|
最新的机器学习
杰夫·霍金斯提出了“千脑智能理论”，大致内容是解释人类大脑中的“新皮层”是如何负责对某一对象做出各种模型，然后分层次地进行投票，以达成共识，最后形成触觉、嗅觉和视觉等感觉。
该理论认为，当我们在现实生活中看到某个物体时，大脑新皮层会激活一组特定的神经元。如果现在看到一组有着不同大小和方向的相似物体，那么新皮层也会激活一组类似的神经元，这使我们能够概括出日常生活中看到的物体。虽然没有那么简单，但你可以形成一个大致的概念。
这与传统的机器学习或尖端的深度学习不同，后者需要大量的输入来学习模式，然后进行预测。
反向传播的出现
把时间往前倒推几十年，1986年，Geoffrey Hinton提出了一项成果，这项成果推动了感知器的后续发展。
当时他提出了一种名为反向传播的新型学习程序，后来成为现代神经网络模型的核心。这种技术通过调整神经网络模型的权值来减少实际值和期望值之间的差异。它能使神经网络学习或提取特征，概括输入的模式或序列，从而对未见的数据表示做出相当准确的预测。
然而，要执行上述操作，传统的计算机系统需要存储数千个甚至数百万个模式，然后在需要时，再从这些模式中搜索识别出一个未知模式，这一步计算量非常之大，而且不是一个经济的识别模式或对象的方法。
为了解决该问题，Frank Rosenblatt提出了一个系统，使其能够根据生物大脑的原理工作，用概率方法代替确定性方法来识别模式之间的相似性。他的感知器模型由三大系统组成：
· 感官系统
· 交互系统
· 反映系统
每个系统都将进一步包含相互连接的单元，可以根据正在识别的模式打开或关闭这些连接。感官系统会接受输入模式。交互系统会打开或关闭特定连接，反映系统会显示输出。
赋予感知器模型生命的定制硬件是Mark 1感知器，它主要是为图像识别而设计的，外表是一个黑色盒子，很像现在的神经网络，有输入层、隐藏层和输出层。
在过去数十年里，能够解决实际问题的人工智能应用层出不穷，已经成为一种全球性的现象。像我这样努力钻研机器学习的人成百上千。Andrew Ng是我们的导师，他说道：“一百年前，电的发明改变了一切，而如今，我很难想象还有哪个行业在未来几年内不会被人工智能改变。”
科技大厂了解科技发展的主流趋势，且无法承担技术落后的风险，所以他们都已适应了此次计算机革命。机器学习发展前景巨大，若你是一名开发人员，想要提高自己的技术水平，那建议你快开始学习它吧。
人工智能已经深刻改变了所有主要行业。人工智能与机器学习在医疗、神经科学、农业、安全、监控等领域的跨领域应用数不胜数，已经成为我们生活中不可或缺的一部分。但这一切是如何开始的呢？还要从几十年前感知器刚被发明出来说起。
感知器的故事始于65年前，在开始讲述这一故事之前，先简单了解下“感知器”的定义：感知器既是一种简易的生物神经元人工模型，也是一种用于监督学习的单层神经网络算法。它由输入值、权重和偏差以及一个激活函数组成。
（编辑：江门站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
