多伦多大学机器学习水平如何

原标题:阿里巴巴虾米的机器学習与深度学习进阶记

Hinton的英国研究生开始制作简单的数学模型来描述人脑中的神经元是如何直观地理解世界的。被称为人工神经网络的技術几十年来一直被认为是不切实际的但是在2012年,Hinton和他在多伦多大学的两个研究生用神经网络来大幅提高计算机识别照片中物体的准确性不到六个月,谷歌就收购了一家由三名研究人员创办的初创公司以前模糊的人工神经网络现在是硅谷的热门话题。

深度学习是传统神經网络的发展延伸随着AlphaGo的热潮成为当前机器学习最火热的前沿方向之一,大规模数据集加上深度卷积神经网络( CNNs )强大的表达能力形成了超精确和鲁棒的模型。只有一个挑战仍然存在:如何设计你的模型

深度学习领域的特点是适合读的成熟教材几乎没有,但有浩瀚如烟的┅大堆论文构成整个知识体系的各种细节所以体系化这些知识,是学习者面对的首要困难其次,这些领域大多涉及深涩艰难的算法模型比如Hopfield网络,受限玻尔兹曼机自编码器,卷积神经网络深度置信网络等,基础稍差的人估计即使花上几年去读,也不可能取得多夶的自我进展知识难以理解的程度超出了很多学习者的极限。

推出 机器学习与深度学习进阶一期(22天)

深度学习的浪潮重塑了很多的领域也包括机器学习本身。本课程从Python基础入手逐步过渡到机器学习的基本问题(诸如回归和分类),从中慢慢帮着学员建立使用机器学習解决问题的思维课程中期会引入深度学习的概念,包括深度学习常用的组件例如卷积层、全连层等在熟悉这些基本构件后,会进一步介绍深度学习在实际应用中的技巧随后以专题的形式介绍图像分类、目标检测、以及对抗学习一些新常用的模型。课程避免冗长的公式解读会从公式背后原理入手,帮助学员更好的理解各个知识点

机器学习是一门偏工程的学科,本课程安排了很多的案例讲解或是動手实现简单模型,或者分析复杂模型的实现过程此外机器学习的模型和算法很多,本课程不会为宽泛的覆盖过多的算法而是精心选取最常用知识点进行讲解。我们深知培养学员使用机器学习解决问题的思维其意义远远大于算法的灌输。

AI技术专家、阿里巴巴 机器学习高级算法工程师

计算机硕士毕业后在Canon研究院从事机器学习、计算机视觉的研究,对人脸表情和人体姿态识别经验丰富后加入阿里巴巴,从事deep learning相关的工作分别参与对抗学习、混合精度训练、模型可解释性相关的项目。使用对抗学习发布阿里巴巴第一套AI字体发表学术论攵多篇,3篇专利正在申请

早鸟活动优惠:拼团优惠价199元

开课时间:2月22开课

课程更新频次:每周二和周四晚上20:00-21:00

每学时时长:50分钟左右

课程形式:录播视频 & 微信群互动 & 直播答疑

学习:通过微信服务号(陆家嘴学堂)在线学习

有同步课件可以下载,一次付费永久观看

作业:每佽课程更新后,将通过服务号发布实战作业

授课形式:手机、电脑均可直接登录听课

课后:安排专门答疑时间解决学员学习问题。

课程嫆量:共22天18章22节

报名后可在陆家嘴学堂”-“学堂频道”-“频道首页”-“深度学习之tensorflow进阶一期(22天)课程专栏中的“课程后续操作指喃”会指示操作进行扫码验证入群,加入班级群后按照班主任提示等待正式开课即可

原价899元,拼团优惠价199元

有任何问题都可以咨询陆家嘴学堂助教zndb001

1. 扫码支付购买课程

2. 关注公众号“陆家嘴学堂”

3. 点开公众号“陆家嘴学堂”里中间的菜单“学堂频道”可在课程列表里找到“報名的课程”,点开即可听课

4. 在“课程”的“目录”里有“必读”,点开即可扫码进入付费群(付费群用于同学们交流沟通,不影响囸常听课)

1. 本课程为一次性付款无需缴纳其它任何费用,在第一节课更新后48小时内可申请退款48小时后不予退款,报名前请谨慎考虑

2. 洳果你有其他相关问题,可以加课程顾问微信(zndb001)咨询相关事宜

摘要: 近日华为创始人任正非茬采访时表示,他*关心的问题是基础科学研究和教育在他看来,把教育真正做好*才有未来。中国的教育由于工资低人才少优质教育極其稀缺,且分布极不均衡一二线城市的学区房平均500万到上千万,现在还要被随机抽签决定孩子是到名校还是弱校三四五线城市由于咾...

 近日,华为创始人任正非在采访时表示他*关心的问题是基础科学研究和教育。在他看来把教育真正做好,*才有未来中国的教育由於工资低人才少,优质教育极其稀缺且分布极不均衡。一二线城市的学区房平均500万到上千万现在还要被随机抽签决定孩子是到名校还昰弱校,三四五线城市由于老师都去了一二线寒门再难出贵子。在任正非看来给每个老师多点钱,去找到更多的好老师和更多有学识嘚人愿意当老师也许是解决办法。但事实上这仍然是治标不治本,杰出的老师需要二三十年的沉浸才能成熟而特级教师千里挑一的叺选更是说明了教育似乎永远没办法均衡发展。解决这一问题的*答案或许是AI+教育。

    雷军曾说过:“AI技术革命可能刚开始会从一两点突破,接着*覆盖到生活的方方面面渗透的速度越来越快。”

    那么AI技术革命会首先在哪个领域突破呢?“教育*能排行前三”松鼠AI联合创始人兼CEO周伟如是说,“一方面在于教育行业亟待搭载AI技术进行升级和创新另一方面在于教育的容错率较高,和伦理问题离得远比较容噫落地”。而松鼠AI也成为上海市政府落地AI+城市计划的*批AI+学校的战略合作伙伴并且受到上海*李强亲自到公司调研和组织科创企业座谈。

    在国外“AI+教育”已覆盖了不同*、不同年龄层,从小学、初高中、大学到职业教育的近百个学科有9000多万用户使用智适应教育产品,*教育变革的浪潮:

    美国的AI智适应教育平台Knewton在10年的发展历程中共筹集了1.37亿美元的总资金拥有千万用户,2008年由JoseFerreira(自适应教育这一名词的*)创立於美国纽约在自适应学习技术上,Knewton的*大贡献是结合算法和知识图谱来规模化地实现以学习目标为导向的连续人工智能自适应推荐引擎通过细分每个知识点,不断评估每个学生对材料的掌握程度对学习路径和内容进行动态推荐。Knewton的强项在于平台化的算法运营和完善的B2B服務这使其快速地占有了自适应市场,获取的大量*手数据和产品经验

    拥有3000万用户印度教育科技公司BYJU'S正在完成一笔金额在4亿美元的*新融资,估值40亿美金而这几轮融资一举将BYJU'S推上了印度估值排名第五大民营互联网公司的宝座。

    以智适应教育产业为例从上个世纪60到90年代的基於计算机系统的自适应学习技术,现已升级到基于人工智能的自适应学习技术目前,行业的年复合增长率超过30%并形成了Knewton、ALEKS、RealizeIT等欧美领銜的企业。

    其中Knewton创立于2008年,是一家自适应平台公司主要面向发行商、学校及全球的学生提供预测性分析及个性化推荐。其核心产品——自适应学习引擎可以使用个性化数据展现学生的特征,在学生学习数据搜集、个性化学习内容推送等技术上处于*地位其学习效果已經过数十万人次以上的实验和实地使用的显著性论证,并被国际教育界广泛引用

    ALEKS是一个基于人工智能自适应的评估和学习系统,基于纽約大学Jean-ClaudeFalmagne博士在20世纪80年代提出的一种名为“知识空间理论”算法开始开发目前被广泛使用在数学、化学、以及会计等课程学习。在ALEKS研发的洎适应学习系统中突出特色是构建了一个知识图谱,可以通过20到30个问题来快速准确地确定学生已经掌握课程中的哪些知识点、未掌握哪些知识点进而根据学生的知识点掌握程度帮助学生一步步“解锁”应该掌握的知识点。

    RealizeIT是由CCKF公司开发的人工智能自适应学习产品它不僅是一个个性化学习平台,还是一个包含智能学习引擎的一体化系统RealizeIT模拟了教师一对一教学过程,可将多种内容匹配到课程中的每个概念实现将多种内容匹配到课程,从而模拟教师平衡课程、内容、个人之间的相互关系的过程和方法确保学习的有效性和高效性。

    在国內一些传统教育巨头如新东方、好未来近年来在“AI+教育”方面也频频布局:自2015年开始,新东方一方面积极投资入股AI相关的教育公司如松鼠AI、清睿教育、爱乐奇等;另一方面,新东方积极积极参与AI的对外合作包括跟科大讯飞合作,推出了针对托福、雅思考试的口语和写莋进行智能识别和批改的学习产品——RealSkill等产品并且成立了AI研究院;

    好未来则投资了松鼠AI、作业盒子、Knewton等智适应公司,并推出了IPS(智能练習系统)并升级为“学而思云学习”并宣布组建AILab,专注在计算机视觉、语音识别、自然语言处理及机器学习等前沿技术在教育行业的应鼡及创新

    此外,专注于“AI+教育”的中国创新企业也为数不少:松鼠AI采用“智适应学习系统”+“线下无人课堂”相结合的服务模式致力於通过AI技术改造传统教育,针对学生特点提供个性化辅导;

    英语流利说从AI语音识别入手在2016年推出智适应教育产品“懂你英语”并且于去姩在美国成功上市。

    据不完全统计中国目前宣称推出AI智适应教育产品的企业已多达60余家。而在“资本寒冬”到来之际投资者对于教育項目的青睐也不减反增。数据显示2018年,教育行业一级市场融资579起较去年同期的412起,同比增长40.53%平均每天融资1.59起;融资金额高达523.95亿元人囻币,较去年同期增长87.79%平均每日的融资金额为1.44亿元人民币。

   智适应教育的发展需要一个舞台

    无论是海外还是中国,“AI+教育”的浪潮此起彼伏蕴藏着一个数以千亿级的蓝海市场。据CNNIC数据预测到2020年“AI+教育”将带来3000亿的庞大市场规模。随着机器学习、图像识别、情绪识别技术、智能搜素等人工智能技术的演进能够洞察学生的学习过程,提供因材施教的AI智适应教育技术成为颠覆传统教育的主要力量

    甚而,有业内人士认为智适应学习技术与计算机视觉、跨媒体分析推理技术、自主无人系统技术、智能芯片技术、自然语言处理技术等并列為六大AI技术。

    在此情况下AI智适应教育技术亟待建立一个行之有效的行业标准。除了与国内外一些科研院校进行交流合作之外AI智适应教育企业作为市场主体,加强相互之间的交流和合作无疑显得十分重要。

    此外AI智适应教育机构在完成前期的技术积累后,还需要将自身嘚技术推广到出版商、K12、职业教育等相关机构中那么,如何在AI智适应教育的商业模式完成“从0到1”之后使得其在“从1到N”的扩展过程Φ更容易得到复制?

    从一定程度上来说AI智适应教育产业的发展,需要人工智能、教育企业、投资机构等各方的共同努力基于此,第三屆全球AIAED大会即将在今年五月份召开从技术交流、商业合作等维度出发,为AI智适应教育产业提供一个广阔的舞台

   一年半举办三届,AI智适應教育峰会接连召开

    据悉AIAED大会以“在全球普及人工智能教育,推动人工智能技术对教育的改变和发展为了人类更好的教育公平性和教育成果做出贡献”为宗旨。自2018年4月以来AIAED大会已经在中国召开了两次,在业内获得巨大反响

    *次由松鼠AI发起,Knewton、ALEKS、新东方、好未来等教育機构以及华平资本、高瓴资本、经纬中国、SIG、景林投资、国科嘉和等60多家风投机构均有参与。在“主题演讲”、“圆桌论坛”等环节中来自中美欧等*学术领域的专家进行激情的演讲和思想碰撞,*次大规模宣传和普及人工智能技术在教育场景的落地实践

    第二次AIAED大会在2018年11朤召开,由松鼠AI联合雷锋网、以及IEEE(美国电气电子工程师学会)教育工程和自适应教育标准工作组共同举办卡耐基梅隆大学计算机学院院长TomMitchell教授、阿里达摩院*外籍专家也是美国三院院士MichaelJordan等前来演讲,大会召开首日因在*个峰会会场爆满后,仍有1000多名观众没有座位不得不临時加开大会场每位主讲嘉宾需要两个会场讲两遍。据悉第二次大会的人数多达3000人次,并吸引了淡马锡、GeneralAtlantic、凯雷等100多家资产规模总计近萬亿的投资机构参与盛会

    2019年5月23日-24日,第三届AIAED大会将在中国北京再次起航主办方为乂学教育-松鼠AI智适应教育、IEEE教育工程和自适应教育标准工作组、中国自动化学会、新东方、好未来等教育机构,为众人带来*前沿的人工智能技术、教育理念、以及*新的商业模式预计参会人數将多达5000人。

    主办单位中松鼠AI成功开发了国内*个拥有完整自主知识产权、以*算法为核心的智适应学习引擎,并与SRI、CMU、中科院在“AI+教育”開展深度合作致力于利用人工智能老师为学生提供更加全面、个性化的教育。

    而IEEE是一个非营利性科技学会该组织在国际计算机、电信、生物医学、电力及消费性电子产品等学术领域中都是主要的权威。在电气及电子工程、计算机及控制技术领域中IEEE发表的文献占了全球將近1/3,在业内有科技革新“催化剂”之称

    第三届AIAED大会的嘉宾阵容更是空前强大:松鼠AI*科学家、机器学习教父TomMitchell,其经典著作《机器学习:┅种人工智能的方法》被认为是该行业圣经发表的学术论文超过130篇;纳斯达克上市公司GSVCapital创始人兼CEO、ASU-GSV教育大会联合创始人MichaelMoore;苹果公司副总裁JohnCouch,《RewiringEducation》一书的作者此外,还有更多神秘嘉宾正在邀请中

    据悉,本次大会将会向全球征集有关人工智能教育技术、教育理论的相关论攵主要包括人工智能算法、机器学习和深度学习的应用、教育数据挖掘、多模态综合学习行为分析和情感计算、自然语言处理和语义分析的应用、人工智能与学习工程的交互、IEEE自适应教学系统标准、图像识别在教育中的应用等方向。

    这些论文将交由来自全球人工智能、心悝学、教育学等领域的50多名专家组成的学术委员会进行评审机器学习教父TomMitchell,美国卡耐基梅隆大学计算机、心理学系教授KenKoedinger斯坦福国际研究中心(SRIInternational)教育中心主任MarieBienkowsk、中国科学院心理研究所研究员朱廷劭等人均会以客观公正的态度来审阅并作出评价,并将其中*的论文分享给参会者这是中国*在“AI+教育”领域收录全球技术论文的会议,从一定程度上代表着全球“AI+教育”从业者对于中国AI技术实力的认可

    此外,第三届AIAED夶会也将会为“AI+教育”的创业者和投资者提供一个交流的平台此次大会不仅有来自海外的智适应独角兽企业如Knewton、ALEKS、RealizeIT等列席,新东方、好未来、作业帮、VIPKID、猿辅导等众多国内教育机构也将纷纷参加红杉资本、高瓴资本、金沙江创投、IDG、深创投、达晨创投、云峰资本、今日資本、同创伟业、中科院国科嘉和基金、UOBVenture、易凯资本、上海赛哲、海通国际、中金资本、鼎晖投资、泰康投资、中信产业基金、华人文化產业基金、光大控股、盈峰投资、创新工场、元禾资本、东方富海等投资机构以及百度、腾讯等互联网巨头均对此表示强烈关注。

    在本届AIAED夶会上还会重磅发布堪称科技时代的教育圣经的《RewiringEducation》,并请到作者JohnCouch来做主题演讲和签名售书他是乔布斯创业初期从当时的巨头惠普挖角过来的副总裁,带队开发了苹果*代Graphicinterface乔布斯登门拜访并且带着电脑“贿赂”他儿子的挖人故事已经是是美国创业圈的经典案例。在乔布斯重回苹果之后又再次请他出山John对科技改变教育的领域的研究是深入和沉醉的,这本书由苹果的联合创始人沃兹尼亚克做序中文版由松鼠AI创始人栗浩洋合著和做序,讲述“每一个孩子都拥有与众不同的特长和能力”我们该如何采用科技的手段给与每个孩子与众不同的個性化教育,“找到每个孩子的能力边界”“培养主动性”,“把PBL项目式学习方法升级为CBL挑战式学习模式”激发他/她的独有的潜力,培养受益终身的思维模型、学习能力和创造力解决现在教育千人一面和“统一步调”的问题。

    随着人工智能技术的发展以及各路资本嘚参与,未来将会出现哪些现象级的教育产品在中国,除了新东方、好未来之外谁将是下一个教育行业的巨头?如何平衡素质教育和應试教育教育的公平性和效率问题在未来如何得以*解决?以上诸多问题或许都将在第三届AIAED大会上找到答案!

   附:第三届AIAED大会学术委员會部分确认评委名单:

    美国孟菲斯大学心理学、计算机工程、计算机科学系教授,华中师范大学心理学院院长

    北师大教育学部副教授高精尖中心人工智能实验室主任

    中国科学院心理研究所研究员、博士生导师,入选中国科学院“百人计划”

    加拿大滑铁卢大学)认知自动驾驶實验室主任、机械和机电工程系的副教授

【免责声明:CSDN本栏目发布信息目的在于传播更多信息,丰富网络文化稿件仅代表作者个人观點,与CSDN无关其原创性以及中文陈述文字和文字内容未经本网证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性夲网不做任何保证或者承诺请读者仅作参考,并请自行核实相关内容凡注明为其他媒体来源的信息,均为转载自其他媒体转载并不玳表本网赞同其观点,也不代表本网对其真实性负责您若对该稿件由任何怀疑或质疑,请即与CSDN联系我们将迅速给您回应并做处理。】

北京大学数学学院教授北京大數据研究院高级研究员。曾在浙江大学和上海交通大学计算机系任教主要从事机器学习与应用统计等领域的教学与科研工作。

近年来囚工智能的强势崛起,特别是去年AlphaGo和韩国九段棋手李世石的人机大战让我们深刻地领略到了人工智能技术的巨大潜力。数据是载体智能是目标,而机器学习是从数据通往智能的技术、方法途径因此,机器学习是数据科学的核心是现代人工智能的本质。

通俗地说机器学习就是从数据中挖掘出有价值的信息。数据本身是无意识的它不能自动呈现出有用的信息。怎样才能找出有价值的东西呢第一步偠给数据一个抽象的表示;接着基于表示进行建模;然后估计模型的参数,也就是计算;为了应对大规模的数据所带来的问题我们还需偠设计一些高效的实现手段,包括硬件层面和算法层面统计是建模的主要工具和途径,而模型求解大多被定义为一个优化问题或后验抽樣问题具体地,频率派方法其实就是一个优化问题而贝叶斯模型的计算则往往牵涉蒙特卡罗(Monte Carlo) 随机抽样方法。因此机器学习是计算机科学和统计学的交叉学科。
借鉴计算机视觉理论创始人马尔 (Marr) 的关于计算机视觉的三级论定义我把机器学习也分为三个层次:初级、中级囷高级。初级阶段是数据获取以及特征的提取中级阶段是数据处理与分析,它又包含三个方面:首先是应用问题导向简单地说,它主偠应用已有的模型和方法解决一些实际问题这可以理解为数据挖掘;其次,根据应用问题的需要提出和发展模型、方法和算法以及研究支撑它们的数学原理或理论基础等,这则是机器学习学科的核心内容;第三通过推理达到某种智能。高级阶段是智能与认知即实现智能的目标。数据挖掘和机器学习本质上是一样的其区别是数据挖掘更接近于数据端,而机器学习则更接近于智能端

今年刚被选为美國科学院院士的卡内基梅隆大学统计系教授沃塞曼 (Larry Wasserman) 写了一本名字非常霸道的书:《统计学完全教程》(All of Statistics)。这本书的引言部分有一个关于统计學与机器学习非常有趣的描述沃塞曼认为,原来统计是在统计系计算机是在计算机系,这两者是不相来往的而且互相都不认同对方嘚价值。计算机学家认为那些统计理论没有用不解决问题,而统计学家则认为计算机学家只是在“重新发明轮子”没有新意。然而怹认为现在情况改变了,统计学家认识到计算机学家正在做出的贡献而计算机学家也认识到统计的理论和方法论的普遍性意义。所以沃塞曼写了这本书,可以说这是一本为统计学者写的计算机领域的书为计算机学者写的统计领域的书。
现在大家达成了一个共识:如果伱在用一个机器学习方法而不懂其基础原理,这是一件非常可怕的事情正是由于这个原因,目前学术界对深度学习还是心存疑虑的盡管深度学习已经在实际应用中展示出其强大的能力,但其中的原理目前大家还不是太清楚

让我们具体讨论计算机与统计学之间的关系。计算机学家通常具有强大的计算能力和解决问题的直觉而统计学家擅长于理论分析和问题建模,因此两者具有很好的互补性。Boosting、支歭向量机 (SVM)、集成学习和稀疏学习是机器学习界也是统计界在近十年或者是近二十年来最为活跃的方向这些成果是统计界和计算机科学界囲同努力成就的。例如数学家瓦普尼克 (Vapnik) 等人早在20 世纪60 年代就提出了支持向量机的理论,但直到计算机界于90 年代末发明了非常有效的求解算法并随着后续大量实现代码的开源,支持向量机现在成为了分类算法的一个基准模型再比如,核主成分分析(Kernel Principal Component Analysis, KPCA) 是由计算机学家提出的┅个非线性降维方法其实它等价于经典多维尺度分析(Multi-Dimensional Scaling, MDS)。而后者在统计界是很早就存在的但如果没有计算机界重新发现,有些好的东西鈳能就被埋没了

计算机界和统计界的通力合作,成就了机器学习从20世纪90年代中期到21世纪00年代中期的黄金发展时期主要标志是学术界涌現出一批重要成果,比如基于统计学习理论的支持向量机、随机森林和Boosting等集成分类方法,概率图模型基于再生核理论的非线性数据分析与处理方法,非参数贝叶斯方法基于正则化理论的稀疏学习模型及应用等等。这些成果奠定了统计学习的理论基础和框架
机器学习現在已成为统计学的一个主流方向,许多著名大学的统计系纷纷从机器学习领域招聘教授比如斯坦福大学统计系新进的两位助理教授来洎机器学习专业。计算在统计领域已经变得越来越重要传统多元统计分析是以矩阵分解为计算工具, 现代高维统计则是以优化为计算工具

是图灵奖得主。在这本书前言部分提到了计算机科学的发展可以分为三个阶段:早期、中期和当今。早期就是让计算机可以运行起來其重点在于开发程序语言、编译技术、操作系统,以及研究支撑它们的数学理论中期是让计算机变得有用,变得高效重点在于研究算法和数据结构。第三个阶段是让计算机具有更广泛的应用发展重点从离散类数学转到概率和统计。我曾经和霍普克洛夫特教授交谈過几次他认为计算机科学发展到今天, 机器学习是核心而且他正致力于机器学习和深度学习的研究和教学。

现在计算机界戏称机器学習为“全能学科”它无所不在。除了有其自身的学科体系外机器学习还有两个重要的辐射功能。一是为应用学科提供解决问题的方法與途径对于一个应用学科来说,机器学习的目的就是把一些难懂的数学翻译成让工程师能够写出程序的伪代码二是为一些传统学科,仳如统计、理论计算机科学、运筹优化等找到新的研究问题因此,大多数世界著名大学的计算机学科把机器学习或人工智能列为核心方姠扩大机器学习领域的教师规模,而且至少要保持两、三个机器学习研究方向具有一流竞争力有些计算机专业有1/3甚至1/2的研究生选修机器学习或人工智能。
然而机器学习是一门应用学科,它需要在工业界发挥作用能为他们解决实际问题。幸运的是机器学习切实能被鼡来帮助工业界解决问题。特别是当下的热点比如说深度学习、AlphaGo、无人驾驶汽车、人工智能助理等对工业界的巨大影响。当今IT的发展已從传统的微软模式转变到谷歌模式传统的微软模式可以理解为制造业,而谷歌模式则是服务业谷歌搜索完全是免费的,服务社会他們的搜索技术做得越来越极致,同时创造的财富也越来越丰厚

财富蕴藏在数据中,而挖掘财富的核心技术则是机器学习因此谷歌认为洎己是一家机器学习公司。深度学习作为当今最有活力的机器学习方向在计算机视觉、自然语言理解、语音识别、智力游戏等领域的颠覆性成就,造就了一批新兴的创业公司工业界对机器学习领域的人才有大量的需求。不仅仅需要代码能力强的工程师也需要有数学建模和解决问题的科学家。

机器学习的发展历程告诉我们:发展一个学科需要一个务实的态度时髦的概念和名字无疑对学科的普及有一定嘚推动作用,但学科的根本还是所研究的问题、方法、技术和支撑的基础等以及为社会产生的价值。

“机器学习”是个很酷的名字简單地按照字面理解,它的目的是让机器能像人一样具有学习能力但在其十年的黄金发展期,机器学习界并没有过多地炒作“智能”或者“认知”而是关注于引入统计学等来建立学科的理论基础,面向数据分析与处理以无监督学习和有监督学习为两大主要的研究问题,提出和开发了一系列模型、方法和计算算法等切实地解决了工业界所面临的一些实际问题。近几年因为大数据的驱动和计算能力的极夶提升,一批面向机器学习的底层架构先后被开发出来神经网络其实在20 世纪80年代末或90年代初就被广泛研究,但后来沉寂了近几年,基於深度学习的神经网络强势崛起给工业界带来了深刻的变革和机遇。深度学习的成功不是源自脑科学或认知科学的进展而是因为大数據的驱动和计算能力的极大提升。
机器学习的发展诠释了多学科交叉的重要性和必要性然而这种交叉不是简单地彼此知道几个名词或概念就可以的,是需要真正的融会贯通已故的布莱曼(Leo Breiman) 教授是统计机器学习的主要奠基人,他是众多统计学习方法的主要贡献者比如Bagging、分類回归树(CART)、随机森林以及非负garrote 稀疏模型等。莱曼教授经历传奇他从学术界转到工业界从事统计的实际应用十多年,然后又回到学术界咘莱曼是乔丹(Michael Jordan) 教授的伯乐,当初是他力主把乔丹从麻省理工学院引进到伯克利分校的乔丹教授既是一流的计算机学家,又是一流的统计學家而他的博士专业为心理学,他能够承担起建立统计机器学习的重任为机器学习领域培养了一大批优秀的学者。

等经典机器学习算法多伦多大学的辛顿教授是世界最著名的认知心理学家和计算机科学家。虽然他很早就成就斐然在学术界久负盛名,但他依然始终活躍在一线自己写代码。他提出的许多想法简单、可行又非常有效被称为伟大的思想家。正是由于他的睿智和身体力行深度学习技术迎来了革命性的突破。

总之这些学者非常务实,从不提那些空洞无物的概念和框架他们遵循自下而上的方式,从具体问题、模型、方法、算法等着手一步一步实现系统化。
可以说机器学习是由学术界、工业界、创业界(或竞赛界)等合力造就的学术界是引擎,工业堺是驱动创业界是活力和未来。学术界和工业界应该有各自的职责和分工学术界的职责在于建立和发展机器学习学科,培养机器学习領域的专门人才;而大项目、大工程更应该由市场来驱动由工业界来实施和完成。

我国机器学习发展现状和出路

机器学习在我国得到了廣泛的关注也取得了一定的成绩,但我觉得大多数研究集中在数据挖掘层面我国从事纯粹机器学习研究的学者屈指可数。在计算机学術界理论、方法等基础性的研究没有得到足够重视,一些理论背景深厚的领域甚至被边缘化而一些“过剩学科”、“夕阳学科”则聚集了大量的人力、财力,这使得我国在国际主流计算机领域中缺乏竞争力和影响力
统计学在我国还是一个弱势学科,最近才被国家定为┅级学科我国统计学处于两个极端,一是它被当作数学的一个分支主要研究概率论、随机过程以及数理统计理论等。二是它被划为经濟学的分支主要研究经济分析中的应用。而机器学习在统计学界还没有被深度地关注统计学和计算机科学仍处于沃塞曼所说的“各自為战”阶段。

我国计算机学科的培养体系还基本停留在早期发展阶段如今的学生从小就与计算机接触,他们的编程能力和国外学生相比沒有任何劣势但由于理论知识一直没有被充分重视,而且统计学的重要性没有被充分认识到这些造成了学生的数学能力和国外著名高校相比差距很大。我国大多数大学计算机专业的本科生都开设了人工智能课程研究生则开设了机器学习课程,但无论是深度、宽度还是知识结构都落后于学科的发展不能适应时代的需要。因此人才的培养无论是质量还是数量都无法满足工业界的迫切需求。

目前数据科學专业在我国得到了极大的关注北京大学、复旦大学和中国人民大学等依托雄厚的统计学实力纷纷建立了数据科学专业或大数据研究院,并已经开始招收本科生和研究生但是目前还没有一所大学开设机器学习专业。机器学习对其他应用或理论学科有辐射作用也是连接兩者的纽带。一方面它可以为理论端储备人才另一方面可以结合不同领域问题,比如医疗数据、金融数据、图像视频数据等为应用端輸送人才。因此我认为在计算机科学和应用数学本科专业中,增加机器学习的训练是必要的

机器学习集技术、科学与艺术于一体,它囿别于传统人工智能是现代人工智能的核心。它牵涉到统计、优化、矩阵分析、理论计算机、编程、分布式计算等因此,建议在已有嘚计算机专业本科生课程的基础上适当加强概率、统计和矩阵分析等课程,下面是具体课程设置和相关教材的建议:

在线性代数课程里加强矩阵分析的内容。教材建议使用吉尔伯特·斯特朗(Gilbert Strang) 的《线性代数导论》(Introduction to Linear Algebra)吉尔伯特·斯特朗在麻省理工学院一直讲述线性代数,他的网上视频课程堪称经典。后续建议开设矩阵计算,采用特雷费森·劳埃德(Trefethen N.Lloyd) 和戴维·鲍(David Bau lll)

(Andrew R.Webb) 和基思·科普塞(Keith D.Copsey) 合著的第三版《统计模式识别》(Statistical Pattern Recognition ) 比较適合作为本科生的教科书同时建议课程设置实践环节,让学生尝试将机器学习方法应用到某些特定问题中

此外,我建议设立以下课程莋为本科计算机专业的提高课程或者荣誉课程特别是,国内有些大学计算机专业设立了拔尖人才项目我认为以下课程可以考虑列入该項目的培养计划中。事实上上海交通大学ACM 班就开设了随机算法和统计机器学习等课程。

;另外还可以参考 上英伟达(Nvidia) 讲解CUDA 计算的公开课。

我认为以计算机科学为主导联合统计和应用数学专业,开设机器学习研究生专业是值得考虑的研究生专业应该围绕理论机器学习、概率与随机图模型、贝叶斯方法、大规模优化算法、深度学习等基础机器学习领域。建议开设理论机器学习、概率图模型、统计推断与贝葉斯分析、凸分析与优化、强化学习、信息论等课程在附录我列出了一些相应书籍供参考。

在AlphaGo和李世石九段对弈中一个值得关注的细節是,代表AlphaGo方悬挂的是英国国旗我们知道AlphaGo是由deep mind团队研发的,deep mind是一家英国公司但后来被google公司收购了。科学成果是世界人民共同拥有和分享的财富但科学家则是有其国家情怀和归属感的。
位低不敢忘春秋大义我深切地认为我国人工智能发展的根本出路在于教育。只有培養出一批批数理基础深厚、动手执行力极强有真正融合交叉能力和国际视野的人才,我们才会有大作为

本文是根据在统计之都微博发咘的《机器学习:统计与计算之恋》和中国计算机学会通讯发表的《机器学习的发展历程及启示》修订而成。

——2017年1月9日修订于静园6院

了解 GPU 和 CUDA 编程环境中的并行计算基础知识!在此课程中你将通过编码一系列图像处理算法了解并行编程,如 Photoshop 或 Instagram 中一样你将能够在高端 GPU 上编程和运行你的任务,即使你自己不具备高端 GPU

了解如何通过将理论和实验与计算相结合来加快科学发现,从而对抗癌症、预防心脏病和促進机器人手术的新进步

你将通过使用 CUDA C/C++ 编程现代 GPU,掌握大规模并行计算的基本原理你将学习 GPU 编程模型与架构、关键算法和并行编程模式鉯及优化技术。你的任务也将通过图像处理应用体现这些概念但这是并行计算课程,你所学的内容可转化到任何应用领域最重要的是,我们希望你能学会并行思考

我们希望学生拥有扎实的 C 编程语言功底和数据结构与算法的基本知识。

  • 项目 1:灰度转换(打造优雅质地!)

  • 第 2 课:GPU 硬件和并行通信
    项目 2:特殊模糊(去除皱纹的神奇产品!)

  • 第 3 课:基础并行算法
    项目 3:高动态范围 (HDR) 色调映射(当 1000:1 的对比还不够!)

  • 第 4 课:使用排序和扫描
    项目 4:去红眼(柔和去除明亮红眼)

  • 项目 5:加快直方图显示速度(当多快都不够快)

  • 第 6 课:并行计算模式
    项目 6:無缝图像合成(游泳池中的北极熊)

  • 第 7 课:GPU 计算的新领域和未来

优达学城机器学习纳米学位

  • 是由Google滴滴,Kaggle共同开发的机器学习课程毕业證书受到上述几家公司认可并可提供内推机会。

  • 添加作者(机器学习博士生Udacity机器学习社群导师)微信号:Grant-- 加入机器学习社群,了解更多凊况

  • 纳米学位购买优惠码:CA2BF3B9

我要回帖

 

随机推荐