脑皮层学习算法 ---nupic的深入学习（一）

1.nupic简介

1.1 背景

说到AI，我们首先就会想到深度学习，tensorflow等。目前以深层的神经网络占据了AI的半壁江山。从本质上来说，深度学习所表述的神经网络，其实是源自于一个“类脑”的想法—通过模仿人类大脑的神经元的相互连接，结合权重，反向传播等数学知识所构成。但深度学习的神经网络运作仍与人类大脑真实运作情况相去甚远。

nupic是一个在github上开源了的AI算法平台，相比于深度学习，其更为接近人类大脑的运行结构。其算法的理论依据，就是纯粹的生物神经学知识，类似突触连接与分解，神经元，多个脑皮层的交互，动作电位等等。工程实现也基于此。

nupic是由Jeff Hawkins等人创造的算法，其目的是生产出更为接近真实人脑运作的AI。其理论依据主要是人脑中处理高级认知功能的新皮质部分的运作原理。目前，nupic还远远无法模拟整个人脑。不过，这已经是机器学习上的重大进步了。

NuPIC 并不是唯一开源的机器学习算法，但是它有自己的独特之处。Taylor 说，许多机器学习算法无法适应新模式，而 NuPIC 的运作接近于人脑，“当模式变化的时候，它会忘掉旧模式，记忆新模式”。如人脑一样，CLA 算法能够适应新的变化。“如果有一天，你醒来的时候发现过去认为是蓝色的东西变成了红色，一开始会感到不安，”他说，“但你会逐渐地适应”。

1.2 nupic的作用

nupic的运作其实比较类似大脑，接受外部输入（时间序列），学习其模式，并不断纠错，然后在这过程形成经验，进行预测。因此，nupic可用于预测以及异常检测，适用面非常广（目前认为，只要是时间序列都可以）。其内部结构决定了其有很强的记忆和学习功能。
nupic最特别的一点，也是其相对于其他深度学习算法最大的不同，那就是，**nupic模型一旦建好，就能够学习完全不同的多个输入模式，并对他们同时做出预测和异常检测。这一点就类似人脑，大脑不同部位负责不一样的学习任务。**而深度学习的算法就做不到这点，一个算法面对一个同样的输入模式。但这只是深度学习与nupic的不同，并无优劣。

nupic的预测也很有趣，在当前时刻，算法能够预测接下来的几个时间点的数值（nupic是针对时间序列开发的）。另外，预测的结果并不止一个。nupic会预测好几个可能的数值，并给出对应的概率。

nupic的鲁棒性很强，这我多次测试过，确实如此。另外，预测能力也非常强，经历几次异常值后，在不妨碍系统辨认出其是异常值的情况下，算法会将具体异常值也预测出来。

nupi