Posts

Showing posts from December, 2018

數學不好還學什么AI人工智慧?!

Image
數學不好還學什么AI人工智慧?!別說笑了! 人工智慧與數學之間的關系可歸納為: 在AI領域工作的不懂數學的人就像一個不懂得說服的政治家。 兩者都有一個不可避免的區域可供使用。 現在,在你全部緊張起來之前,因為互聯網上的某個人只是告訴你你需要數學,放松一下。 你確實需要數學,但你不需要全部。 另外,我將在本文末尾告訴你秘訣。 但首先,你真的需要什么樣的數學? 線性代數:這是您絕對需要熟悉的數學的一部分。 即使你只想成為一名深度學習的實踐者,而不是研究者,你仍然需要線性代數。 為什么? 因為幾乎所有數據都將采用多維矩陣的形式。 您將使用代碼進行的許多魔術將要求您了解此類矩陣的操作。這絕對是你應該學習的東西。 微分學:如果你只是想在深度學習中創造一些有趣的項目,那么這個并不是絕對必要的。 但是,如果你想深入了解事情是如何運作的,或者你想進行一些研究,那么你需要在你的工具帶中使用這個工具。 統計:由于您將處理大量數據,并且您還需要操作,理解和可視化這些數據,因此您需要統計數據。 概率:如果你進入一些嚴肅的應用程序,那么你也需要概率,因為通過任何類型的深度學習,你將處理概率。 嚴重的應用,如自動駕駛汽車,人工智慧等將要求您使用概率模型。 但是對于一些輕量級深度學習,你不需要太多。 就數學而言,這幾乎就是深度學習所需要的。 如果你只是想玩深度學習并做一些輕量級項目來獲得樂趣,那么只要熟悉這些概念就可以了。 但是,如果你想進入完整的研究模式,那么你需要非常精通這些東西。 此外,您不需要成為數學向導來深入學習從業者。 您只需要學習線性代數和統計學,并熟悉一些微積分和概率。 現在,正如我所承諾的,秘密醬。 如果您感到被數學所嚇倒,這是您不進入深度學習或任何其他領域的唯一理由,那么這個秘訣就是為您服務。 秘訣就是:學習數學的唯一方法是做數學 - 保羅·哈爾莫斯。 如果你想更加了解人工智慧,或者說想實踐一下人工智慧項目,谷歌的另一款工具或許可以幫到你,也就是谷歌的AIY Projects項目。 AIY Vision Kit附帶的軟件運行三個基于TensorFlow的神經網絡。 其中一個基于谷歌的MobileNets平臺,能夠識別超過1,000個日常物品。 第二個可以在圖像中發現面部和表情。 最后一個是專門用于識別貓,狗和人的神經網

AI首席科學家吳恩達,給AI企業5個建議!

Image
AI首席科學家吳恩達,給AI轉型的企業透露了5個信號! Google Brain 聯合創始人和前百度人工智慧首席科學家Andrew Ng宣布推出“AI轉型手冊”,這是一份針對希望創建AI優先公司的商業領袖的說明性指南。 該手冊是Ng的最新舉措,他一直在為創業公司、開發商和傳統企業提供有關如何在AI時代建立成功企業的建議。 近年來,同時也是斯坦福大學教授的Ng一直是人工智慧聚會的中流砥柱,公司高管們在這里聚會討論如何成為一名優秀的人工智慧公司。 “'人工智慧轉型手冊'綜合了我在谷歌和百度領導和建立這些團隊的大量課程,以及我學到的與許多CEO討論和互動的課程,包括許多軟件行業以外的人,”Ng 在電話采訪中告訴VentureBeat。 該手冊提供了五個主要規則,用于如何將業務轉變為AI-first公司: 1.執行試點項目以獲得動力 2.建立一個內部人工智慧團隊 3.提供廣泛的AI培訓 4.制定人工智慧戰略 5.內部和外部溝通 Ng表示,對制造人工智慧第一的公司感興趣的企業高管面臨挑戰,可能會犯一些常見的錯誤。他警告說,只是向工程師投入大量數據并期望成功,或誤解AI能做什么和不能做什么都會導致失敗。 對人工智慧的潛力和局限有廣泛的了解可以比CEO和數據科學家更有幫助。“我認為公司中的許多人都知道AI能做什么,不能做什么,這很重要。也許并非公司中的每個人都需要深層次的知識,但它肯定遠遠超出了[工程團隊],“他說。 另一個常見錯誤是從一個小型試點項目開始,未能建立勢頭并擴大初始努力,以使AI在整個公司中普遍受到影響。 媒體報道可能會歪曲人們理解的可能性,因為商業新聞傾向于關注人工智慧的成功故事。 Ng將那些只聽到突破性研究和效率提升的首席執行官比作一個只訓練貓只看貓的計算機視覺系統。 “如果你訓練一個學習算法,你展示的每張圖片都是貓的圖片,那么它認為世界上的每一件事都是一只貓,因為從來沒有見過任何不是貓的東西。而且我認為,以類似的方式,如果你向高管們展示一系列成功故事,但沒有失敗的故事,那么它會給人留下一個人工智慧可以做任何事情的印象,而這是不正確的,“他說。 除了發布的手冊之外,Ng還是在線學習門戶Coursera的聯合創始人,該課程因Ng的機器學習課程而受到歡迎。還有deeplearn

什么是AI深度學習?8個實例說得太直白!

Image
最近有很多關于機器學習人類目前在我們的工廠、倉庫、辦公室和家庭中做的事情的可能性。 雖然技術在快速發展 - 伴隨著恐懼和興奮,但人工智慧,機器學習和深度學習等術語可能讓您感到困惑。 我希望這個簡單的指南能夠幫助解決圍繞深度學習的困惑,這8個實例將有助于解釋當今深度學習技術的實際應用。 什么是深度學習? 人工智慧領域基本上是機器可以完成通常需要人工智慧的任務。 它包含機器學習,機器可以通過經驗學習并獲得技能而無需人為參與。 深度學習是機器學習的一個子集,其中人工神經網絡,受人類大腦啟發的算法,從大量數據中學習。 與我們從經驗中學習的方式類似,深度學習算法會反復執行任務,每次調整一點以改善結果。 我們稱之為“深度學習”,因為神經網絡具有各種(深層)層次,可以實現學習。 幾乎任何需要“思考”解決的問題都是深度學習可以學會解決的問題。 我們每天產生的數據量是驚人的 - 目前估計為2.6億字節 - 這是使深度學習成為可能的資源。 由于深度學習算法需要大量數據來學習,因此數據創建的增加是深度學習能力近年來增長的一個原因。 除了更多的數據創建之外,深度學習算法還受益于當今可用的更強大的計算能力以及人工智慧(AI)即服務的激增。 人工智慧即服務使小型組織能夠訪問人工智慧技術,特別是深度學習所需的人工智慧算法,無需大量初始投資。 即使在使用非常多樣化,非結構化和相互連接的數據集時,深度學習也允許機器解決復雜問題。 學習算法越深入學習,表現就越好。 8個深度學習的實例 現在我們正處在機器可以學習如何在沒有人為干預的情況下解決復雜問題的時代,他們正在解決的問題究竟是什么? 以下是深度學習當前支持的一些任務,隨著算法通過輸入數據繼續學習,列表將繼續增長。 1、虛擬助手 無論是Alexa還是Siri還是Cortana,在線服務提供商的虛擬助手都會使用深度學習來幫助理解您的語音以及人們與他們互動時使用的語言。 2、翻譯 以類似的方式,深度學習算法可以在語言之間自動轉換。 這對旅行者,商務人士和政府人員來說都很有用。 3、無人駕駛運輸卡車,無人駕駛飛機和自動駕駛汽車的愿景 自動駕駛汽車了解道路的現實以及如何回應它們的方式,無論是停車標志,街道上的球還是其他車輛,都是通過深度學習算法來實現的。 算法接收的數據越多,他們在信息處理中就越能夠像

3分鐘看懂機器學習與深度學習,AI其實沒那么難理解

Image
3分鐘看懂機器學習與深度學習,AI其實沒那么難理解! “人工智慧”一詞已經流傳了一段時間。 我們在科幻電影中看到它,我們玩的“AI”游戲機器人,Google搜索等等。 盡管如此,“機器學習”和“深度學習”已經浮出水面,很多人都在詢問這些是什么。本文將給出具體的解釋,讓你輕松了解二者的區別。 人工智慧 人工智慧是一般類別,三者都是共同的。 在圖表中,人工智慧將是包含機器和深度學習的更大的封裝圈。 AI基本上是由機器演示的任何智能,在遇到問題時將其引導到最佳或次優解決方案。現在,像這樣的算法不具備大多數人將“AI”與之相關聯的認知,學習或解決問題的能力。 然而,該算法只是一個代理,在給定問題及其狀態的情況下導致最優解。 屬于AI但不屬于機器學習的代理通常是僅使用決策樹用于邏輯的代理,或者是使用規則和指令構建的代理。 機器學習:認知的跡象 Arthur Samuel在1959年創造了“機器學習”一詞,將其定義為“沒有明確編程就能學習的能力。”機器學習,最基本的形式,是使用算法解析數據,從中學習,以及 然后對世界上的某些事物做出決定或預測。 初學者最常見的例子是房價。 Redfin或Zillow這樣的網站如何預測當前擁有的房屋的價格是多少? 這并不復雜。 機器學習的核心是,除了在很多方面外,它實際上只是制作了最佳的線條。 房價預測模型會查看大量數據,每個數據點都有幾個維度,如大小,臥室數,浴室數,庭院空間等。它會根據這些輸入參數創建一個函數,然后將系數轉換為 這些參數中的每一個都在查看越來越多的數據。 這種機器學習方法稱為“監督學習”,其中給予模型的數據包括每個輸入集的問題答案。 它基本上為每組特征提供輸入參數,稱為特征和輸出,模型從中調整其功能以匹配數據。 然后,當給定任何其他輸入數據時,模型可以執行相同的功能并產生準確的輸出。 機器學習的其他派系是無監督學習和強化學習。 簡而言之,無監督學習只是發現數據的相似之處 — 在我們的房子示例中,數據不包括房價(數據只會輸入,它沒有輸出),模型可以說“嗯,基于這些參數,House 1最類似于House 3“或類似的東西,但無法預測給定房屋的價格。 代理在環境中采取行動,該環境被解釋為狀態的獎勵和表示,其被反饋到代理中。 想想一個小寶寶:哭泣導致糖果 — 獎勵。 隨

巴西國家博物館被焚毀,谷歌用AI技術恢復100%原貌!

Image
兩年前,谷歌的藝術與文化團隊開始將博物館數字化。 巴西國家博物館位于巴西里約熱內盧市昆拉達博阿維斯塔公園。巴西國家博物館是巴西最古老的博物館之一,歷史可以追溯至1818年,在19世紀初曾是葡萄牙王室的王宮,為美洲地區最大的人文和自然歷史博物館之一。2018年早些時候舉行了紀念其建立200周年的活動。巴西國家博物館是里約熱內盧的標志之一。 2018年9月,在里約熱內盧的一場大火燒毀巴西國家博物館。其實在此幾年前,谷歌的藝術與文化團隊就開始與博物館合作,對該系列進行數字化處理。 在地獄之后的幾個月,谷歌重新開放了博物館的大門 - 雖然是使用街景圖像和數字展覽的虛擬形式。 該博物館和谷歌已經計劃在事件發生之前將該系列提供給在線觀看。 當然,沒有任何虛擬旅游可以真正取代物理博物館,也不會估計大火毀壞的2000萬件文物。 但是3D掃描,高分辨率攝影以及虛擬和增強現實等工具可以為具有歷史價值的物品提供某種形式的保護。 我們永遠不會忘記在火災中丟失的自然歷史展品(包括在美洲發現的恐龍化石和最古老的人類骨骼) - 到目前為止,研究人員已經恢復了大約1500件物品。 谷歌等數字化項目至少可以為災難發生時為后代保留歷史上重要的物品。 Google 近幾年一直在積極、大力投入人工智慧領域。比如去年5月份推出的AI開源項目——AIY Projects,全稱為 Artificial Intelligence Yourself,意為動手創造你的人工智慧。其目標是讓每個 Maker(創客)都可以 DIY 自己的 AI 人工智慧產品。除了工作應用及個人開發愛好,Google AIY 套件也已經逐漸被運用到教育科學領域中,用來培養學生對計算機科學的興趣。同時,谷歌還發布了AIY 系列項目的硬件,鼓勵開發者們和愛動手的技術發燒友自己在家搭建 AI 小硬件。

谷歌AlphaGo增強版又攻下國際象棋和日本象棋!

Image
由Google DeepMind開發的備受好評的人工智慧AlphaGo已得到增強,除了古老的中國棋盤游戲Go之外,它還可以再玩兩個游戲。 DeepMind周四宣布AlphaZero是著名的AlphaGo AI的最新版本,它擊敗了Go世界冠軍Lee Sedol,也可以達到國際象棋和將棋(日本國際象棋)超級水平。 該公司于2014年以4億英鎊被收購。 DeepMind表示,AlphaZero自學了如何從頭開始玩這三款游戲,并成為歷史上最強大的玩家,盡管從隨機游戲開始訓練,沒有內置的領域知識,但游戲的基本規則。 “這種重新學習每個游戲的能力,不受人類游戲規范的限制,產生了一種獨特的,非正統的,但具有創造性和動態的游戲風格,”DeepMind的AlphaZero團隊在博客文章中寫道。 世界國際象棋冠軍加里卡斯帕羅夫贊揚了這項工作。 在他自己的“科學”雜志上,他寫道:“程序通常反映程序員的優先事項和偏見,但由于AlphaZero程序本身,我會說它的風格反映了真相。” DeepMind承諾開始將其在游戲工作中的一些經驗應用到真正的科學挑戰中。 DeepMind的聯合創始人穆斯塔法·蘇萊曼(Mustafa Suleyman)在推特上寫道:“學會以新的和意想不到的方式處理多個問題的自學系統可以幫助我們在社會面臨的一些最復雜的問題上取得突破。” Google 近幾年一直在積極、大力投入人工智慧領域。比如去年5月份推出的AI開源項目——AIY Projects,全稱為 Artificial Intelligence Yourself,意為動手創造你的人工智慧。其目標是讓每個 Maker(創客)都可以 DIY 自己的 AI 人工智慧產品。除了工作應用及個人開發愛好,Google AIY 套件也已經逐漸被運用到教育科學領域中,用來培養學生對計算機科學的興趣。同時,谷歌還發布了AIY 系列項目的硬件,鼓勵開發者們和愛動手的技術發燒友自己在家搭建 AI 小硬件。

福布斯發布全球50位科技女性,谷歌前任首席AI科學家李飛飛上榜!

Image
今天在世界上工作的許多頂尖技術人員都是女性 - 他們不愿意滿足于現狀。 2018年世界排名前50位的女性技術人員擁有豐富的連續創業者,他們繼續磨練自己的STEM技能,建立業務,促進創新并指導下一代變革推動者。 從區塊鏈到生物技術,這個國際榜單列表正在以他們所愛的方式工作,從而超越了這一點。 多個科技行業的經驗是這方面的主要標志,福布斯三大系列女性科技排行榜的最終名單。 候選人包括10月份推出的歐洲頂級科技女性成員,以及11月份首播的美國名單上的成員。 全球名單介紹了來自肯尼亞,尼日利亞,新西蘭,澳大利亞,香港,中國,以色列和阿聯酋的11名新入選者,他們都在影響著世界。 女人不等待未來。 2018年首屆女性技術50強名單確定了三代具有前瞻思維的技術專家,領導著全球十幾個科技行業。 11月,我們介紹了美國在STEM工作的前50名女性。 福布斯歐洲排行榜開始于多部分系列,于10月份在Ada Lovelace Day前夕推出,旨在表彰第一位計算機程序員。 我們與全球50強科技巨頭,創始人,工程師,創新者和勇士隊結束了這一年。——福布斯 以下是全部名單: 被業界譽為AI女神的李飛飛曾經是谷歌AI首席科學家,在今年秋季,李飛飛卸任 Google 回歸斯坦福,但是仍將致力連結 AI 學界與業界。 李飛飛在2017年1月以谷歌云首席科學家的身份加入了谷歌,正式進入產業界,成為備受關注的AI領域明星人物。李飛飛加入谷歌云極力推動AI民主化,大概包含了四步:計算的民主化、數據民主化、算法民主化、人才和專業知識的民主化。 在任職期間,李飛飛還領導過谷歌AI中國中心。在2017年12月份上海舉辦的谷歌(Google)開發者大會上,谷歌宣布在北京成立谷歌AI中國中心。這是谷歌在亞洲的第一個AI中心。這個中心將與谷歌在世界各地,包括紐約、多倫多、倫敦和蘇黎世在內的AI研究小組一起,共同讓人工智慧更好地服務于全人類。 以Google 為代表的互聯網科技巨頭,也正在積極、大力投入人工智慧領域。早在去年 5 月谷歌就推出了 AIY 系列項目的硬件,鼓勵開發者們和愛動手的技術發燒友自己在家搭建 AI 小硬件。 什么是Google AIY Projects? AIY 項目(AIY Projects)全稱為 Artificial Int

區塊鏈完蛋了嗎?

Image
近年來,人們對區塊鏈的變革能力進行了大量討論 - 區塊鏈是為比特幣提供動力的分布式加密分類賬技術。雖然比特幣和其他加密貨幣是其最公開的用例,但人們常說,區塊鏈將徹底改變許多其他行業的業務流程,從銀行業到鉆石開采和食品安全。 然而,最近對43項舉措的研究報告說,盡管有大量的承諾和令人信服的論據,但沒有一個項目能夠證明他們能夠使用區塊鏈技術來實現其目標。 隨著比特幣和其他加密貨幣在2018年期間穩步下跌 - 與去年的峰值相比高達80% - 現在是時候承認分散式分布式賬本的偉大實驗失敗了嗎?每當有任何新技術出現時都有可能震撼人心,那些出售它的人就會發出最響亮的聲音。 最重要的是,由于加密貨幣行業產生的大量熱空氣和徹頭徹尾的詐騙,區塊鏈已經被許多人所詬病。除了大量的交易所隨客戶資金消失,后來被曝光為非法業務,ICO的趨勢 - 最初的硬幣產品 - 導致許多失敗的項目和虧損。 通過提供數字加密貨幣代幣,ICO被吹捧為一種為企業籌集資金的新方式,理論上,隨著業務的增長,這些代幣將增加價值。 然而,圍繞這種做法缺乏透明度,以及舉措隨著投資者的資金而消失的傾向導致監管機構發出關于參與的警告。 雖然這些問題與通常使用私有區塊鏈的工業區塊鏈概念幾乎沒有關系,但大量的負面新聞無疑會導致組織變得更加謹慎。 據Forrester稱,這甚至會影響公司使用的語言 - 其中術語分布式分類帳技術(縮寫為DLT)正變得越來越普遍,因此企業可以避免區塊鏈這個詞的負面聯想。 除此之外,區塊鏈還有其他基本障礙。 其中之一就是向某人解釋區塊鏈的革命性并不總是很容易。 當然,它允許我們保持交易的安全記錄 - 但如果使用加密技術進行適當保護,其他常規數據庫也是如此。 也許最詛咒的是產生驅動許多區塊鏈應用(如比特幣)所需的計算能力的環境成本。 解決將存儲在公共區塊鏈上的信息保密的加密挑戰需要大量的計算資源。 據報道,今年早些時候,比特幣網絡正在逐年燃燒42太瓦的能量 - 這超過了新西蘭或匈牙利等國家使用的全部能源。 產生這樣的能量會產生20兆噸的二氧化碳排放 - 與大約一百萬次跨大西洋航班相同。 實際上,在企業內部實施的私有區塊鏈不會在任何類似規模的情況下使用能源 - 但按比例,它們仍然經常是高度CPU密集型的。 由于推出了人工智慧(AI)和預測建模技術(已經證明

為什么互聯網大佬們都爭相研究AI芯片?

Image
在現今,商業或社交網站都存在著大量的“深度學習”算法。在過去的十年中,這些強大的人工智慧(AI)工具已經越來越成功地應用于圖像分析,語音識別,翻譯和許多其他任務。實際上,這些算法的計算和功率要求構成了現在數據中心的主要需求,而且仍在增長。 研發設計人員經常將大部分高度并行計算卸載到商業硬件上,尤其是最初為快速圖像渲染而開發的圖形處理單元(GPU)。這些芯片特別適合于計算密集型“訓練”階段,該階段使用許多經過驗證的示例來調整系統參數。 “推理”階段,其中部署深度學習來處理新穎的輸入,需要更大的存儲器訪問和快速響應,但是歷史上也已經用GPU實現。 然而,為了應對快速增長的需求,公司正在競相開發更直接賦予深度學習能力的硬件,最迫切需要進行推理以及培訓。大多數工作都集中在“加速器”上,這些加速器與GPU一樣,在通用處理器的松散方向下快速執行其專門任務,盡管也正在探索完整的專用系統。本文所聯系的大多數公司都沒有回應或拒絕在這個快速發展和競爭激烈的領域討論他們的計劃。 深度神經網絡 自20世紀80年代以來使用的神經網絡受到人腦大腦簡化模型的啟發。 深度學習技術使神經網絡具有更高級別的復雜性,通過計算能力的大幅增加以及在特定域中訓練系統所需的大型驗證示例數據庫的可用性,其成功實現了它們。 “深層”神經網絡將神經元排列成層(多達數十層),逐步“推斷”輸入數據的更抽象表示,最終導致其結果; 例如,翻譯的文本,或識別圖像是否包含行人。 當網絡最終用于推理時,權重通常在系統暴露于新輸入時保持固定。 層中的每個神經元執行獨立計算(將其每個輸入乘以相關權重,添加乘積,并進行非線性計算以確定輸出)。 伊利諾伊大學厄巴納 - 香檳分校的計算機科學家克里斯托弗弗萊徹表示,大部分計算都可以作為矩陣乘法,這可以讓許多步驟同時完成,并且“看起來像我們一直在解決的問題 在很長一段時間內在GPU和高性能計算上。“ 定制化硬件 在推理過程中,與離線培訓不同,無論是在自動駕駛汽車還是在Web應用程序中,快速響應都至關重要。 “延遲是云提供商最重要的事情,”弗萊徹指出。相比之下,他說,傳統的“GPU是專為那些不關心延遲的人而設計的,但是有很多工作,只要他們獲得全部吞吐量,一切都會好起來的。” 認識到響應時間的重要性以及預測神經網絡應用不斷增加的功率需求,云計算巨頭谷歌