人工智能,作为计算机科学的一个分支,在过去的几年实现了爆炸式发展。2016年Google DeepMind的AlphaGo打败了韩国的围棋大师李世石九段,让人工智能赢得了前所未有的关注。人工智能的发展,主要得意于三个方面:GPU的发展使并行计算变得速度更快、成本更低、性能更强大;深度学习算法大大提升了人工智能在语音、图像处理等应用层面的准确度;与此同时,存储设备的容量变得越来越大,而我们正获得海量数据(即大数据的发展),无论是图片、文字、交易信息,还是地图数据。
生活在象牙塔里的我们,对人工智能的认识或许还停留在一则刷屏的重磅新闻上,自认为人工智能离自己的专业非常遥远,熟不知它就在我们身边。今天的这篇文章主要跟大家讲述人工智能与大学数学(高等数学、线性代数、概率论与数理统计)间密不可分的关系。
人工智能——为机器赋予人的智能
人工智能分为“强人工智能”和“弱人工智能”。强人工智能是指,机器有着我们所有的感知(甚至比我们更多)、智慧和理性,可以像我们一样思考;这是人工智能的终极目标,可惜的是,目前我们只能在电影中看到,像星球大战中的C-3PO(一个神经质的、多愁善感的礼仪机器人)。
我们目前能实现的,一般被称为“弱人工智能”。弱人工智能是能够与人一样,甚至比人更好地执行特定任务的技术。 例如,Pinterest上的图像分类;或者Facebook的人脸识别。这些是弱人工智能在实践中的例子。这些技术实现的是人类智能的一些具体的局部。但它们是如何实现的?这种智能是从何而来?这就带我们来到同心圆的里面一层,机器学习。
机器学习—— 一种实现人工智能的方法
机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。机器学习最成功的应用领域是计算机视觉,虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器,以便让程序能识别物体 从哪里开始,到哪里结束;写形状检测程序来判断检测对象是不是有八条边;写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器,人们总算可以开发算法来感知图像,判断图像是不是一个停止标志牌。
这个结果还算不错,但并不是那种能让人为之一振的成功,直至深度学习的出现。深度学习的本质还是人工神经网络,但它使得机器学习能够实现众多的应用,并拓展了人工智能的领域范围,并摧枯拉朽般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。
说到这里,大家可能会想,上述内容与大学数学有什么关系呢?客官,莫急,接下来我们来揭晓答案~
大学数学—— 机器学习理论至关重要的基础
机器学习理论是与统计学、概率论、计算机科学、算法等方面交叉的领域,它产生于从数据出发的学习迭代,试图找出用于开发智能应用的隐藏的洞见。接下来我将为大家说明成为一名机器学习科学家/工程师需要的最低程度的数学,以及每个数学概念的重要性。
1. 线性代数(35%)
Skyler Speakman曾说:“线性代数是21世纪的数学”,我完全赞同该论述。在机器学习领域,线性代数无处不在。主成分分析(PCA)、奇异值分解(SVD)、特征分解、LU分解、QR分解、对称矩阵、正交化&标准正交化、矩阵运算、投射、特征值&特征向量、向量空间和规范等这些概念对理解机器学习的优化方法都是必须的。
2. 概率论与数理统计(25%)
机器学习和数理统计并不是完全不同的领域。事实上,最近有人把机器学习定义为“在Mac上做数理统计”。机器学习需要的数理统计基础和概率论知识包括组合数学、概率规则&公理、贝叶斯定理、随机变量、方差和均值、条件和联合分别、标准分布(伯努利、二项、多项、统一和高斯)、矩母函数、最大似然估计(MLE)、先验和后验、最大后验估计(MAP)和采样方法。
3. 多元微积分(15%)
必要的概念包括微积分、偏导数、向量函数、方向梯度、Hessian、Jacobian、Laplacian和Lagragian分布。
大学期间,我们学习的数学课程涵盖了机器学习75%-85%的理论基础。什么?大学数学原来这么有用!试想一下,我们与人工智能的距离还是我们之前想象的那么遥远吗。目前越来越多的院校开设了人工智能必修课或者选修课,如果将“人工智能”作为一门课程,那么其与大学数学这门课程,算不算近亲呢?
难怪Facebook人工智能研究院院长、深度学习大牛Yann LeCun认为“要研究机器学习,本科应尽量多学数学课程”。
- END -
赛氪考研原创,转载请注明出处。
非常抱歉!本站不支持旧版本IE浏览器~~建议使用IE10/IE11/Chrome/Firefox/Safari等高级浏览器浏览。