机器学习初探

    2016-07-20

   这段时间一直在主攻数学基础，这是在弥补以前的的没有好好利用时间的错误。我想学习机器学习，一者是初步了解一下这个最近火热的领域需要哪些数学知识，顺便把实际工作中可能用到的数学知识巩固一遍；二者是想了解深度图像和机器学习是否有结合的可能性，是不是在这个新的方向上有更多的有意思的工作可以去做。

   方式嘛，还是只有看书喽。这才是吸收知识最快的方式。我暂时不想花费过多的时间在这方面，买了三本书《机器学习（周志华）》、《统计机器学习（李航）》、 Neural Networks and Learning Machines。我认识的人中目前还是没有做这个研究方向的，连一个请教的人都没有，这实在是比较糟糕。我读了周教授的书后才知道，原来现在机器学习基本上是使用统计学的知识，微积分、泛函、线性代数这些是更加基础的知识。大家如果感兴趣，知乎上有机器学习入门所需要的基础知识的详细介绍。不过，如果只是想简单的了解这个课程，买一本周教授的《机器学习》就足够了。

   相比于我之前学习DIP、CG、CV来说，学习这个课程就感觉好多了。看到公式，也不至于一脸懵逼，现在还能知道对应着那些数学基础，如果不懂，知道该去参考哪本书哪个章节。这是一个不错的开始。我目前只是看了前两本书，花费了三四周的时间。第三本书是深度学习方面的，暂时没有必要覆盖了。我发现机器学习方面的知识，比图像处理方面的更加抽象一些。起码图像处理教材上的东西，都基本上对应着一个个算法。这也是理所当然的，当我我们想要解决深一个层次的问题时，就需要一个更高级别的描述语言。数学语言应该是非常高级的描述语言了，然而，我们现在把数学语言转换成计算机语言就已经这么费劲了，何况有些问题，我们仍无法使用数学语言去描述。有观点说，机器学习不应该程序员去搞，而是做数学的人去搞，因为程序员的数学能力不行。这显然是过激了。但是，在这个方向上，数学的重要性是毋庸置疑的。

   最近人工智能威胁论甚嚣尘上啊，自动驾驶汽车也是热点。对不了解的事情狂热，可不是什么好的事情。在互联网时代，意见领袖的话语权更是前所未有的集中，其意见带来的效应更是无比巨大。这一点我们必须要注意，不要被满屏的消息过度暗示了。（我自从不使用任何社交工具后，整个世界都清净了。）看到李开复对AlphaGo的评价，我才觉得这才是真正中肯的评价。前几天我在群里里讨论自动驾驶，有哥们儿挺支持的。我的看法是最近几年内不靠谱。王垠的的观点 ^[5]还是很有道理的。没过两天，就有报道出Tesla autopilot导致人命事故 ^[6]。公司夸大自己产品，这样的事情是无法避免的。使用者也需要有能力辨别他有多大程度的吹牛。毕竟拿自己的生命来冒险测试新技术，这样的代价究竟是否值得。

 

 

1. https://zhuanlan.zhihu.com/p/20622308     人工智能打脸史
2. https://dahuasky.wordpress.com/2008/09/13/computer-vision%E7%9A%84%E5%B0%B4%E5%B0%AC/  Computer Vision的尴尬
3. https://dahuasky.wordpress.com/2010/09/23/learning%E5%92%8Cvision%E4%B8%AD%E7%9A%84%E5%B0%8F%E8%BF%9B%E5%B1%95%E5%92%8C%E5%A4%A7%E8%BF%9B%E5%B1%95/    Learning和Vision中的小进展和大进展
4. https://en.wikipedia.org/wiki/Artificial_intelligence  
5. http://www.yinwang.org/blog-cn/2016/03/19/self-driving-car-liability  
6. http://www.yinwang.org/blog-cn/2016/07/10/tesla-autopilot-fatal-crash  
7. http://www.52cs.org/?p=312     人工智能史
8. https://www.zhihu.com/question/20436331    

[ 主页]