围棋比国际象棋困难得多,因为它要求学会察觉棋盘上布局的微妙模式,而不是仅仅计算不同棋局状态下的权值。在这方面,围棋更接近于实际问题,它要求一种「模糊的」模式识别。(关于DeepMind的更多信息,请见AlphaGo: using machine learning to master the ancient game of Go)。这仍然和「人类级别的人工智能」相距甚远(比如,AlphaGo只能下围棋,却不能完成其他任务),但这仍然是令人惊叹的里程碑。 问题七:除了神经网络,什么是机器学习领域目前最有前途的方法? 具有优良特性的古典广义线性模型(例如,线性和逻辑回归),只要输入特征足够多(如词汇和像素),并有合适的特征引擎,它们就能够出色的解决监督式问题。你也可以把它们和字嵌入(word embeddings)结合起来。另外,随机森林算法(Random forests)也是很好的机器学习方法。 问题八:学习机器学习最好的教材有哪些? 显然我写的机器学习教材是不错的选择。然而不得不承认,这一版本对初学者来说有一定难度。事实上我正在编写本书的第二版,它讲述的节奏更加缓慢,也就更加适合初学者(我也在这一版中加进了深度学习、增强学习等内容)。但完成它还需要一段时间(大概两年?)。 同时,还有别的一些好书值得推荐。比如,可以参考这个书单:josephmisiti/awesome-machine-learning。我认为尤其出色的一本是James, Witten,Hastie和Tibshirani编写的《统计学习入门》(Introduction to Statistical Learning)。它包含了一些频率统计方面的概念,比如p-值(这一部分你可以放心跳过),但不足的是,没有涵盖深度学习或图论模型等主题,但无论如何这是一本很好的入门教材。 问题九:人们应该怎样开始自己的机器学习领域的职业生涯? 这取决于你怎样定义「机器学习领域的职业生涯」。 如果你指的是一份运用现成工具(如R程序库、scikit-learn或Dato)的工作,你只需要在本科期间上几门机器学习相关的本科课程,或是在线的开放课程(如https://www.coursera.org/learn/m...或https://www.coursera.org/special...)。 另外,你应该多多积累实际经验,比如参加kaggle竞赛,以及(或者)在github上分享你的代码(我推荐使用Python)。 如果你想要一份开发全新机器学习算法的工作,那么你需要获得计算机科学以及(或者)统计学的博士学位(当然,也有人在博士后期间从物理等领域中途转向机器学习)。 ©本文由机器之心原创编译,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]
机器之心是Comet Labs旗下的前沿科技媒体。Comet Labs是由联想之星发起、独立运作的全球人工智能和智能机器加速投资平台,携手全球领先的产业公司和投资机构,帮助创业者解决产业对接、用户拓展、全球市场、技术整合、资金等关键问题。旗下业务还包括:Comet旧金山加速器、Comet北京加速器、Comet垂直行业加速器。 (责任编辑:本港台直播) |