2018 AI World 观后感——周志华教授part

2018年9月30日在老师的推荐下看了2018年人工智能峰会，没看完，今天看的是周志华教授的部分

主要思想是 机器学习，或者说深度学习 成功的背后，有什么支持着，这些支柱有什么能改进的地方。

（黑体字为会议内容总结，红字为观后感，或者说一些学习结果）

  虽然一直在接触深度学习，实际上对于其在工业方面的应用并不是特别清楚，今天特意去查了一下，发现深度学习真是撑起了今天应用程序的一片蓝天，自动识别，自动处理，提取信息进行分类，可以说和智能化息息相关。

  周志华教授主要提及了三个方面：深度模型，监督信息以及人物环境

关于深度模型：当前主要面临 深度学习==深度神经网络的局面，这二十多年来取得了很大的进展，但面临临界状态，神经网络模型过于复杂！于是南大的研究室最近提出了 深度森林的想法，抛开神经网络模型和BP算法，而是基于非可微函数建立模型，据教授说，在处理离散数据方面效率可能接近 神经网络。

关于监督信息:周志华教授提及，目前机器学习依靠着强监督信息建立体系，但是随着算法复杂性的增加，需要的数据越来越多，对应的监督信息也会成为问题。所以说弱化监督信息的比重是很有意义的。

  大数据时代，样本不成问题。（错） 这些数据是需要人工处理，标注的。

数据标注现在已经发展成一种职业，具体是 从各种渠道获取数据，并且进行分类，标记整理。

例如，现有一个图像识别模型，利用机器学习的相关算法来实现，那麽就需要数据去训练模型，还有交叉验证，还有测试。

也就是说，数据集按需求分成了 训练集，交叉验证集以及测试集。而在训练集中，可能有一张飞机的照片，我们就需要进行数据标注，告诉计算机，这是一个飞机，以后看到类似的东西就将其识别成飞机吧。这就是数据标注的意义。担任相关工作的人员可以发展成数据库管理员，因为对数据的走向脉络相当清晰。

而绕了这么一个圈子，监督信息是什么呢？

经过这两天查阅的，并不完全的信息，我觉得监督信息就是对数据进行的标注。周志华教授的演讲中也说，Alpha Zero 虽然不用人类棋局的信息，而是机器博弈，但是它获得了极强的堪称上帝的监督信息，即判断棋局的输赢，我觉得这就是一种数据标注。

 

关于任务环境：主要探讨的还是模型的稳定性。在数据变化的时候，我们能否保证robust性呢？

并且值得注意的是，很多时候我们探讨的强化学习技术（是指 deep reinforcement learning吗？），与环境进行交互，改变数据的来源，实际上并没有改变实质，没有挑战规则，试问当整个规则都变化了，我们的模型能真正稳定下来吗？这个问题值得深入探讨。

 

受益匪浅！！