Au cours des dernières années, la forte hausse de l'intelligence artificielle, en particulier l'année dernière, le chiffre 9 étapes de Corée Li Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi Shi L'homme de Shi Shi, apprécions le grand potentiel de la technologie d'intelligence artificielle. Les données sont un fournisseur de services, intelligent à mesure que l'objectif et la machine d'apprentissage est une technologie qui conduit à une intelligence à partir de données. Par conséquent, la machine d'apprentissage est au cœur de la science des données et constitue la nature de l'intelligence artificielle moderne.

En fait, la machine d'apprentissage excavant des informations précieuses provenant de données. Les données elles-mêmes sont inconscientes, il ne peut pas présenter automatiquement des informations utiles. Comment puis-je trouver quelque chose qui vaut la peine? La première étape consiste à fournir des données abstraites; Puis modérément; Puis estimer les paramètres du modèle, c'est-à-dire le calcul; Pour résoudre des données à grande échelle, nous devons également concevoir un certain nombre d'installations de mise en œuvre efficaces. Consiste enNiveaux de matériel et niveaux d'algorithme. Les statistiques sont les principaux outils et modélisants, tout en résolvant le modèle défini comme un problème d'optimisation ou un petit-déjeuner, à savoir le gestionnaire de fréquence est vraiment une priorité de problèmes sombres. Le calcul des modèles de baies est souvent lié à la méthode d'échantillonnage aléatoire de Monte Carlo. Par conséquent, la machine d'apprentissage est une discipline croisée des statistiques scientifiques et informatiques.
Dessin sur la définition de la vision informatique de trois niveaux de la vision informatique, j'ai divisé la machine en trois niveaux: primaire, intermédiaire et avancé.

L'étape principale est l'extraction des fonctions de collecte et de données.

L'étape intermédiaire traite et analyse des données. Il se compose de trois aspects:
Tout d'abord est l'orientation des problèmes d'application, tout simplement le modèle principal existant et la méthode de résolution de problèmes réels, peut être interprété comme minière de données;
Deuxièmement, selon les besoins du problème de la demande,Les propositions et modèles de développement, de méthodes et d'algorithmes et de recherche soutiennent leurs principes mathématiques ou théoriques, il s'agit du contenu essentiel de la discipline de la machine;
Mardi, par la théorie pour obtenir une sorte d'intelligence.

Les étapes avancées sont intelligentes et sensibilisées, c'est-à-dire des objectifs intelligents. Les machines d'extraction de données et d'apprentissage sont fondamentalement identiques et la différence consiste à exploiter des données proches des finitions de données et des machines d'apprentissage proches de SMarter.

Premier, Statistiques et calculs

2017 a été sélectionné en tant que ministère des Statistiques de l'Université de Carnegien University, Wormmanman Un livre Ce nom était très dominé: «Instructions statistiques complètement statistiques "(Toutes les statistiques. L'introduction de ce livre a une description très intéressante des machines d'apprentissage et d'apprentissage. Le sorthomme estime que les statistiques originales sont dans le système. Les systèmes statistiques, les ordinateurs sont dans des systèmes informatiques, les deux ne rencontrent pas et ne sont pas d'accord avec la valeur de tuberculesune autre partie. Les érudits informatiques estiment que les théories statistiques sont inutiles, ne résolvent pas le problème et font confiance à la statistiquement que les érudits informatiques ne font que "inventer des roues", sans nouvelles intentions. Cependant, il estime que la situation a changé et des statistiques pour reconnaître la contribution des érudits informatiques et des érudits informatiques reconnaissent également l'universalité des méthodes théoriques et statistiques. Par conséquent, il convient de dire que c'était un livre écrit dans les champs informatiques écrits par les statistiques, écrites par des érudits informatiques.

Maintenant, tout le monde a gagné un consensus: Si vous utilisez la méthode d'apprentissage, ne comprenez pas son principe de base, c'est une chose terrible. C'est pour cette raison que la communauté académique reste encore un doute sur l'apprentissage profond. Bien que profil apprenant ait montré sa force dans des applications pratiques, le principe n'est pas trop évident.

Laissez votre oncleJ'ai discuté de la relation entre les ordinateurs et les statistiques. Les érudits informatiques ont souvent une forte puissance de calcul et une résolution de problèmes, tout en calculant les statistiques sur les problèmes d'analyse théorique et de modélisation, il y a donc un bon ajout. Le renforcement, le soutien des machines de vecteur (SVM), l'apprentissage intégré et l'apprentissage clairsemé sont la direction la plus positive dans le monde des machines d'apprentissage depuis près de dix ans ou au cours des deux dernières décennies. Ces réalisations sont des efforts généraux des statistiques et de la communauté informatique. Exemple: vapnik et al. A créé la théorie du support de vecteur dans les années 1960, mais elle a été inventée dans les années 1990 qui a inventé un algorithme de solution très efficace, et avec un grand nombre de code d'ouverture de code, support vectoriel Le support existant devient un modèle de référence d'algorithmes de classification. Par exemple, l'analyse de la composante principale du nucléaire, la KPCA est une méthode de déclin non linéaire proposée par un érudit informatique, en fait, équivaut à une analyse multidimensionnelle classique (MDS). Après çaEst très bientôt dans le cercle de statistiques, mais sans l'industrie informatique à découvrir, de belles choses peuvent être enterrées.

Les mondes informatiques et la coopération statistique ont atteint l'apprentissage de la machine à partir du milieu des années 90 à la période de développement de l'or au milieu des années 90, le point principal est le cercle académique actuellement. Des résultats importants, tels que des vecteurs de soutien, des forêts aléatoires et améliorées, etc. sont basés sur la théorie de l'apprentissage statistique et sur la base de méthodes d'analyse de données non linéaires et de méthodes de traitement théoriques nucléaires, méthodes Bayes Aucun paramètre, modèles d'apprentissage clairsemé et applications basées sur la théorie régulière. Ces résultats ont défini la fondation théorique et le cadre d'apprentissage statistique.

Apprendre que la machine est devenue une direction des statistiques unies. De nombreuses universités célèbres ont recruté des professeurs dans le domaine des machines d'apprentissage, telles que le nouveau professeur adjoint de l'Université Stantint. De la machine d'apprentissage. Les calculs sont devenus de plus en plus importants sur le terrainLes statistiques et l'analyse statistique multivariée traditionnelle basée sur la matrice en tant qu'outil de calcul moderne et des statistiques sont optimisées pour les outils de calcul.

Récemment, il y avait un livre "Data Science Foundation", et l'un des auteur de l'auteur Hopcroft est un gagnant trium-gagnant. Dans ce livre, le développement de l'informatique peut être divisé en trois étapes: bientôt, moyenne et aujourd'hui. Bientôt, il est pour les ordinateurs à courir, se concentrant sur les programmes de développement de langues, la technologie du compilateur, les systèmes d'exploitation et la recherche pour soutenir leur théorie mathématique. À mi-parcours, rend les ordinateurs utiles, devenant efficaces, se concentrant sur des algorithmes et des structures de données de recherche. La troisième étape consiste à rendre l'ordinateur avec une gamme plus large d'applications et de développement axé sur les mathématiques discrètes à la probabilité et aux statistiques. J'ai parlé au professeur Hopklovte plusieurs fois. Il croit que l'informatique a grandi à cette journée, apprendre mC'est le noyau. Et il travaille sur la recherche et l'enseignement sur les machines d'apprentissage et l'apprentissage profondément.

Maintenant, l'ordinateur s'appelle une machine à «Allocation de discipline», c'est bon. En plus de son propre système de discipline, il existe deux fonctions radioactives importantes dans les machines d'apprentissage. L'une est de fournir des problèmes et des moyens de résoudre des problèmes pour les industries d'application. Pour une discipline d'application, le but de l'apprentissage de la machine traduit des mathématiques difficiles en ingénieurs de faux code pour écrire des procédures. La seconde consiste à trouver de nouvelles questions de recherche pour certaines règles traditionnelles, telles que les statistiques, la théorie de l'informatique et l'optimisation. Par conséquent, la plupart des universités de renommée mondiale pour les industries informatiques collectant des études artificielles ou une intelligence artificielle sont la direction essentielle, élargissant l'ampleur des enseignants dans les machines d'apprentissage et au moins deux, trois directions de recherche apprenant la compétitivité de première classe. Certains ordinateurs ont 1/3 ou même 1/2 diplôme d'études ou une intelligence artificielle.

Toutefois,L'apprentissage automatique est une discipline d'applications nécessitant un rôle dans l'industrie et peut résoudre des problèmes de vrais problèmes. Heureusement, les machines d'apprentissage sont utilisées efficacement pour aider les bâtiments industriels. Surtout les points chauds de ce moment, tels que l'apprentissage profond, l'alphago, les véhicules sans pilote, l'assistant d'intelligence artificielle, le V.V un impact important sur l'industrie. Son développement aujourd'hui a changé de mode Microsoft traditionnel en mode Google. Le logiciel micro traditionnel peut être compris comme une production, tandis que Google Model est le secteur des services. Google Search est totalement gratuit, le service social, leur technologie de recherche est de plus en plus extrême et la richesse est créée est également riche.

La richesse est dans les données et la technologie de base de la richesse de la richesse consiste à apprendre la machine. Google estime donc qu'il est une entreprise d'apprentissage. Approfondir comme la direction d'apprentissage la plus active, dans la vision informatique, la compréhension de la langue naturelle, l'identifieI, réalisation intellectuelle, a créé un groupe de startups émergents. L'industrie a beaucoup de talents besoins dans le domaine de l'apprentissage de la machine. Non seulement besoin d'ingénieurs anti-code, mais aussi des scientifiques ont des modèles mathématiques et résolvent des problèmes.

Lundi, révélant le développement du développement de la machine

Le processus de développement de la machine d'apprentissage nous dit: Développer une discipline nécessite une attitude pragmatique. Le concept et le nom de la mode ont une certaine promotion de la popularité de l'industrie, mais la base de l'industrie est également la base, les méthodes, les techniques et le soutien de la recherche et la valeur de la société.

"Machine d'apprentissage de la machine" est un nom intéressant, simplement à la lettre, son objectif est de faire des machines avec des compétences d'apprentissage comme des personnes. Cependant, dans dix ans de développement de l'or, l'industrie des machines n'a pas spéculé "intelligent" ou "sensibilisation", mais axé sur l'introduction de statistiques, V.V. Établir la discipline, le tabouretTraitement et traitement des données. Il n'y a pas de suivi de surveillance et de surveillance pour deux problèmes de recherche principaux, proposant et développe une variété de modèles, de méthodes et d'algorithmes informatiques, V.V. et résoudre certains problèmes réels que l'industrie est confrontée. Ces dernières années, en raison de la capacité de conduire et de calculer de grandes données, une série d'architectures de base pour les machines d'apprentissage ont été développées. Le réseau nerveux était vraiment étendu à la fin des années 1980 ou au début des années 90, mais alors silencieux. Ces dernières années, sur la base de la forte augmentation de l'apprentissage en profondeur, la communauté industrielle a apporté un changement profond et une opportunité. Le succès de l'apprentissage profond ne provient pas des progrès de la science du cerveau ou de la science cognitive, mais en raison de la grande amélioration de la capacité de conduire et de calculer de grandes données.

Le développement de la machine d'apprentissage interpréter l'importance et la nécessité d'intersections multidisciplinaires. Cependant, cette croix n'est pas simplement connue pour en savoir unQuelques noms ou concepts, et devaient vraiment intégrer. Le professeur tardif Breiman est le principal fondateur de la machine de statistique. Il contribue majeur à de nombreuses méthodes d'apprentissage statistique, telles que l'ensachage, la classification des arbres à nouveau (panier), les modèles de terminaux aléatoires et les modèles non négatifs, V.V. Le professeur Lehman a expérimenté les légendes et il est passé de la communauté académique pour appliquer des statistiques réelles de l'industrie, puis retourner au monde universitaire. Bryman est Jordanie (Michael Jorda) N) Bole du professeur, qu'il a fait Jordanie de l'Institut de technologie du Massachusetts à Berkeley. Le professeur Jordan est un informatique de première classe et une maison de statistique de première classe, et son médecin professionnel est une psychologie. Il peut être sévèrement responsable de l'établissement de l'apprentissage statistique, a formé un grand nombre d'érudits exceptionnels dans le domaine de l'apprentissage de la machine.

Jerome Friedman, professeur de l'université de Stanford, participant à la recherche physique,Mais Fredman est un algorithme d'optimisation, en particulier dans l'étude des méthodes statistiques du point de vue de l'optimisation. Par exemple, une machine mathématique classique en tant que régression inhibitrice multi-variations, mars et push de gradient (GBM). Professeur, Sinton, Université de Toronto est le psychologue cognitif et le plus célèbre mondial. Bien qu'il ait acquis de grandes réalisations, il est si célèbre, il est célèbre pour les cercles académiques, mais il travaille toujours devant, code d'écriture. De nombreuses idées qu'il proposaient est simple et très efficace, connue comme un grand penseur. C'est en raison de sa sagesse physique et de sa force, une technologie d'apprentissage profonde s'est développée dans les avancées révolutionnaires.

En bref, ces érudits sont très pratiques, n'ont jamais mentionné ces lacunes. Rien de concept et de cadre. Ils sont à leur manière, de problèmes spécifiques, de modèles, de modes, d'algorithmes, v.v étape par étape pour reconnaître le systèmeg.

On peut dire que les machines d'apprentissage sont effectuées par la communauté académique, industrielle, industrielle (ou compétitive). Le monde universitaire est un moteur, l'industrie est motivée, le secteur des affaires est une vitalité et un avenir. Les académiques et l'industrie devraient avoir leurs tâches et départements respectifs. La responsabilité de la communauté académique est d'établir et de développer des machines majeures, cultivez des talents spécialisés dans le domaine de l'apprentissage de la machine; Et grands projets, les grands projets devraient être motivés par le marché et effectué et complété par l'industrie.

Mardi, l'état du développement de mon pays et vers

L'apprentissage de la machine a attiré une attention approfondie dans mon pays, mais également des résultats obtenus, je pense que la plupart des études se concentrent sur les données de niveau minier Les chercheurs chinois participant à des études d'apprentissage purs peuvent être numérotés. Dans le monde académique, la théorie, la théorieFrance, V.V. Trouvé, pas besoin de faire suffisamment d'attention, de plateformes théoriques et de champs et même désavantagés. Certaines "disciplines excédentaires" "Discipline du coucher du soleil" ont collecté beaucoup de ressources humaines, de financement, de manque de compétitivité et d'influence dans le domaine des ordinateurs orthodoxes internationaux.

Les statistiques sont restées une discipline faible dans mon pays et récemment identifiées comme une discipline majeure. Statistiques de mon pays dans deux extrêmes. Premièrement, c'est une branche de mathématiques, principalement des taux de recherche théorie, du processus aléatoire et de la théorie des statistiques mathématiques, V.V. Deuxièmement, il est divisé en économie, principalement en recherche des demandes d'analyse économique. Les machines d'apprentissage ne paient toujours pas profondément sur les statistiques. Les statistiques et les informaticiennes sont toujours dans la phase "respectueuse" d'un spectacle d'intérêt.

La discipline de l'ordinateur de mon pays a essentiellement partie du stade de développement précoce. Aujourd'hui, les étudiants ont contacté l'ordinateur de petite, la capacité de mettre en placeLeur étudiant étranger et leurs étudiants étrangers n'ont aucun inconvénient. Toutefois, en raison des connaissances théoriques totales non rémunérées, et l'importance des statistiques n'est pas pleinement reconnue, ces capacités mathématiques ont participé à des collèges et universités du pays. À l'extérieur. Les étudiants de mon ordinateur ont ouvert des cours d'intelligence artificielle. Les diplômés ont ouvert un parcours de la machine, mais la profondeur, la largeur ou la structure de la connaissance est en retard sur le développement de la discipline, ne peut pas s'adapter aux besoins de l'ère. Par conséquent, la cultivation des talents ne peut pas répondre aux besoins urgents de l'industrie ou de la quantité.

Les experts scientifiques de données actuels ont reçu une grande attention dans mon pays et une forte force statistique de l'Université de l'Université de Beijing, de l'Université de Fudan et de l'Université de Renmin, établi des données scientifiques ou de grandes données. Institut de recherche et a commencé à enregistrer des étudiantset diplôme. Mais il n'y a actuellement aucune université pour ouvrir une étude spécialisée. Apprendre la machine a des effets de rayonnement sur d'autres applications ou d'autres industries théoriques, mais également liées aux deux. D'une part, il peut s'agir d'un talent de réserve théorique, d'autre part, associé à différents problèmes de domaine, tels que des données médicales, des données financières, des images de données vidéo, etc. Livraison d'applications. Par conséquent, je pense qu'il est nécessaire d'augmenter la formation de la machine en mathématiques et applications informatiques.

La technologie intégrée pour les machines d'apprentissage, la science et l'art, autres que la sagesse artificielle traditionnelle, est le noyau de l'intelligence artificielle moderne. Il concerne les statistiques, l'optimisation, l'analyse matricielle, la théorie des ordinateurs, la programmation, le calcul de la dispersion. Par conséquent, il est recommandé d'améliorer la probabilité, l'analyse statistique et la matrice, etc adapté pour améliorer la probabilité, l'analyse statistique et les matricies et les recommandations de paramètres de curriculum et de livres spécifiques de manuels liés:

. tL'antenne de base de la probabilité et des statistiques doit utiliser la quatrième version de Morris H. SEGroot et Mark J.SCHERVISH, "Probabilité" (probabilité "et statistiques) est un manuel

en algèbre linéaire Cours, le contenu de l'analyse de contenu est amélioré. Le manuel recommande d'utiliser Gilbert Strang "Algebra" (Introduction à l'algèbre linéaire). Gilbert Stellan a déclaré à l'algèbre linéaire au MIT et ses cours de vidéo en ligne sont classiques. Prochaine proposition de calculs de matrice ouverts, utilisation Treiththen N.Loyd et David Bau Lll, "Nombres linéaires d'algèbre).

Ouvrez le parcours de la machine. Les machines d'apprentissage ont de nombreux classiques, mais la plupart d'entre eux sont moins adaptés aux manuels scolaires. Récemment, John D. Kelleher, John D. Kelleher et Brune Mac Namee, publié par MIT (principe de base de la machine d'apprentissage de la machine pour analyse de données prédictive, ou Andrew R.WebB et Keith D. Copsey, la troisième version de la "reconnaissance statistique" ) est plus appropriéManuels de premier cycle. Dans le même temps, les paramètres de cours devraient être établis pour que les étudiants tentent d'appliquer la méthode d'apprentissage dans des problèmes spécifiques.

De plus, je vous recommande de créer les cours suivants en tant que profession d'ordinateur d'université pour améliorer les cours ou les cours honors. En particulier, certains ordinateurs universitaires nationaux se spécialisent dans des projets de talents talentueux. Je pense que les cours suivants peuvent examiner le programme de formation de projet. En fait, la classe ACM de l'Université Jiaotong Shanghai a ouvert un algorithme aléatoire et une machine statistique.

Ouvrages Cours d'optimisation numérique, Références proposées George Norgegal et optimisée Stephen J.wright (numéro) ou Ouvrir l'analyse numérique, alors utilisez "Analyse des numéros" de Timos Sol (analyse numérique).
Renforcer un cours d'algorithme, augmentant ainsi les algorithmes avancés, tels que des algorithmes randomistiques, faisant référence au matériel pédagogique, Michael Mitzenmacher et le secretT Calculer ELI ELI: algorithme aléatoire et analyse de probabilité (capable et informatique et exploration abilistique.

Dans la conception du programme, augmenter ou améliorer le contenu dans des calculs parallèles. En particulier dans la mise en œuvre de techniques d'apprentissage profondes, les GPU sont souvent nécessaires. peut utiliser David B.Kirk et Wen-Mei Wen-Mei Wen-Mei Wen-Mei Wen-Mei Wen-Mei "Programmation mais à grande échelle" (processeur parallèle programmable Massive: approche de pratique, deuxième édition; addition, vous pouvez aussi Reportez-vous à l'école de Yida (Udacity) pour expliquer les calculs Cuda Cuda.

Je pense que la science informatique est dominée, des statistiques générales et des applications mathématiques spécialisées, et cela vaut la peine d'être considéré. Les diplômés devraient se concentrer sur l'apprentissage de la théorie Machine, modélisation de probabilité et modèle de carte aléatoire, méthode Bayes, algorithme d'optimisation à grande échelle, apprentissage profond et autres domaines d'apprentissage de base. Recommandations Théorie ouverte Machine d'apprentissage, modèle de carte corrompueStatistique, raisonnement statistique et analyse, analyse et optimisation convexe, renforcement de l'apprentissage, théorie de l'information, V.V.En annexe, j'ai énuméré certains des livres correspondants à titre de référence.

Dans Alphago et Li Shi Shiji, un détail remarquable que Alphago a été suspendu comme le drapeau britannique.Nous savons que l'alphago a été développé par l'esprit profond Groupe, l'esprit profond est une entreprise britannique, mais achète ensuite par Google.Les réalisations scientifiques sont la richesse des peuples du monde entier à partager et à partager, mais les scientifiques ont des sentiments nationaux et appartiennent à.