因为 4 是人类能达到的最大限度，也是最靠近 Bayes Error 线的地方。我们做机器学习的目的就是要让我们的误差率无限接近于 Bayes Error 线。

关于人工智能的未来

讲到这里，吴恩达教授又顺便展望了一下人工智能的未来：

他说，从 2011 年以来，supervised learning（监督学习）是发展得最快的。也将继续快速发展下去，因为现有的有标签数据还远远没有被发掘完毕。

当然，他也不否认，真正的人工智能未来还是会落在 unsupervised learning（无监督学习）和 reinforcement learning（强化学习）上。但是，很明显，如我们所知，这两个领域目前的水平跟有监督的深度学习是完全没法比的。他预测这两个领域会在 2016 年以后逐步起飞。其中强化学习飞得慢点，因为目前大多数强化学习都还仅仅被运用在电子游戏模拟上，而无监督学习似乎是起点高一点，因为我们熟知的很多算法就已经是无监督学习了（比如：word2vec）。

然而，在这一切还没有成熟之前，他认为还有一个折中的处理方法：迁移学习（transfer learning）。简单来说，就是把有标签或者数据量大的集合用于预训练（pre-train），然后在此基础上对真正的目标数据集进行无监督优化。相比于完全的无监督，这条路似乎更有希望。说到这里，吴恩达博士又振臂一呼：希望学界能在迁移学习上产出更多高质量的理论与论文。

人工智能产品管理（AI product management）

最后，吴博士讲了人工智能领域的产品经理应该做些什么。他们被赋予了更多的职责，需要做更多的思考。

一个人工智能产品经理的工作流：

跟一般的产品经理类似，PM 对用户负责，并将需求反馈给工程师。

举个例子，在做语音识别的时候，我们可以选择：

不同的噪音背景

重点关注的口音

语音文件的大小

等等

人工智能产品经理需要选择工程师应该关注的重点，从而让数据集能更准确地模拟出应用场景。简单来说就是寻找用户需求与当今机器学习技术的能力的交集：

具体来讲，一个人工智能产品经理的任务如下：

产品经理需要提供出靠谱的测试和开发集，并提出靠谱的验证方法（metrics）。相应地，工程师就会依照这个需求，来获取他们需要的训练集，并开发靠谱的人工智能系统。

最后，吴恩达博士在演讲幻灯片最后一页推荐了他的新书《Machine Learning Yearning》，对于人工智能产品设计理念及策略有兴趣的读者，可以在 免费订阅一部分。

总结

总体来说，吴恩达博士的这场 tutorial 非常客气地照顾到了人数庞大的工业界听众。具体的点都放在了人工智能产品开发的策略与技巧上，并还时不时地插入了几句人生经验。可见，他在谷歌和百度的这些年正在将他一步步从一位顶尖的学界大拿跨界成一位顶尖的产品人。

©本文为机器之心编译文章，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]