器学习算法。

机器学习发掘表示本身,不仅把表示映射输出。表示学习(representation learning)。表示学习算法发现好特征集效果比人工高。表示学习算法典型例子,自编码器(autoencoder)。编码器(encoder)函数和解码器(decoder)函数组合。编码器函数将输入数据转换不同表示,解码器函数将新表示转换为原来形式。输入数据经过编码器、解码器尽可能多保留信息,新表示有好特性,自编码器训练目标。实现不同特性,设计不同形式自编码器。设计特征、学习特征算法,分离解释观察数据变差因素(factors of variation)。因素指代影响不同来源,乘性组合,不能直接观察的量,影响可观测的量。为观察数据提供有用简化解释或推断原因,以概念形式存在人类思维。数据概念、抽象,帮助了解数据丰富多样性。多个变差因素同时影响观察数据。需要理清变差因素,忽略不关心因素。

深度学习(deep learning),通过其他简单表示表达复杂表示,解决表示学习核心问题。简单概念构建复杂概念。计算机难以理解原始感观输入数据含义。复杂映射分解系列嵌套简单映射(每个由模型不同层描述)。输入展示在可见层(visible layer),能观察到变量。一系列图像提取抽象特征隐藏层(hidden layer)。值不在数据给出。模型确定有利于解释观察数据关系的概念。图像是每个隐藏单元表示特征可视化。给定像素,第一层比较相邻像素亮度识别边缘。第二隐藏层搜索可识别角、扩展轮廓边集合。第三隐藏层找到轮廓、角特定集合检测特定对象整个部分。根据图像描述包含对象部分,识别图像存在对象。

典型例子,前馈深度网络、多层感知机(multilayer perceptron,MLP)。一组输入映射到输出值数学函数。多个简单函数复合。不同数学函数每次应用为输入提供新表示。学习数据正确表示。深度促使计算机学习一个多步骤计算机程序。每一层表示并行执行另一组指令后计算机存储器状态。更深网络按顺序执行更多指令。顺序指令,后面指令参考早期指令结果。表示存储状态信息,帮助国程序理解输入。度量模型深度,基于评估架构所需执行顺序指令数目。模型表示为给定输入后,计算对应输出流程图,最长路径为模型深度。相同函数被绘制为不同深度流程图,取决一个步骤的函数。概念关联图深度作模型深度。系统对简单概念理解,给出复杂概念信息,进一步精细化。深度学习研究模型更多学到功能或学到概念组合。深度学习将世界表示为嵌套层次概念体系(简单概念联系定义复杂概念,一般抽象概括到高级抽象表示)。

AI(知识库)->机器学习(逻辑回归)->表示学习(浅度自编码器)->深度学习(MLPs)。基于规则系统(输入->手工设计程序->输出)->经典机器学习(输入->手工设计特征->从特征映射->输出)->表示学习(输入->特征->从特征映射->输出)->深度学习(输入->简单特征->更抽象特征额外层->从特征映射->输出)。

深度学习适用领域,计算视觉、语音音频处理、自然语言处理、机器人技术、生物信息学化学、电子游戏、搜索引擎、网络广告、金融。

应用数学与机器学习基础->线性代数->概论、信息论、数值计算->机器学习基础->深度网络现代实践->深度前馈网络->正则化->优化->卷积神经网络->循环神经网络->实践方法论->应用->深度学习研究->线性因子模型->自编码器->表示学习->结构化概率模型->蒙特卡罗方法->配分函数->推断->深度生成模型。

深度学习历史趋势。深度学习历史悠久丰富。可用训练数据量增加,变得更加有用。针对深度学习计算机软硬件基础设施改善,模型规模增长。解决日益复杂应用,精度提高。

神经网络名称命运变迁。深度学习3次发展浪潮。20世纪40年代到60年代,控制论(cybernetics)。生物学习理论发展(McCulloch and Pitts, 1943; Hebb, 1949),第一个模型实现(感知机 Rosenblatt,1958),实现单个神经元训练。20世纪80年代到90年代,联结主义(connectionism),反向传播(Rumelhart et al.,1986a)训练一两个隐藏层神经网络。2006年,深度学习复兴(Hinton et al.,2006a;Bengio et al.,2007a;Ranzato et al.,2007a)。深度涫超越机器学习模型神经科学观点。学习多层次组合。前身神经科学简单线性模型。用一组n个输入x1,…,xn,与一个输出y相关联。学习一组权重w1,…,wn,计算输出f(x,w)=x1w1+…+xnwn。控制论。

McCulloch-Pitts神经元(McCulloch and Pitts,1943),脑功能早期模型。线性模型检验函数f(x,w)下负识别两种不同类别输入。模型权重正确设置使模型输出对应期望类别。权重由人工设定。20世纪50年代,感知机(Rosenblatt,1956,1958),第一个根据每个类别输入样本学习权重模型。同时期,自适应线性单元(adaptive linear element,ADALINE),简单返回函数f(x)值预测一个实数(Widrow and Hoff,1960),学习从数据预测这些数。调节ADALINE权重训练算法,随机梯度下降(stochastic gradient descent)。当今深度学习主要训练算法。

基于感知机和ADALINE使用函数f(x,w)模型为线性模型(linear model)。目前最广泛机器学习模型。无法学习异或(XOR)函数,f(0,1,w)=1, f(1,0,w)=1, f(1,1,w)=0, f(0,0,w)=0。批评者抵触受生物学启发的学习(Minsky and Papert,1969)。神经网络热潮第一次大衰退。

现在,神经科学是深度学习研究重要灵感来源,不再是主要指导。没有足大脑信息作指导。大脑实际使用算法深刻理解,需要同时监测数千相连神经元活动。大脑最简单、最深入研究部分还没有理解(Olshausen and Field,2005)。

参考资料:

《深度学习》

欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 学习笔记CB007:分词、命名实体识别、词性标注、句法分析树

    概率图模型条件随机场适用观测值条件下决定随机变量有有限个取值情况。给定观察序列X,某个特定标记序列Y概率,指数函数 exp(∑λt+∑μs)。符合最大熵原理。基...

    利炳根
  • 学习笔记CB012: LSTM 简单实现、完整实现、torch、小说训练word2vec lstm机器人

    LSTM(Long Short Tem Memory)特殊递归神经网络,神经元保存历史记忆,解决自然语言处理统计方法只能考虑最近n个词语而忽略更久前词语的问题。...

    利炳根
  • 学习笔记TF064:TensorFlow Kubernetes

    AlphaGo,每个实验1000个节点,每个节点4个GPU,4000 GPU。Siri,每个实验2个节点,8个GPU。AI研究,依赖海量数据计算,离性能计算资源...

    利炳根
  • 如何将深度学习与你正在做的事情相结合?

    作者 | 李嘉璇 文章来源Gitchat,AI科技大本营合作发布,点击「阅读原文」查看交流实录 前言 人工智能是目前各行各业最火热的技术,如果说前两年是『互联...

    AI科技大本营
  • 如何将深度学习与你正在做的事情相结合?

    用户1737318
  • 何时不应使用深度学习?

    用户1737318
  • 深度学习三大框架对比

    人工智能的浪潮正席卷全球,诸多词汇时刻萦绕在我们的耳边,如人工智能,机器学习,深度学习等。“人工智能”的概念早在1956年就被提出,顾名思义用计算机来构造复杂的...

    用户2368476
  • 深度学习工具一览

    解决问题往往需要大量工具的支持,深度学习也不例外。 要说真有什么区别的话,那就是在不远的将来,用好这一领域的工具将愈发重要。

    商业新知
  • 吴恩达回答:深度学习的泡沫何时会破?

    有人在 Quora 上问了一个匪夷所思的问题:“深度学习的泡沫何时会破?”在短短的十几个小时内,该问题就得到了 18 个回应,而且每个回应都颇有深度。下面的内容...

    钱塘数据
  • 深度学习的昨天、今天和明天

    机器学习是人工智能领域的一个重要学科。 自从20世纪80年代以来, 机器学习在算法、理论和应用等方面都获得巨大成功。2006年以来, 机器学习领域中一个叫“ 深...

    计算机视觉研究院

扫码关注云+社区

领取腾讯云代金券