传统机器学习方法在任何地方都可以击败深度学习或神经网络吗?

大多数Kaggle竞赛“当前”使用深度学习技术无法获胜。 这意味着传统方法一直都在击败深度神经网络 。 随着廉价家用GPU的普及,廉价云计算访问和更好的预训练模型的普及,深度学习的使用量有所增加。 与传统方法相比,在3种情况下,深度学习管道的效果不佳: 如果数据是结构化的或有限的 ,那么与深层网络相比,结构化数据可以使人们在相对较短的时间内提取出良好的特征,而数据却更少。 结合足够好的模型(例如,梯度增强树),可以使您获得令人满意的精度。 当我们谈论非结构化数据时:图像,音频,视频等。结合大量数据,足够的时间和计算能力的深层网络–该网络将具有比人类更好的功能。 时间和规模的局限性–认真的深度学习工作规模庞大且难度很大。 考虑培训像网络或深层语音2之类的东西。这不是拥有Titan X的普通研究学生在实际时间范围内所能做的。 您需要高性能计算和数据工程师为您设置所需的所有大数据基础架构,然后繁琐地准备所有大数据管道并将其馈入分布式培训算法中。 然后等待几天(或更长时间!),然后模型才能达到可接受的性能。 您的对抗示例是一位经验丰富的数据科学家,他选择了一些辅助功能,并在几天的工作中使用诸如XGBoost之类的方法产生了“足够好的”准确性。 硬件(通常是内存)限制 –当今的深度学习非常受内存限制。 例如,在图像处理中,大多数网络都在224×224〜300×300的尺寸上工作。…

您是否相信人工智能将为我们提供超级奴隶,从而使我们摆脱谋生的需要?

我会以合格的编号回答。 可以预见的是,我们已经在尝试用机器人技术和其他技术取代人类。 但是,这些不一定具有或使用人工智能。 您的问题提出了可以通过对AI的理解来解决的拟人化问题,但是当您谈到谋生时,您必须关注经济体系以及供求关系。 从理论上讲,如果机器具有与人同等或优越的特性,则它可以代替人。 与人不同;与人不同 它将产生与人类不同的成本。 机器的优势在于同质性。 具有标准零件的所有优点以及将其修理到新状态的能力,可以生产大量相同的机器。 这使机器非常容易地适应工作场所的经济要求。 例如,没有人力资源问题,例如病假,医疗保险,社会保障,残障,休假和工作安排。 对于公司而言,这是大量潜在的问题和成本,需要通过裁减员工来消除。 此外,每台机器的成本是固定的,维修或更换的成本比使用各种人力的精度要高得多,并且会有使用寿命的想法。 如您所见,替换人类的案例比较容易做到; 那么,人类必须如何应对呢? 人类的潜力无限灵活,这使他们更能适应不同的工作和任务。 将人视为机器,几千年来我们一直在使用同一台机器来完成所有任务。 我们创造了各种技术来提高我们的工作效率;…

您是否相信在未来50年内会出现技术上的奇异之处?

没有。 首先,它不是基于“数学”,也不是像其他答案中所断言的“确定性”。 Kurzweil和技术奇异性(TS)的其他“先知”提出了许多不稳定的假设。 Kurzweil声称,TS将会在2046年左右(或接近2040年)到位,这是基于他所谓的“加速回报法则”。 不幸的是,与摩尔定律不同,这种“定律”充其量是摇摇欲坠的,但很可能是完全谬误的。 库兹韦尔的“法律”不是物理定律,根据摩尔定律,它没有物理依据。 首先,库兹韦尔假设技术将成倍增长而不会出现问题。 但是,摩尔定律已经结束了。 除非出现一些根本性的新技术,否则计算能力的提高基本上将减慢。 第二,必须考虑到不仅要考虑硬件,而且要考虑软件。 必须假设人工智能的进步将取得必要的进步……但这不是必然的。 保罗·艾伦(Paul Allen)撰写的更多内容(保罗·艾伦:奇点不远): “构建允许奇异性发生的复杂软件,要求我们首先对人脑的工作方式有一个详细的科学理解,我们可以将其用作体系结构指南,否则就必须重新创建它。 这意味着不仅要了解大脑的物理结构,还要了解大脑的反应和变化方式,以及数十亿个并行神经元的相互作用如何导致人类意识和原始思想。 对大脑进行这种全面的理解并非不可能。 但是,如果在诸如库兹韦尔(Kurzweil)的时间表上发生奇异性,那么我们绝对需要极大地加速我们在理解人脑各个方面的科学进步。 但是历史告诉我们,原始科学发现的过程并不会如此,特别是在神经科学,核聚变或癌症研究等复杂领域。…