人们经常将贝叶斯方法称为考虑了我们不确定性的方法。 总而言之，这通常可以提高数据效率，并且可以更好地泛化到看不见的数据，但是在计算上也具有挑战性，并且在概念上更加复杂。 例如，标准的神经网络是一个常客模型，我们只考虑一个具有随时间更新的特定权重集的神经网络。 从贝叶斯角度来看，最能解决我们问题的权重值是未知的。 因此，我们根据训练示例为我们更新的每个权重建模一个分布。 为了做出预测，我们可以为每个权重采样一个具体值，或者更好地，对所有可能的权重（通过训练获得的权重分布进行加权）计算平均预测。 贝叶斯方法在这里通常数据效率更高，并且泛化效果更好。 同时，它在计算上更昂贵，概念上也更复杂。 这是频繁主义者方法在机器学习中占主导地位的主要原因。 目前，贝叶斯模型在较小的数据上能够做出更好的预测，但是许多人正在努力将其扩展到可用于许多任务的大型数据集。
正如其他人之前提到的，它将主要归结为统计和线性代数。 但是，我很惊讶答案如此模糊。 您可以专长于许多不同的技术，因此我将尝试提及一些可以开始的地方。 希望它将使您意识到，有很多内容要涵盖，以及如何开始这样做。 线性代数 主题： 向量和矩阵 矩阵乘法与变换 特征向量分析 线性方程组 学习的好地方： 微积分| 可汗学院 线性代数| 可汗学院 线性代数 http://cs229.stanford.edu/sectio… 结石 基本上，您需要能够由内而外进行派生和集成。 主题： 差异化 连锁规则 偏导数 积分 学习的好地方： AP微积分有限公司| 可汗学院 多变量微积分| 可汗学院 统计 也许，最重要的事情是对大多数常见分布（例如高斯，二项式或指数族）的概率密度和质量函数（PDF和PMF）有相当不错的了解。 最后，如果您非常了解统计信息，则可以将任何机器学习问题都转换为统计问题。 我什至可以断言，当前的机器学习发展（除了深度学习之外）只是利用现代计算机的计算能力重新发现了统计学。 另外，我将跳过期望值 ， 方差等内容，因为这是基础知识。 主题： 发行版及其CDF和PDF： 二项式 泊松 指数族 特别是高斯分布 从PDF计算CDF 贝叶斯规则 朴素贝叶斯 马尔可夫链 信念网络（或一般的图形模型） 学习的好地方： 统计和概率 机率| 统计和概率| 数学| 可汗学院 信息理论之旅 http://cs229.stanford.edu/sectio… […]
有点-您不会发现使用此术语，但是我认为可以将混合模型视为无监督回归。 在回归问题中，您具有某些函数形式[math] y = f（x），[/ math]您同时具有[math] x [/ math]值和[math] y [/ math]值，并且您重新尝试确定[数学] f（x）[/数学]的形状。* 在诸如聚类之类的标准无监督学习问题中，您有一堆[math] x [/ math]，并且您试图将它们分类为明智的类别。 有时，将这些聚类解释为某个[math] y [/ math]变量的离散值是很有意义的，但是数据并不是以这种方式标记的 。 如果这样做的话，那将是分类问题，而不是聚类问题。 在混合模型中，您具有[math] y [/ math]和[math] x [/ math]的数据，并且您认为某些数据是由[math] y = f_1（x）[/ math]生成的，有些是由[math] y = f_2（x）[/ math]生成的，依此类推，但是您不知道哪个数据是哪个。 您甚至可能不知道数据中实际上有多少个不同的[f_i（。）[/ math]。 这个问题本质上是将回归与聚类结合在一起，尽管并非总是如此。 与简单的聚类问题不同，估计混合模型通常需要对数据生成过程进行参数假设。 您几乎必须采用统计方法而不是机器学习方法。 *为简单起见，我在这里排除错误项； 如果没有随机或未观察到的成分，则该问题通常很简单。 写类似[math] y = f（x，\ epsilon）[/ math]可能更准确。
A2A。 毫无疑问，人工智能是颠覆性的游戏规则改变者，它将在不远的将来影响几乎所有行业和经济活动。 中国已经公开宣布了一项雄心勃勃的计划，到2030年在AI领域处于世界领先地位。中国正着手投资建立一个AI技术园区，该园区将在2030年之前推动强大的AI部门的创建，从而产生130b美元的经济服务/活动。 中国对人工智能的巨额投资具有阴险的缺点 在深度学习的某些方面，中国已经被评估领先于美国。 为了增强其快速增长的能力，中国还收购了欧洲和美国的机器人技术和AI公司。 对于长期习惯于对先进技术无懈可击的领导的美国来说，这可能被视为明显的威胁。 美国不能阻止所有中国人的收购。 但这会使事情变得困难，特别是在现任政府的领导下。 通过监视中国的AI开发和收购，美国可以预测中国对其安全和经济的潜在威胁。 这可以用来为军事工业园区带来更多的军事开支和对AI的大量投资的合理性。
我个人认为人类种族可能处于严重危险之中。 如果我们设法创建像人类大脑一样出色的深度学习的通用AI并在其中塞入这个世界的所有知识，请为他们提供Iron Man Suit，这肯定会与人类对抗（我们是可悲的动物）。 但是，我们的军队可以与一群人作战，所以不用担心。 如果他们开始使用我们的计算机系统成为小指 ，使各个国家互相对立，入侵情报机构搞乱其他国家之间的关系，情况可能会出错。 接着………………….. 从历史上看，更聪明的人“统治了”地球。 优胜劣汰 -查尔斯·达尔文 更严重的是： 我们需要为AI引入一些法规 让所有人都可以使用AI，尽管我认为这可能适得其反。 伊隆·马斯克（Elon Musk）表示，我们需要对AI进行监管，以免对人类构成威胁 和平
也许最好将其视为二元论。 有时，最好将光视为波浪，有时甚至将其视为粒子。 同样，我相信，例如，如果您是城市规划师，政治家或教育家，则应相信行为是确定性的。 如果您善心地做正确的事，将会以积极的方式影响人们，他们将在这个良性循环的世界上做更多的事情。 另一方面，如果您是一个在恶劣的环境中成长的人，您的态度应该是您拥有自由的意志，并且完全不受教育的束缚。 当然，一旦您变得富有和成名，就可以意识到尽管自己做到了，但为其他所有人提供更好的机会也没有错，然后您将注意力集中在人类行为的确定性方面。 因此，对我而言，我们永远无法知道AI是否具有“意识”，或者如果这样的话，这种意识的“性质”将与我们的意识相提并论。 我个人的观点是意识与生活联系在一起，而不与计算复杂性联系在一起。 因此，我相信我的意识比人工智能更类似于鲸鱼，猫甚至蜻蜓。 但是我当然不能证明这一点。 研究过复杂性和计算机科学的人（毫不奇怪）认为，意识是底层复杂性和计算机科学的功能，而与物理底物的性质无关。 实际上，我认为这可能取决于环境和目标，以便更好地了解AI。 例如，如果某个AI确实确实要求我们授予其某种法律地位，以使我们不能随心所欲地杀死它，但需要某种程序，我倾向于说，好，给它带来好处怀疑或至少我们应该辩论这个问题。 另一方面，在图灵的噩梦中 Amazon.com：John Thomas：书籍，传记，博客，有声读物，Kindle
作为一个 移动/网站开发公司拥有15年与您这样的客户合作的经验，我们已经为一些知名品牌设计并开发了成功的应用程序。 这些组织借助功能强大的移动网站而蓬勃发展。 为他们的流程，用户和员工量身定制的服务。 我们为移动显示器设计了一些非常酷的网站。 我们的目标是使我们的最终产品始终反映出我们深厚的工程技术和优雅的渐进式设计美学。 我们从根本上相信通过超越期望和高度的透明度与客户建立长期战略合作伙伴关系。 我们的团队将共同努力，以构建和部署可在适合您的任何平台上运行的应用程序。 从前端开发和用户体验到使用复杂算法的Web应用程序开发， 移动/网站开发公司可以带您前往。 我们提供的服务。 Web开发 从Ved Web服务的经验丰富的团队获得网站设计和开发，以实现业务增长 移动应用开发 通过移动应用程序开发使您的业务更上一层楼，并为您的客户提供最佳服务 网络营销 为您的网站获取免费的咨询和初步分析报告，以重新定义有效的互联网营销策略 软件开发 通过我们的软件开发团队，将您正在进行的手动业务流程转换为自动化软件 获得免费的费用估算： 与我们联系
很难相信只有一年的时间……在AI和机器学习领域发生了太多的事情，很难将其归纳为一个答案。 这是我的尝试。 不要期望太多的细节，但希望有很多链接可以跟进它们。 如果必须选择本年度的主要亮点，则必须使用AlphaGo Zero（纸张）。 这种新方法不仅在某些最有希望的方向上有所改进（例如，深度强化学习），而且还代表了范式转变，在这种模式下，此类模型无需数据即可学习。 最近我们还了解到Alpha Go Zero可以推广到其他游戏，例如国际象棋。 您可以在Quora答案中阅读有关我对这一进步的解释的更多信息。 最近的一项元研究发现，在GANs相关研究论文的报告指标中存在系统性错误。 尽管如此，不可否认的是，GAN继续呈现出令人印象深刻的结果，尤其是在将其应用于图像空间时（例如，渐进式GAN，pix2pix中的有条件GANS或CycleGans）。 由于今年的深度学习，NLP是另一个取得了令人瞩目的进步的领域，即NLP，尤其是翻译。 Salesforce提出了一种有趣的非自回归方法，可以解决完整的句子翻译问题。 也许更具突破性的是Facebook和UPV提出的无监督方法。 深度学习在临近家庭的领域也发挥着巨大的影响：推荐系统。 但是，最近的一篇论文也通过展示像kNN这样的简单方法在深度学习方面的竞争力，也质疑了一些最新进展。 就像GAN研究一样，令人难以置信的是，人工智能研究的快速发展也可能导致科学严谨性的损失。 我还要指出，虽然确实有很多或大多数AI进步都来自深度学习领域，但AI和ML的许多其他方向仍在不断创新。 与上述某些问题有些相关，许多人批评在建立方法的理论基础上缺乏严格性和投入。 就在本周，阿里·拉希米（Ali Rahimi）在NIPS 2017年的“时间考验”演讲中将现代AI描述为“炼金术”。 Yann Lecun在一场辩论中很快做出回应，这场辩论不太可能很快解决。 我想您可能会同意，尽管今年在尝试扩展深度学习的基础方面已经进行了许多有趣的尝试。 例如，研究人员试图了解深度神经网络的概括性。 Tishby的信息瓶颈理论也在今年进行了长时间辩论，作为对某些深度学习特性的合理解释。 欣顿（Hinton）今年因其职业生涯而闻名，他也一直在质疑一些基本问题，例如反向传播的使用。 佩德罗·多明戈斯（Pedro Domingos）等著名研究人员很快就拿起了手套，并开发了使用不同优化技术的深度学习方法。 Hinton提出的最后也是最近期的根本变化是使用胶囊（请参阅原始论文）替代卷积网络。 如果我们看一下AI的工程学方面，那一年是从Pytorch开始努力，并成为Tensorflow的真正挑战，尤其是在研究方面。 Tensorflow通过在Tensorflow Fold中释放动态网络迅速做出反应。 大型企业之间的“ AI战争”还有许多其他战斗，其中最激烈的一场战斗发生在云端。 所有主要提供商都已真正加强并在云中增加了对AI的支持。 亚马逊在其AWS中提出了重大创新，例如最近关于Sagemaker构建和部署ML模型的演示，或与Microsoft一起发布的Gluon库。 还值得一提的是，较小的参与者也正在加入。Nvidia最近推出了他们的GPU云，有望成为训练深度学习模型的另一种有趣选择。 尽管经历了所有这些斗争，但很高兴看到行业可以在必要时走到一起。 神经网络表示的新ONNX标准化是迈向互操作性的重要且必要的一步。 2017年，围绕AI的社会问题还在继续（升级）。 伊隆·马斯克（Elon Musk）继续推动着这样的想法，即我们越来越接近杀手级AI，这使许多人感到沮丧。 关于人工智能将如何影响未来几年的工作，也有很多讨论。 最后，我们看到了更多的注意力放在了AI算法的透明度和偏见上。 最后，在过去的几个月中，我一直致力于医学和医疗保健领域的AI。 我也很高兴看到医疗保健等“传统”领域的创新速度正在迅速提高。 从60年代和70年代的专家系统和贝叶斯系统开始，人工智能和机器学习已在医学领域应用多年。 但是，我经常发现自己只引用了仅仅几个月的论文。 今年提出的一些最新创新包括使用Deep RL，GAN或自动编码器来代表患者的表型。 人工智能的最新进展也集中在精密医学（高度个性化的医学诊断和治疗）和基因组学上。 例如，大卫·布莱（David […]
当然！ 当许多污物进入二元分类问题时，它们通常会将正分类的临界值设置为> = 0.5。 然而，随着我们变得更加开明，我们了解到这样的阈值是任意的，并且误报率急剧上升。 因此，我们进行了进一步的分析，并尝试找到理想的阈值，该阈值可将误报率保持在较低水平，而将真率保持在较高水平，但又避免数据集过拟合-是的，正如您所猜测的那样，无法通过多种措施来改善它们所以我们做出让步。 （找到理想阈值的另一种方法是使用弯头方法，但您可以自己搜索它） 简而言之，可以将阈值设置为任意值–如果您查看许多ML库的源代码，则它们会将其设置为0.6。
它在很大程度上取决于基础翻译算法。 在使用真实案例数据进行训练时，有些算法效果更好，而在没有真实案例数据的情况下训练某些算法效果更好，但必须将结果通过真实案例算法传递（通常更容易构建）。 以神经机器翻译为例，这是一种基于递归神经网络模型的翻译算法。 基于单词的神经机器翻译（NMT）可以从较低的数据存储量中受益，因为vocab的大小会更小，从而使网络的softmax层更轻松。 使用小写数据训练的基于单词的NMT系统可以具有更好的测试困惑，这与更高的翻译质量高度相关。 但是，基于单词的NMT系统使用启发式将单词标记为共享的片段，可以提供更高的翻译质量，而无需降低单词的大小写。 词片标记器考虑大写和小写字母，构建具有合理大小的词片“词汇表”以供softmax层学习，并且不需要后续的大小写校正系统，这很容易更多错误。 因此，将真实案例数据用于培训和开发是一个只能凭经验进行测试的决定。 但是，测试数据以及其他措施（例如BLEU，TER等）应为真实情况。 使用大写/小写是语言和语法的复杂功能，不应仅由于某些算法困难而忽略该功能。
Supreme Topics
嵌入机器学习意味着什么？
1000、750和500美元以下的最佳游戏PC是什么？ 我的廉价英特尔PC死了，我将主要在Roblox，Battlefield 1和ARK Survival Evolved上玩幻影部队。
如何获得组织的公共IP地址？
如何提高我的上网速度
摄影，数码单反相机或智能手机相机哪个更适合？
CISCO 887-K9和CISCO 887 M-K9有什么区别？
MITM攻击是否适合使用代理的WiFi？
学习量子计算的更好方法是什么？
线性搜索算法是否使用分而治之策略？
光圈范围f / 2.8 – f / 6.5（Nikkon P900）是否适用于所有类型的摄影？
您是否认为现代技术（即智能手机，互联网等）以积极或消极的方式影响恐怖电影？
如何保护网站免受黑客攻击
随着Google和Facebook向AI人才投入大量资金，对AI的真正关注是该行业的贪婪是否会超过创新和新创意的真正优势？
如何在我的计算机上安装ExpressVPN
程序是否有可能让计算机像人的大脑一样思考？
