最近幾年人工智能概念的火熱很大程度上是因?yàn)殡S著計(jì)算能力的發(fā)展(此處可cue英偉達(dá))深度學(xué)習(xí)算法在應(yīng)用落地方面大放異彩(主要是圖像和語音的識別和分類上)。
在2012年的ImageNet圖像大賽上,多倫多大學(xué)的Geoffrey Hinton教授(現(xiàn)在的深度學(xué)習(xí)三巨頭之一)就帶領(lǐng)著團(tuán)隊(duì)使用深度學(xué)習(xí)進(jìn)行機(jī)器訓(xùn)練與圖像識別,錯(cuò)誤率只有15.3%,成為圖像識別學(xué)科歷史上的一個(gè)重要節(jié)點(diǎn)。
2015年的ImageNet圖像大賽上,微軟亞洲研究院團(tuán)隊(duì)的系統(tǒng)錯(cuò)誤率低至3.57%,第一次超越了人類。
2016年,人工智迎來了自學(xué)科建立60年以來最大規(guī)模的市場應(yīng)用爆發(fā)潮。承借著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的首先爆發(fā),云計(jì)算平臺、顯卡、芯片等的研發(fā)成為行業(yè)熱點(diǎn),而數(shù)字醫(yī)療、智能家居、自動駕駛、語音助手等應(yīng)用也獲得了極大的突破。
扯遠(yuǎn)了,在回答這個(gè)問題前,首先要把幾個(gè)概念搞清楚,“人工智能(AI)”、“機(jī)器學(xué)習(xí)”、“深度學(xué)習(xí)”、“卷積神經(jīng)網(wǎng)絡(luò)”。
以下概念范圍從大到小:
人工智能(Artificial Intelligence)是一個(gè)非常大的范疇,包括感知智能、認(rèn)知智能、運(yùn)動智能等等,又可以分成強(qiáng)人工智能和弱人工智能,攻殼、機(jī)器姬之類的屬于前者。
機(jī)器學(xué)習(xí)(Machine Learning)是人工智能的一種方法,也是現(xiàn)在比較受歡迎的一種主流思想,可以顧名思義地理解成讓機(jī)器學(xué)會學(xué)習(xí)。
深度學(xué)習(xí)(Deep Learning)是機(jī)器學(xué)習(xí)的一種,也是現(xiàn)在非?;馃岬囊粋€(gè)研究方向。深度學(xué)習(xí)中的“深度”,最簡單理解就是“有很多層”。
“深度學(xué)習(xí)的深度,指的是超過一層的非線性特征轉(zhuǎn)換。(It’s deep if it has more than one stage of non-linear feature transformation)”——Yann LeCun(“卷積神經(jīng)網(wǎng)絡(luò)之父”、現(xiàn)任Facebook人工智能研究院的院長、美國紐約大學(xué)教授、深度學(xué)習(xí)三巨頭之一)
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)則是深度學(xué)習(xí)的一種方法,安排深度學(xué)習(xí)的深層架構(gòu)可以通過直接堆疊,也可以通過卷積神經(jīng)網(wǎng)絡(luò)。
所以我們回到問題上,“想做一個(gè)人工智能的東西”這個(gè)表達(dá)比較含糊,如果你說想造一個(gè)素子小姐那短期內(nèi)還是不太可能的……如果你說想利用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)來打造一款A(yù)I應(yīng)用,比如圖像分類、視頻處理、人臉識別之類的,還是可行的。
上文提到的Yann LeCun大神就曾經(jīng)回答過這個(gè)問題:
首先,你需要盡一切可能把所有具有連續(xù)性的數(shù)學(xué)和物理課程都上一遍。微積分(I)、 微積分(II), 微積分(III)、線性代數(shù)、概率論、統(tǒng)計(jì)學(xué)這幾項(xiàng)是必不可少的,另外你還需要盡可能多的去聽物理學(xué)的課程,貝葉斯推理、反向傳播算法、傅立葉變換等等未來都會用到。
如果必須要在“iOS編程”和“量子力學(xué)”之間選一門,一定要選量子力學(xué)。不過與此同時(shí),你還是要確保學(xué)習(xí)編程……
看到這里還沒有點(diǎn)小叉叉的同學(xué),給你一朵小紅花。
全部學(xué)完之后,[劃掉]導(dǎo)師就會來邀請你申獎學(xué)金了[/劃掉],接著選一個(gè)你感興趣的AI問題。然后獨(dú)立對這個(gè)問題進(jìn)行思考。(比如我想做一個(gè)人臉識別的軟件,我應(yīng)該用什么方法采集數(shù)據(jù),如何分類人臉特征,如何識別等等)
一旦你形成了自己的想法,就開始讀書、讀論文。網(wǎng)上也有很多關(guān)于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的材料、教程和視頻課程,但是建議你先思考-再讀書-最后看教程。
小智插話:對于中國學(xué)生而言,你還需要確保自己的英語水平常年保持在6級以上。畢竟所有大牛的論文都是英文的……
讀完之后你將會發(fā)現(xiàn),(1)你之前的想法有點(diǎn)幼稚,但是(2)你對這個(gè)問題的看法開始有點(diǎn)不一樣了。
接著,如果你是個(gè)本科生,你就可以去勾搭教授了,清華、中科院、北航等都是業(yè)內(nèi)不錯(cuò)的院校,英語好的可以去勾搭國外教授。但是鑒于你現(xiàn)在也沒有發(fā)表什么作品,教授勾搭不到的話,轉(zhuǎn)而勾搭博士/博士后也是可以的。
對于已經(jīng)工作了的人來說,有幾個(gè)線上文獻(xiàn)/課程可以參考。
2015年5月《自然》雜志上刊登的一篇概述性論文《深度學(xué)習(xí)》(Deep learning),由深度學(xué)習(xí)三巨頭(Yann LeCun、Yoshua Bengio 、Geoff Hinton)共同撰寫。
地址戳:http://www.nature.com/nature/journal/v521/n7553/abs/nature14539.html
系統(tǒng)性的課本方面,Yann LeCun推薦由Goodfellow、Bengio 和 Courville共同撰寫的《深度學(xué)習(xí)》(Deep learning)
地址戳:http://www.deeplearningbook.org
此外,F(xiàn)acebook、英偉達(dá)等也都設(shè)立了AI相關(guān)的線上/線下課程教程、還有Caffe、Torch、TensorFlow、Theano等這幾大開源平臺的使用手冊、最近國內(nèi)外各類的AI大會也都層出不窮……想學(xué)東西的方法很多,這只是其中一條路而已。