您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识
深度学习适合什么人学习?
深度,的人,神经网络深度学习适合什么人学习?
发布时间:2016-12-08加入收藏来源:互联网点击:
具备较好的逻辑思维能力的本科生。
回答于 2019-09-11 08:43:50
在校学生:
1. 希望去企业或研究机构实习或者就业
2. 有较强的数学基础,未来在人工智能领域发展后劲十足
3. 未来想在人工智能方向深造
4. 希望能够快熟复现深度学习相关论文的技术方法
5. 希望积累到实际人工智能项目经验,为就业增加筹码
6. 希望得到AI方面的面试指导
现有AI从业者:
1. 希望了解AI前沿发展方向
2. 希望在AI领域进阶的工程师
3. 希望提升模型算法设计能力
4. 没有时间自学深度学习
5. 希望了解算法底层逻辑
6. 已经是研发大牛,需要人工智能算法与大数据处理
IT转型:
1. 具有1-3年左右编程工作经验,对AI感兴趣或有业务需求
2. 希望快速学习深度学习实践技巧
3. 希望转型人工智能行业的IT工程师
希望对深度学习有一个全面系统的学习,且具备项目实战经验
回答于 2019-09-11 08:43:50
前天和实验室同学讨论了一下,记录一些想法。开始的时候只是想写一下对AI领域现状和前景的看法,写着写着就成了劝退。
也许每个计算机科学家都梦想造出变形金刚一样的人工智能,但这几年引起重视的“人工智能”还是狭义的(或者说神经网络)。在算力和数据的帮助下,深度学习在图像/语音等领域取得了巨大成功;以神经网络为核心的外沿应用,诸如自动驾驶,机器人学也蓬勃发展。此外,在各种开源软件/公开课的帮助下,深度学习门槛很低。也正因此,很多人涌入了这一邻域,AI会议投稿翻了几倍,各种AI公司也吸引了无数的投资者。
2016-17年大概是AI概念最火热的时候,当时学界和业界都有很大进展:AlphaGo战胜了;Berkeley学者将DeepRL(深度强化学习)应用于机器人,开辟了一个全新的方向;自动驾驶公司雨后春笋般冒了出来,很多从业者认为1-2年后就可以取代人类司机。那时,不少人认为AI将会改变甚至颠覆很多邻域:也许几年后,道路上都是自动车,服务机器人进入千家万户,简单重复的劳动会被取代。
我动笔已差不多2020年,三年后回头看,好像人们对AI太乐观了。几家AI独角兽集中在容易落地的方向(如人脸识别,监控)。这些方向市场饱和,这几家公司也找不到新的增长点。而自动驾驶面临各种各样的问题,安全员依旧不可或缺,初创公司也倒闭了一批。DeepRL的应用局限在棋牌游戏一类可以大量生成数据的场景。对于机器人学,DeepRL在学界饱受争议,在业界更是没人敢用。
说,AI是新的电力。但我个人以为,这一说法是不准确的。在电力革命之前,人们就已经对电磁现象有了深刻的认知。许多著名的定律,如欧姆定律和麦克斯韦方程,已经被提出。换言之,电力革命是“理论指导实践”,电动机变压器等重要发明离不开理论的指导。与之相对,深度学习是“实践指导理论”:人们通过实验发现新的算法,如果实验结果良好则给予经验性的解释。缺乏理论指导无疑限制了学界对于新方法的发现。过去几年里,虽然小的改动层出不穷,但主要的模型还是那么几种,深度学习还是只能处理有限类型的数据。
也许用蒸汽机来类比深度学习,从性质上更为合适。但是改变人类生产生活的,并不是蒸汽机本身,而是蒸汽动力的纺纱机,火车,轮船等。如果深度学习可以被用来制造火车,轮船一样对人类产生巨大影响的新发明,那也完全称得上一场革命。但目前来看,深度学习远没有达到这种水平,也很难说有这样的前景。如前文述,能落地的方向有限,头部企业缺乏增长点,在事关安全的重要邻域人们对神经网络充满疑虑。
与此同时,一些消极的现象已经出现。就学界来说,深度学习的低门槛,短周期和高收入吸引了很多人;新从业人员的增加以及合格审稿人的缺失,导致了AI论文泥沙俱下,顶会含金量缩水;而人数带来的激烈竞争和过时单一的评价标准,反而在鼓励“灌水”。就业界而言,一个行业从业人员的待遇水平,除去泡沫以后,最终必然取决于这个行业整体所能创造的价值。那么,深度学习所创造的价值,能不能撑得起那么多算法工程师,算法科学家的高薪呢?我没有统计过,但很难对此乐观。
我不是说要把深度学习束之高阁。相反,我觉得深度学习应该像编程一样被普及。因为深度学习入门门槛真的很低,python编程加上不超过大一水平的数学而已。换言之,每个人都应该知道,对于特定类型的数据,我们可以解决归类,拟合,模式匹配等问题。反过来说,人们也应该明白,目前的“人工智能”有巨大的局限,数据并不万能,我们离家政机器人都还差十万八千里,更不用说天网和终结者了。
但如果想要深入研究深度学习,那相比“普及”可能就是另一回事了。以蒸汽机为类比的话,大概有两个方向。要么原理性的解释神经网络,运用数学工具研究其性质,这类似热力学定律之于蒸汽机;要么应用神经网络发明像火车,轮船一样改变人类生产生活的东西。而研究神经网络理论是一个数学问题,需要深厚的理论功底和孜孜不倦的思考,这并不“低门槛,短周期和高收入”,不适合大部分人。
对于神经网络的应用,也需要从两个方面看待。对于一些简单直接的应用,例如人脸识别,它们基本上已经落地(并且饱和),剩下的工作主要在工程师而非研究员;而对于把神经网络应用于其他学科的研究,其核心与难点也不是神经网络本身,而是问题的提出,数据的准备,以及输出结果的处理和应用。例如,前一段有些把深度学习用于数据库的研究。在这些研究中,主要的创新在于问题的转化,主要的工作则在于数据库系统的实现。从事这些研究的,并不是一般意义上的算法科学家(Machine Learning Scientist)。在他们的知识结构中,深度学习只是很小的一部分,所以对他们更准确的刻画可能是“懂深度学习的数据库系统科学家”。
也就是说,为了深度学习的发展,目前在学界可能更需要懂得深度学习的物理学家,计算机科学家,工程学家,而不是算法科学家;在业界则更需要懂得深度学习的软件工程师,硬件工程师乃至机械工程师,而不是算法工程师。做一个类比的话,如果瓦特蒸汽机已经被发明,那学界和业界可能更需要科学家卡诺(热力循环)和发明家富尔顿(蒸汽轮船),而不是第二个,第三个乃至第一千个瓦特。
下一篇:返回列表
相关链接 |
||
网友回复(共有 0 条回复) |