中山網(wǎng)絡(luò)公司 在2000年代早期，隨著大容量數(shù)據(jù)時代大量的細(xì)粒度事件數(shù)據(jù)的收集，隨著云計算和大規(guī)模并行處理基礎(chǔ)設(shè)施的進(jìn)步，機(jī)器處理能力得到了極大的提高。我們不再局限于低功耗/簡單的模型。例如，當(dāng)今最流行的兩種主流機(jī)器學(xué)習(xí)模型是隨機(jī)森林和梯度增強(qiáng)樹。然而，盡 管它們都非常強(qiáng)大，并提供非線性模型擬合訓(xùn)練數(shù)據(jù)，數(shù)據(jù)科學(xué)家仍然需要仔細(xì)地創(chuàng)建功能，以達(dá)到良好的性能。人類使用計算機(jī)就有了智能化的訴求。也就是使用計算機(jī)或機(jī)器人能夠幫助人類做繁雜或者做不到的事情，從根本上來說，就是提升整個社會的生產(chǎn)效率 與此同時，計算機(jī)科學(xué)家重新使用了許多層的神經(jīng)網(wǎng)絡(luò)來完成這些人類模擬任務(wù)。這給新出生的DNN（深度神經(jīng)網(wǎng)絡(luò)）在圖像分類和語音識別的任務(wù)提供了一個重大的突破。這種學(xué)習(xí)方法（稱為強(qiáng)化學(xué)習(xí)）與傳統(tǒng)的有監(jiān)督機(jī)器學(xué)習(xí)的曲線擬合方法有很大的不同。特別是，強(qiáng)化學(xué)習(xí)的發(fā)生非常迅速，因為每一個新的反饋（如執(zhí)行一個動作和獲得一個獎勵）立即被發(fā)送來影響隨后的決定。強(qiáng)化學(xué)習(xí)已經(jīng)獲得了巨大的成功在自動駕駛汽車以及AlphaGO（下棋機(jī)器人）。
中山網(wǎng)站優(yōu)化 DNN的主要區(qū)別是，你可以發(fā)出原信號，（例如，RGB像素值）直接到DNN沒有創(chuàng)造任何特定于域的輸入特征。通過多層次的神經(jīng)元（這就是為什么它被稱為"深"的神經(jīng)網(wǎng)絡(luò)），能夠自動生成相應(yīng)的功能，通過各層最后提供了一個很好的預(yù)測。這大大節(jié)省了"特征工程"的努力，也是數(shù)據(jù)科學(xué)家遇到的一個主要瓶頸。強(qiáng)化學(xué)習(xí)也提供了一個平滑的預(yù)測和優(yōu)化集成，因為它保持一個信念的當(dāng)前狀態(tài)和可能的轉(zhuǎn)移概率時采取不同的行動，然后作出決定，哪些行動會帶來最好的結(jié)果。 另一個關(guān)鍵的部分是如何模仿一個人（或動物）學(xué)習(xí)。想象一下感知/行為/獎賞周期的非常自然的動物行為。一個人或動物首先會通過感知他或她處于什么狀態(tài)來理解環(huán)境。基于這一點，他或她會選擇一個"動作"把他或她帶到另一個"狀態(tài)"，然后他或她會得到一個"獎勵"，如此循環(huán)重復(fù)。
中山網(wǎng)絡(luò)公司 相對于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，人工智能的概念更為寬泛。在機(jī)器學(xué)習(xí)方法興起之前，大部分的人工智能應(yīng)用都是基于邏輯推理實現(xiàn)，即設(shè)定N多規(guī)則，在不同場景，讓機(jī)器或者程序做選擇。作為人工智能的一個分支，機(jī)器學(xué)習(xí)利用統(tǒng)計或者幾何表達(dá)的形式處理問題，專門研究計算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識和技能。直到上世紀(jì)90年代，伴隨著互聯(lián)網(wǎng)行業(yè)的興起，機(jī)器學(xué)習(xí)掀起了人工智能領(lǐng)域一個新的熱潮。 原文鏈接 http://www.siwameinv.cc/news_1091.html
