rss 推薦閱讀 wap

智能在線 - 人工智能科技聚合推薦平臺

熱門關鍵詞:  as  test  xxx  云南  請輸入關鍵詞
首頁 今日推薦 人工智能 手機電腦 信息發展 數碼科技 環保節能 系統研究 互聯天下 航天通信 創新創業

個人開發者通過人工智能盈利的秘訣

發布時間:2019-10-13 11:08:07 已有: 人閱讀

  大家知道人是具有智能的,如果做一個機器,讓你分辨不出它是人還是機器,就說明這個機器具有了智能(圖靈測試)。有興趣的可以看《模仿游戲》這部電影。

  機器是模仿人,那人是如何具有智力的呢?有人說是天生的。人出生時就像一塊白板,沒有數據,通過天生的AI,慢慢訓練,就有了智力。

  如何弄清楚智能原理呢?似乎又回到了起點,不管那么多了,先從簡單的入門吧。只要造出來的機器能夠體現某種智能行為即可,比如下棋、駕駛、翻譯、玩游戲等。

  自1936年從理論上圖靈機可以模擬任何一種計算機算法的邏輯,到現代通用計算機。再到現在的云計算。計算過程如下圖,有點復雜,不過不懂沒關系,這里不講復雜的東西,跳過。有興趣可看《匯編語言(第3版) 》王爽著。

  反正計算機很強大了,又快又準,算法越來越高效。機器終于能幫我們干許多活了,只是苦了我們這些碼農。

  大人說小孩子不能玩水,不能玩火,不能碰電,這也不能做,那也不能做,于是經過漫長的知識經驗累積,形成了專家系統。有興趣的可以看《瘋狂原始人》這部電影。

  在很長的一段時間里,人們依賴邏輯和規則給計算機編程。不同的需求,編寫不同的規則(If - Else),數據也通過人來標注好,比如這張圖是貓,這張圖是狗,反正只要能解決問題,再苦再累也值了。誰讓機器不會自動學習呢?

  人為什么可以不需要根據既定的編程自動學習呢?人腦肯定是以某種形式工作。有沒有一種計算機算法的演算過程與人腦的思維方式相比擬呢?

  2012年一個權威的全球比賽改變了這一切。深度學習領頭人Hinton的學生利用深度學習技術一出場,就拉開第二名一大截,甚至超過了谷歌這些大神。

  好比武林大會,昆侖、武當、少林幾個元老在切磋武藝,上下激戰百來回合,也不過你棍子碰到了我的肩膀,我長劍劃破了你的衣服。

  結果,比著比著,突然我沖上臺來,掏出深度學習這把,啪啪,幾個元老全都被秒殺了。然后整個武林都震驚了。

  深度學習技術是怎么做的呢?它是通過像搭積木一樣地搭建那些神經網絡的組合,用數據灌入到網絡,接下來,就是見證奇跡的時刻了。

  他竟然會自己一層層的逐漸尋找出最重要的特征,比人類幾十年專家經驗設計的特征,效果都要要好得多。這就是深度學習技術技術的地方。

  舉個最簡單的例子。一輛 大黑狗,如果分布式地表達,一個神經元代表大小,一個神經元代表顏色,第三個神經元代表狗的類別。

  人類大腦有數十億個神經細胞,它們之間通過神經突觸相互影響,形成極其復雜的相互聯系。然而科學家們并不能解釋這些具體的影響和聯系。神經到底是如何進行學習以及計算的?

  創建生物智能的模擬,模仿大腦的神經元之間傳遞,處理信息的模式,卡在了兩個關鍵問題:1、單層的神經網絡無法解決不可線、超大的計算量。

  最近幾年內,隨著計算能力的大幅提升(解決了問題2),還有相關學科的研究進步(反向傳播解決了問題1),AI在各領域也有了突破性進展。

  雖然現在科學家還沒有完全弄明白人類大腦的神經網絡運作方式,但人工智能科學家想,不理解沒關系,先在計算機中模擬一組虛擬的神經網絡試試看,這就是人工神經網絡(深度學習)。

  現在在圍棋中,人工神經網絡終于可以自己學習,也可以對其做出反應了,效率與進度讓世人吃驚。AlphaGo就是以深度學習技術為基礎的電腦程序。

  在人工神經網絡中,每一個小圓圈都是在模擬一個神經元。它能夠接收從上一層神經元傳來的輸入信號(也就是一堆數字);根據不同神經元在它眼中的重要性,分配不同的權重,然后將輸入信號按照各自的權重加起來(一堆數字乘以權重的大小,再求和);接著,它將加起來結果代入某個函數(通常是非線性函數),進行運算,得到最終結果;最后,它再將這個結果輸出給神經網絡中的下一層神經元。

  所謂的人工神經網絡學習,本質上是讓人工神經網絡嘗試調節每一個神經元上的權重大小,使得整個人工神經網絡在某一個任務的測試中的表現達到某個要求(例如,識別汽車的正確率達到90%以上)。

  從算法的角度看,機器學習有很多種算法,例如回歸算法、基于實例的算法、正則化算法、決策樹算法、貝葉斯算法、聚合算法、關聯規則學習算法和人工神經網絡算法。很多算法可以應用于不同的具體問題;很多具體的問題也需要同時應用好幾種不同的算法。

  不推薦一上來就搞的很復雜,高等數學呀、英語呀,這樣會很快失去興趣。無論走哪條路,要始終保持足夠的興趣,越深入興趣越濃厚,否則就是走錯了路。

  圍棋的業務特點包括其基本規則、對弈特性和下棋的思路。根據這些業務特點,我們可以分階段理解AlphaGo算法。

  從棋盤狀態來看,圍棋棋盤是有19*19=361的格子,每個格子有3種可能性(黑、白、空),所以總共有3的361次方個狀態;從下棋步驟角度來看,即使不算吃子和打劫,第n步有361-n種選擇,所以至少有361!(361的階乘=361*360*…3*2*1)——超過10的200次方種可能性。,超過目前的計算機的計算能力,無法通過暴力窮舉解決。

  不像象棋、軍棋那樣盤面上的棋子越走越少,而是越走越多。所以一局棋從開始到結束,用一張標記好走棋順序的棋譜就能保存絕大部分下棋的信息,是一個時間序列。

  所有的問題都可以表示成一個抽象函數,有著輸入和輸出(數據可表示為輸入,輸出對)。而下棋,輸入是棋盤狀態,輸出是當前狀態的最佳行動(數據可表示為棋盤狀態,選擇對)。

  然后假設走完w1/w2/w3/w4/w5后,經過局面評估,黑棋的未來勝率分別是50%/48%/62%/45%/58%(這些勝率是怎么評估出來的?我們后文會說這個問題)。請問,黑棋此時最佳的著法是b1還是b2?

  在搜索樹中,每次輪到黑棋走時,走對黑棋最有利的;輪到白棋走時,走對黑棋最不利的。由于圍棋是零和游戲,這就可以達到最優解。這是一個由底往上的過程:先把搜索樹畫到我們可以承受的深度,然后逐層往上取最大值或最小值回溯,就可以看到雙方的正解(如果勝率評估是準確的)。而實際編程的時候,是往下不斷生長節點,然后動態更新每個父節點的勝率值。(下圖是一個更多層的例子)

  在實際對局中,勝率評估會有不準確的地方,這就會導致地平線效應,即由于電腦思考的深度不夠,且勝率評估不夠準確,因此沒有看見正解。

  很難評估勝率。除非把搜索樹走到終局,這意味著要走夠三百多步(因為對于電腦來說,甚至很難判斷何時才是雙方都同意的終局,所以只能傻傻地填子,一直到雙方都真的沒地方可以走為止)。簡單地說,搜索樹也需要特別深。

  人類不需要搜索這么多狀態空間也能夠下好圍棋,說明還是有規律的。如何才能減少搜索空間呢?來看看 Alphago 怎么做的—— 關鍵是降低搜索廣度與深度。

  Alphago 構建了兩種專家模型:落子預測器+棋盤價值評估器,論文上叫策略網絡(policy networks)與估值網絡(value networks)。

  下面看具體過程。下圖中每個節點代表一個局面。而A/B 代表這個節點被訪問B 次,黑棋勝利了A 次。例如一開始的根節點是12/21,代表總共模擬了21 次,黑棋勝利了12 次。

  建模。很多人工智能問題,連一個完整的數學模型都很難建立。例如玩星際爭霸游戲、高考、自然語言理解等,雖然很容易對其中的某一部分建立一個模型,但很難把整個模型完整地統一起來。而圍棋的建模非常簡單。

  環境的部分可觀察性和動態性。例如星際爭霸游戲中,敵方的軍隊位置和動向都是部分可觀察的,并且不是一成不變的。而在圍棋領域,這些都是完全可觀察的和靜態的。

  規則性,穩健性。比如在自然語言理解中,自然語言的規則不僅相當之多,而且很多情況下這些規則并不對所有情況都適用。而在圍棋中,規則都是很簡單且很通用的。

  很多問題并不能簡單的規約成搜索問題,比如帶有微分方程的混合動力系統等。或者即使表示成搜索,搜索空間是不完整的或者是無窮的。而圍棋的搜索空間雖然非常巨大,但總歸是完整的和有窮的。

  也是唯一 AlphaGo Zero 某種程度上真正解決的難點,如何搜索龐大的搜索空間,因為這往往需要的計算量極為巨大。

  示例:開發會玩游戲的人工智能應用。可以直接使用DeepMind最開始的這個:通過自我學習自動玩老的電視游戲。

  輸出層對每個可能的動作都有一個節點,并且這些節點包含了所有動作可能得到的反饋。在其中,會得到最高期望分數的反饋會被用來執行下一步動作。

  主頁上找到。5)為最小模型加入機器學習理論和算法,或者把模型應用到領域。DeepMind 后來把這些技術應用到了圍棋上,產生了 AlphaGo。各種算法都有他們的用途,看你想讓機器干什么。比如標準圍棋是19*19,你能否擴展到 M*N 呢?

  我們減少點運算量,以縱橫各4條直線個交叉點,是不是簡單多了?16!=約21萬億。有興趣的可以做一下。聽說7*7圍棋在AlphaGo之前就被人用人工智能解決了。

  兩點。第一點,就是那些重復發生的具體事情,如果人類可以拿到大量數據,并可以用這些數據來預測下一次的結果,那么人工智能也能做。

  C.如果技術不行或資源不夠,用大平臺的接口,如百度,微軟,facebook,google,亞馬遜等。

  D.再實在不行,銷售人工智相關工具或產品,自己做不出來,賣別人的總行吧。賣軟硬件。老子轉換干銷售,能侃吧。

最火資訊

首頁 | 今日推薦 | 人工智能 | 手機電腦 | 信息發展 | 數碼科技 | 環保節能 | 系統研究 | 互聯天下 | 航天通信 |免責聲明

Copyright2008-2022 智能在線 www.qxiznw.live 版權所有 業務QQ:17468920 Power by DedeCms

電腦版 | wap

福彩甘肃快3开奖结果