本港台开奖现场直播 j2开奖直播报码现场
当前位置: 新闻频道 > IT新闻 >

报码:【j2开奖】谷歌深度学习四大教训:应用、系统、数据及原理(附数据集列表)(3)

时间:2016-10-29 08:34来源:香港现场开奖 作者:118开奖 点击:
Corrado 是神经科学博士,在进入谷歌之前,曾在 IBM 研发了 SyNAPSE 神经突触芯片。 他确信,深度学习能从人类大脑运作机制中得到的借鉴是很有限的。 同时

  Corrado 是神经科学博士,在进入谷歌之前,曾在 IBM 研发了 SyNAPSE 神经突触芯片。他确信,深度学习能从人类大脑运作机制中得到的借鉴是很有限的。同时,前提条件是我们需要弄明白大脑的工作原理,但是在这一点上我们知之甚少。

  同样,RNN 之父 Jürgen Schmidhuber 的观点也是如此。在谈到脑科学及其对 AI 影响的时候,Schmidhuber 表示,他的研究基本不会因为脑科学的成果而受益。

  Schmidhuber 说:“上一次神经科学对 AI 有启发是几十年前的事情了。最近深度学习的成功主要是由于数学和工程上的发现,与神经科学基本没什么关联。在本世纪初,我在 IDSIA 实验室制造出了从数学上进行优化的通用 AI 和问题解决程序(例如 Marcus Hutter AIXI 模型,或者我提出的自引用的哥德尔机器),它们都只包含几个公式。我认为从简单的原理综合得出一个实用的智能模型,比起分析现有样例——也即人类大脑——要简单得多。从上世纪 90 年代起,我在演讲中就一直谈到这样一个例子,现在有一个 19 世纪的工程师,他懂一点点电的原理,他该如何研究一台现代手机的智能呢?或许他会用针去戳芯片,测量各个半导体特有的曲线(就像神经科学家测量神经元钙离子通道的细节),完全没有意识到半导体的主要存在理由是作为一个简单的二元开关。或许他会监测微处理器根据时间散热分布的变化(就像神经科学家研究大规模现象,比如在思考时脑区的活动),完全没有意识到它上面运行的程序的简单性质。理解智能的原理并不需要神经生物学或电子工程学,而是需要数学和算法,尤其是机器学习和搜索程序的技术。”

  大会当天早些时候,吴恩达也表达了相同的观点。他说,很多研究者都认为人类以一种非监督式的方法进行学习,但是, 今天大多数的深度学习模型仍然通过监督式方法进行训练。也就是说,计算机分析了很多的标签图像、语音样本或者其他任何东西进行学习。

  ,深度学习所面临的一个重要限制是,其创造的几乎所有价值都在输入-输出映射当中。如果在企业数据中,X 代表亚马逊的一个用户账号,Y 代表“他们是否曾进行购物?”你有大量 X-Y 配对的数据,那么就可以采用深度学习。但在自行检索数据和发现价值方面,这类算法仍处在起步阶段。

  拿深度学习(或神经网络)与大脑进行比较,虽然是比较形象,但也会导致对深度学习的能力的夸大。Corrado 说,这种类比,现在已经被认为过于夸张了。

  :COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

  简历投递:j[email protected]

  HR 微信:13552313024

  新智元为COO和执行总编提供最高超百万的年薪激励;为骨干员工提供最完整的培训体系、高于业界平均水平的工资和金。

  加盟新智元,与人工智能业界领袖携手改变世界。

(责任编辑:本港台直播)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容