شبكة لى فنغ منظمة العفو الدولية مراجعة التكنولوجيا: 9 مايو 2019، برعاية معهد بكين للتشى يوان الذكاء الاصطناعي "منتدى تشى يوان" الذي عقد في تشونغ قوان تسون الوطنية الابتكار مظاهرة مركز المؤتمرات المنطقة. "منتدى تشى يوان" هو عبارة عن سلسلة من الأنشطة تبادل المعلومات الاستخباراتية رفيعة المستوى اصطناعية، دعا كبار العلماء في هذه الصناعة بشكل منتظم لمناقشة التكنولوجيا المتطورة وتبادل الخبرات. الحاسوبية في مجال الذكاء الاصطناعي حول الوجه، قد تصدر أساس التفسير، تعميم والاستقرار، والمنظمين من الرياضيات والإحصاء والحوسبة نقطة من رأي، وإنشاء الرياضيات والفيزياء دراسة رئيسية الذكاء الاصطناعي، ومنتدى الحالي تحت شعار "الذكاء الاصطناعي والرياضيات والفيزياء،" يتم تقسيم 15 العلماء إلى ثلاثة أيام سهم. شبكة لى فنغ شرف AI تقنية مراجعة لدعوتهم للحضور، سوف يسجل جوهر المشهد أدناه.

رتبت المرحلة الأولى للمنتدى ما مجموعه خمس مباريات سهم، أول المتحدثين من جامعة بكين أستاذ دونغ Binfu تقريرها بعنوان "تجسير ديب الشبكات العصبية والمعادلات التفاضلية لتحليل الصور وبعدها".

وقد عنيت العالم الأكاديمي حول عمق مشاكل في التعلم، مثل تذكر علي رحيمي في عام 2017 NIPS مؤتمر التعلم العميق هو "الخيمياء" (الكيمياء القديمة). وفي الوقت نفسه، قال علي رحيمي أيضا يجري الخيمياء هو بالتأكيد ليس عيبا، ولكن عدم الرغبة في العمل على التقدم إلى الكيمياء عار، والوسائل التي توفر فقط نظام التوجيه النظري، فإن المجال يكون من التخصصات التجريبية البحتة قد تصبح نظام نظرية الانضباط. زملائي في الفريق ومحاولة تطبيق / نقطة الرياضية حساب نظر لفهم عمق التعلم، من أجل أن تكون قادرة على تقديم بعض المبادئ التوجيهية الجديدة لتصميم الهندسة المعمارية، وشبكة البحث.

بشكل عام، فإن الرياضيات تمرير التحليل النظري الدقيق لإثبات التخمين، وأخذنا قطار آخر من الفكر، والنظر العلاقة الأولى مع عمق تعلم المفاهيم الرياضية، ومن ثم تحليلها وفقا لذلك. على سبيل المثال، يمكننا أن نفهم شبكة الإنترنت العميق المعادلات التفاضلية، أو عن طريق استمارة منفصلة المعادلات التفاضلية. وقد وضع هذا الرابط، وسوف نبدأ في فهم واضح لعمق التعلم من خلالها مجالات الرياضيات.

DNN وODE العددية ما بين نوع ما من العلاقة؟ إذا كنت أكتب في شكل الرياضيات، فسوف تعتقد أن هذا هو نظام ديناميكي، ولكن هذا أمر صعب لتحليلها. مخلفات الشبكة الشهيرة من الناحية الشكلية الرياضية للنظر هو أسهل للفهم، في الواقع، ODE المستمر، للمرة يجب القيام به قبل يولر بنود منفصلة، ولكن في تصميم الشبكة لتصبح أنشأت t 1.

هذا هو ملاحظة مثيرة للاهتمام للغاية، ولكن الناس يتساءلون أيضا عما إذا كان اتصال مع شبكة المتبقية من نظام للطاقة النووية هو الاستثناء؟ الأهم من ذلك، إذا ثبتت وجود صلة بين العددية ODE وشبكة الهندسة المعمارية، سواء من وجهة نظرنا ODE العددي هذا ناضجة نسبيا مجال البحوث لإطلاق إطار مكافحة مفيدا؟

بعد ذلك وجدنا أنه، بالإضافة إلى شبكة المتبقية، وشبكات أخرى مثل سحب نت هو في الواقع حل المقابلة ليولر العكسي، متخلف يولر ونحن بحاجة الى حل معكوس أنظمة كبيرة جدا من المعادلات غير الخطية، لا علينا أن نستخدم تقريب متعدد الحدود. لذلك نستخدم العددية محاولة ODE لتصميم بعض هندسة الشبكات الجديدة، وذلك أساسا لكتلة بقايا، لماذا محددة داخل الكتلة التي لا تفعل الكثير من التعديل.

وبالإضافة إلى المحتوى عدم اليقين، والتدريب التعلم العمق تواجه مجموعة متنوعة من اضطراب عشوائي، حدسي، أن المعادلات التفاضلية العشوائية المقابلة. وجدنا أن، بغض النظر عن الشبكة أو استراتيجية عشوائية يأتي مع طبيعة عشوائية من شبكة التدريب هو في الواقع مشكلة حل السيطرة العشوائية، بحيث يمكنك معرفة أن ننظر إلى عمق التدريب مع سياسة التدريب عشوائية من وجهة نظر الرقابة العشوائية. ونحن نفعل مقارنة بسيطة، دون التقليل من دقة وجدت، وعمق يمكن خفضها الى 90، ويمكن تحقيق تأثير طبقة 100 طبقة 1200.

وبالإضافة إلى ذلك، مع أكثر وأكثر تقدما وسيلة لجمع البيانات، والآن هناك الكثير من البيانات حتى رباعية الابعاد ثلاثي الأبعاد و، وإذا كنا نستطيع PDE دراسة متعمقة الجمع بين أداة فعالة لاستخراج شكل منتظم؟ لقد حققنا أيضا محاولة أولية، والفكرة الأساسية هي لجعل جزء من القيود الإلتواء، تأكد أتعلم المعادلة، ولكن أيضا لضمان القدرة على التنبؤ للنموذج.

تستخدم لتفعل الاحماء مع تقليل الضوضاء تطور المعادلة، وبمجرد أن الوقت هو تطور طويل جدا، كما أن تضيع تفاصيل الصورة، وهذا هو القول، توقيت هو وقف المعلمة عظمى، ويرتبط مستوى الضوضاء. كما وقت إيقاف إدراجها في الفئة الأمثل، وهذا هو، على الشبكة يمكن أن يستند صور مختلفة، ومستويات الضوضاء المختلفة، فائقة المعلمة الأمثل وقف الوقت ليست هي نفسها، بصرف النظر عن المعلمات من الشبكة لنظام الطاقة الأمثل على عمق الحالي البيانات تلقائيا ضبط درجة نهاية أتمتة نتيجة أفضل كثيرا من ذي قبل.

المقبل، ونحن سوف تساعد على دعم المصادر الفكرية للقيام بتحليل أكثر النظري، مثل قيمة المشكلة معكوس في المعادلات التفاضلية أو وسائل أخرى اعتبرت أن عميقة هندسة الشبكات التعلم، ثم تحليل هذه العمارة شبكة مستوى التعميم والاستشعار مضغوط، الخ وفي نهاية المطاف لتصميم شبكات أكثر إحكاما.

المتحدث الثاني هو الباحثين ليم من جامعة بكين، تقريره بعنوان "يلعن من أبعاد في صدع من التعلم الآلي: من هويتها".

ما يسمى إحصاءات عالية الأبعاد، والذي هو دراسة ما يسمى البيانات الإحصائية عالية الأبعاد أو نموذج عالية الأبعاد. البيانات، على سبيل المثال، فإن البعد يشير إلى عدد من المتغيرات، مثل تحليل وقت واحد من آلاف أو أكثر حتى البيانات، ثم البعد ستكون عالية جدا. على البعد النموذج هو ،، السياق عالية الأبعاد هو المعروف باسم "الإفراط في المعايير والثوابت".

كيفية تكنولوجيا الذكاء الاصطناعي من الناحية الإحصائية إنشاء الإطار النظري للتعلم يمكن أن تحسن للتفسير ذلك؟ أعتقد الموجودة حاليا مجموعتين من الأدوات، استنادا إلى نظرية مصفوفة عشوائية، يمكننا تصدير نتائج عدد من الإحصاءات التقدمية والكلاسيكية N يميل إلى مختلف اللانهاية من إطار هذا الضغط تدريجيا إلى أسفل، ومجموعة أخرى هو التركيز على ما فعلته عدم المساواة ، بعبارات بسيطة، فإن العديد من النتائج غير قابلة للتقدمية، ونحن يمكن بعد ذلك استخلاص استنتاجات، واسمحوا P لها علاقة مع N، وبالتالي الحصول على بعض أكبر بكثير من ن P يسمح النتائج التقدمية.

ما هي هويتها؟ إذا كان كل الحجج 1 توزيع البيانات وتوزيع البيانات 2 المقابلة لنفسه، يمكن أن نتخذها هي لاستخلاص نفس المعلمة. هذا هو أمر بالغ الأهمية، إن لم يكن تحديد ما هي الحجة الحقيقية هي أن تستخدم مرة واحدة للقيام خوارزمية الأمثل للعثور على المعلمات، فإن النتائج ستكون غير مستقرة للغاية. نموذج التعرف عليها ما هي عيوب؟ وهناك فرق هو التفسيرية؛ وتعميم ضعيف. نستطيع أن نضمن وضوح من خلال رتبة قليلة ومتدنية. وينبغي التأكيد على أن نظرية الاستدلال السببي في كثير من الحالات غير المعترف بها، ولكن الذي يمكننا أن نجعل هذا التعيين، إذا كان الحد الأعلى وملزمة أقل ما يكفي الصغيرة، وهناك دور.

إذا كانت هويتها لا يمكن أن يضمن بأننا لن يحقق بالضرورة هدف هويتها؟ من الأخطاء الناجمة عن غير مقروء، يمكن أن تنعكس في نتائجنا هناك؟ عملنا يعطي الجواب: الأول هو لا، وهذا الأخير هو نعم. إذا كنت تفعل الدراسة البيولوجية، وبالتالي فإن الجواب على السؤال هو أفضل هناك، ولكن ليس من الضروري ذلك، لأن من أفضل أداء الشبكة أمثلة قليلة من موجودة حقا، ولكن ليست مطلقة، والسؤال الثاني لم يتم قاطعة.

الشبكة العصبية هي نموذج عال الأبعاد أو معلمات جدا، من الناحية الاحصائية، وكيف يمكننا أن نجعل التغييرات؟ لأول مرة، وتناسب وظيفة موضوعية، وثانيا، التحليل الموضوعي وظيفة حقيقية في نهاية المطاف ما هو في هذه الفئة. مع هذا الشيء في المستقبل، وسوف تكون قادرة على الحصول على بعض الحلول، على سبيل المثال، ونوعين من متفرق.

وكان المتحدث الثالث أستاذ مشارك شاو ريث خبز من جامعة بكين، وقال انه حاضر في "الرياضيات الموجهة الذكية".

ونحن نبذل الآن الكثير من الآلات، ويسعى دائما لمعرفة جاء البشر من، أين تذهب، للرد على السؤال الجوهري من ما يسمى ب. لذلك يصبح السؤال، كيف ونحن ندرك أننا نفعل؟ وهذا ينطوي على تشكيل الدماغ البشري هو كيف يمكن للمشكلة الوعي.

ما يسمى الذكاء الاصطناعي، والطريقة الأساسية هي من خلال الذكاء البشري يمكن أن نفهم لتقليد أو لاستكشاف آلية الذكاء. الدماغ البشري هو 100 مليار من قبل شبكة من الخلايا العصبية في الدماغ، سواء كانت جيدة والأفكار السيئة التي تأتي من هنا، وهذا يعني حقيقتين أساسيتين: أولا، طبيعة ذرية من الأساس المادي وتشكل شبكة لا يختلف لذلك علينا أن استخدام ميكانيكا الكم لوصف ذلك، اثنان، إلى أن تقوم على سلوك ميكانيكا الكم لوصف سلوك ميكانيكا الكم نقاط الاشتباك العصبي، وهو أمر مهم جدا لتوليد الوعي التفاهم.

مثل هذه القضية الهامة، لم يكن هناك تقدم الكثير من ذلك لماذا؟ أولا، حتى العام الماضي ونحن يتقن بنجاح كامل إنتاج الدماغ صور عالية الوضوح من ذباب الفاكهة، يمكننا أيضا أن نبدأ في رؤية موقف المكاني لجميع الخلايا العصبية من هذا الوقت، ولكن هذا له حيوية المفقودة المعيشة. ثانيا، قياس السلوك الميكانيكي الكمي، في الواقع صعبة للغاية من مستوى المبادئ الفيزيائية لل. على وجه التحديد الصعب في المنطقة؟ هايزنبرغ عدم اليقين بالنسبة يخبرنا أنه بالإضافة إلى العالم المجهري للجسيمات غير الجسيمات، ولكن أيضا تجاه الضوء.

تحقيقا لهذه الغاية، ونحن نستخدم أجهزة الكمبيوتر لحساب حل حل المشكلة عن طريق المعادلات الكلاسيكية ميكانيكا الكم، واستخدام وظيفة فيغنر. وظيفة فيغنر هي المالك الوحيد للمعرفة النظرية الصارمة الرياضيات، ويمكن الانتقال من عالم الكم إلى شكل من أشكال صياغة رياضية من العالم الكلاسيكي، وذلك باستخدام وظيفة فيغنر للقيام المحاكاة، ونحن يمكن أن توفر الملاحظة والمقارنة بين نتائج العلوم البيانات التجريبية. مرة واحدة في الدماغ لتكون في الشبكة الفعلية لتشغيل ديناميكية، ومن المؤكد أن واجهتك مشكلة على نطاق والحوسبة، حتى أخذنا وضع خوارزمية عشوائي، من خلال المنطق الرياضي التكافؤ وجدت أنه يعادل معادلة التجديد، والمعادلة نفسها هناك تفسير الداخلي عشوائي، وهذا هو، ما يسمى المتفرعة المشي العشوائي، على أساس هذه العملية ستكون مزيدا من المحاكاة.

ونحن ننظر في أدمغة البيانات التجريبية ذبابة الفاكهة، بل هو شبكة الدماغ العصبية تتكون من 100،000 العناصر التي تتكون من نقاط الاشتباك العصبي، والإنسان الدماغ هو مائة مليار دولار واحد. من وجهة نمذجة البيانات للعرض، وحجم الفجوة كبير جدا، بغض النظر عن خوارزمية أو النظريات الرياضية من حيث التصميم هو التحدي الكبير. ولذلك، يجب علينا أن ندرس خوارزمية الأمثل، وكيف دون المساس دقة في حدود التسامح الشبكة لا يتكسر.

نقوم به في هذا المجال لفترة طويلة لاستكشاف، في محاولة لاستكشاف الرياضيات على الخريطة وجدت الكثير من المشاكل ليس ما كنا نتوقعه. FIG مناقشة قضايا مثل نوع معين التي سوف تجد وظيفة أو ميزة ناقلات كبيرة جدا، ويمكن أن تكون مترجمة. وبعبارة أخرى، وهي شبكة لتعطيك، تعطيك زوج من مقص لقص، يمكننا خفض ما يصل الى كلا الجانبين، يمكن أن يكون قطع مع الحد الأدنى من الجانب، لكننا نريد في نهاية المطاف، للتخلص من اثنين من أكثر متناظرة. ونظرية رياضية واقعية اقول لكم ان أفضل حل لا يمكن العثور عليها في حياتهم.

وما دام الأمر كذلك، كيف نحصل على تكلفة أسرع حل دون المستوى الأمثل؟ فكرتنا هي لخفض الخريطة الكبيرة خريطة صغيرة، ثم شخصية صغيرة تستخدم لتشغيل فيزياء الكم فيغنر، من الكم إلى معرفة ما إذا كانت هناك علاقة بين الوقت، ثم البيانات مفتوح للتجربة. ونحن نحاول العثور على التحسين المستمر معه المراسلات والعودة إلى مستوى التحليل الرياضي بسيطة جدا، والحد من سلسلة فريدة من نوعها، ولكن تسلسل محدد لإنتاج نفس الحد من تسلسل كم والذي محددة، يعتمد على إضافي القيد.

نأمل أن هذه النظرية من خلال الذهاب الى لمشاكل الأمثل يمكن أن يكون التعبير عن التحليلية. لذلك، فعلنا ما يسمى تمديد Lovasz، مجرد إعطاء الحل الأمثل لتوافقية، يمكن أن نجد الروابط ذات الصلة. وفقا لذلك، قمنا بتصميم خوارزمية بسيطة تسمى التعبير متكررة، على الرغم من أن هذه المشاكل لا يمكن معرفة القيمة المثلى، وأن أفضل قيمة وضعنا الأدب تأليف رؤية حل بموجبه هذه الخوارزميات للعثور على خطأ نسبي، ثم ببساطة تشغيل عنها، بحيث تكون النتيجة النهائية للخطأ والقيمة المثلى يمكن التحكم في حدود 1، أسرع من نسبة الأصلية قليلا.

الاتجاه فعلناه تراكم جيد جدا، والذي يتضمن مجموعة من المشاكل، وكيفية حل جمعيتين وهلم جرا. إذا كنت ترغب في الاستمرار في هذا الاتجاه على المضي قدما، نحن بحاجة إلى عبور عدة مناطق، ما محددة حاجة أو ما الرياضي الأدوات المستخدمة في نظرية رياضية، ليست واضحة جدا بعد، لا يمكن الا ان جميع أنواع المحاولات.

الكل في الكل، وهذه الأمور هي ما يضعنا مرة أخرى إلى مربع واحد، أو قد نحتاج حقا إلى فهم أساسي في نظرية رياضية، إلى شيء مستمر أو أشياء منفصلة على إطار موحد للمناقشة. في الماضي، ونحن نفعل الكثير من الأشياء محدودة للغاية، والآن أنت لا مأمن أطول من هذا المنظور، وهذا الشيء قد بدأ لتوه.

المتحدث الرابع هو وانغ هان من معهد بكين للفيزياء التطبيقية والرياضيات الحاسوبية، وقال انه حاضر "ديب التعلم من أجل متعددة النطاقات الجزيئية نموذج في ز ".

على افتراض أن يتم هذا العالم من الذرات، وكل ذرة ينظر إلينا كما جسيم، وهذا الموقع هو رع. وفقا لقانون نيوتن الثاني للحركة من خلال المدرسة الثانوية، طالما أن القيمة الأولية معينة سوف تكون قادرة على حل هذه المعادلة، لذلك يمكننا أن نعرف إحداثيات جميع الذرات في أي وقت، وهذا أمر في الجزيئي محاكاة الجافة. إذا كنت تقرأ الجسم ثلاث سنوات، وسرعان ما يدرك أن حل المعادلة تماما، لا يمكن إلا أن حل نظام من ذرتين، ومع ذلك، فإن أي نظام ذرة أكثر من واحد، لا يمكنك وضع بها إلى الحل الصحيح في وقت طويل بلا حدود، النتيجة الأولية للخطأ الأولي تصبح كبيرة جدا، مما تسبب في حل الخاص بك وتصبح صعبة.

ومع ذلك، نتائج النمذجة الجزيئية لا ترغب في الحصول على الحركة المدارية الذرية، ولكن الحركة المدارية الذرية في وقت متناهية الصغر لتوزيع مساحة المرحلة، وهذا يعني في الواقع يمكن التحكم في توزيع الخطأ العددي لهذا الغرض . وبعبارة أخرى، إذا كانت جيدة بما فيه الكفاية منفصلة، وحصلنا على التوزيع منصة التوزيع يمكن أن تريد والفيزياء متسقة. محاولات النمذجة الجزيئية إلى وظيفة الطاقة E إلى الكتابة، ومتعددة النطاقات النمذجة الجزيئية هي للتأكد من إحداثيات الذرية من الحبيبات الخشنة، ثم انتقل الكتابة نماذج مماثلة.

وظيفة متعددة الأبعاد في التعامل مع الرياضيات التقليدية هي صعبة للغاية، التعلم العميق المقدمة فقط لنا أداة مفيدة للغاية. هدفنا هو التأكد من أن فرضية دقة أول مبادئ الحساب، ويمكن القيام به فوق الحسابية، والاندماج مع القوة الميدانية الكلاسيكية قدر الإمكان.

ثم بدء التماثل من مشكلة. على سبيل المثال، مجموعة من الذرات مثل الهواتف النقالة، والهاتف المحمول ومن ثم تترجم في هذا المجال، إضافة ناقلات مع إحداثيات كل الذرات، ولكن أيضا للتأكد من أن الهاتف شاشة بنفس الطاقة، حتى إذا تم تشغيل الهاتف عن الطاقة أيضا دون تغيير. التماثل لنموذج شبكة البيولوجي أو العصبي لا يمكن ضمان من حيث تعسفية تنسيق الترجمة أو الصرف قد يسبب إخراج الشبكة ليست هي نفسها.

الحفاظ على التماثل للنموذج، وهناك طريقتان: جزيء الأول هو المسمى في النظام في العضو الثابت مع الجسم، بحيث تماثل يمكن تصنيفها حسب تبادل لتحقيق الاستقرار في مزايا هذا النهج هو قوية والعيوب غير أن وظيفة من الطاقة تسبب بعض الانقطاعات. ملاحظة أخرى استنادا الى اثنين، يتم إجراء الملاحظة الأولى ضمن مجموعة من متجهين، ويتم ذلك داخل المجموعة بعد ثابتة التناوب، والملاحظة الثانية ط هو الإحداثيات جار ذرة المبلغ، نهاية وفي وقت لاحق من نفس الصرف. وبناء على هاتين النقطتين، قمنا بتصميم ما يسمى واصف، ومن ثم وضعنا أمام اصفات في الشبكة العصبية، والإخراج ثم إلى الشبكة العصبية التي، من أجل الحفاظ على التماثل للنموذج كامل.

بعد لدينا نموذج التعلم العميق صدر، والبعض الآخر يأخذ في حل بعض المشاكل العملية. على سبيل المثال، وقال في الأكاديمية الملكية البريطانية للعلوم لدراسة السيليكون مجال القوة الناتجة سابقا السيليكون الصلب من الصعب اتباع نفس الوصف جيدة من الصعب، ولكن عمق نموذج يمكننا أن نتعلم، وقال انه يستخدم لصنع تذوب السيليكون وحققت نتائج جيدة. آخر هو أستاذ في جامعة بكين للمعلمين، لكنه كان يفعل متحمس حركية التفاعل الدولة. في الماضي النمذجة التقليدية، وديناميات اثنين من السطوح الطاقة الكامنة للدولة متحمس للانتقال مخروط الدقة به دائما، هو مشكلة في هذا المجال، لدينا نموذج التعلم العميق لديه حل جيد لهذه المشكلة.

يتحدث أمام جميع التفاعلات التعلم عميقة وأعرب بين الذرات، ولكن في الواقع هناك مشكلة خطيرة جدا - البيانات من حيث. لذا نقترح استراتيجيات التعلم النشط، يمكن أن تكون أول لتدريب نموذج ديناميات الجزيئية، وديناميات الجزيئية ثم انتقل من خلال تكوين أكثر الجزيئي، ببساطة، هو تحسن بعد كل نموذج النهائي، عاد لانتاج جديدة التكوين، وقد تم اختبار التكوين الجديد، لدينا أخطاء كبيرة خص إعادة وضع العلامات، لإثراء قاعدة البيانات.

وأخيرا، من حيث المساحة الأبعاد عالية يمثل وظيفة فنية من عمق تعلم استخدام التعلم النشط، والمفتاح هو أن تقدير الخطأ، وكيفية تكون قادرة على حساب الخطأ المقدر من المبادئ الأولى، سيكون التصميم الأساسية.

المتحدث الخامس هو البروفيسور تشانغ تشى هوا من جامعة بكين، تقريره المعنون "مشروع الرياضيات - وجهة نظر مختلفة فهم من تعلم الآلة".

تعلم الآلة والذكاء الاصطناعي من جوهر لا يزال مختلفا جدا، ليس على محاكاة التفكير البشري والسلوك، ولكن لتحسين الأداء من خلال الخبرة وطريقة تفاعلية. في الواقع، هو دراسة خوارزمية الموضوع، خوارزمية خوارزمية استنادا إلى نوع البيانات، ومن ثم العودة إلى البيانات. ويمكن فهم التعلم الآلي وفقا لهذا الخط من التفكير: لدي البيانات، وكيفية استخدامه بمثابة تمثيل، أو الحصول على ميزة، وتقوم بعد ذلك على أن تميز غرض التنبؤ واتخاذ القرارات.

ومن بين أكثر تمثيلا، ولا شك هو التعلم القائم على قواعد، ويتميز التركيز على الطريقة التي الهندسة، كما أنها وسيلة أن الحقل هو يدرك جيدا الحاجة، سيكون من الممكن لجعل هذا الشيء. هذا الشيء لديه بالفعل بعض المشاكل، مثل مرة واحدة لم فإن المنطق العميق يؤدي إلى لعنة الأبعاد. لحل هذه المشكلة، فكرة بسيطة هي الطريقة المعتمدة على القاعدة الأصلية، وهذا نموذج غير الخطية في جميع أنحاء المدينة، وبعد ذلك بدورها تضعف لتمثيل البيانات العملية، وضعت تعلم الآلة الإحصائية على أساس نظرية الأعداد.

الأساليب الإحصائية المتقدمة لفترة معينة من الزمن، ونحن نعتقد أن البيانات لتمثيل هذه المسألة لا تزال لا حول الماضي، مهما كانت طريقة قوية، والبيانات تشير إلى إن لم يكن أو سوف يجلب الكثير من المتاعب. ثم ظهرت فكرة بسيطة، أن يتم حل المشكلة عن طريق التعلم، وهذا هو، أن يتم حل هذه المشكلة من خلال أسلوب التعلم الآلي.

في الواقع، فإن الغرض من هذه الفترة من التعلم العميق ليس لمجرد التمثيل، والمفتاح هو لغير الخطية. هذه النتائج التي لم تجد التمثيل الفعال لمجال شبكة معالجة اللغة الطبيعية، وليس ذلك بسرعة على مجال التنمية ومعالجة الصور. دراسة متعمقة وحتى الوقت الحاضر، وهي مشكلة من مسألة غير خاضعة للرقابة واجه أكثر من يجب أن يكون هناك المزيد من الرقابة وأكثر تعقيدا. ثم ظهر الخط من التفكير، والمشكلة من دون رقيب وأشرف على تشكيل لعملية التعلم مماثلة.

وبعبارة أخرى، إذا كان هناك عملية التحسين، هناك حاجة إلى أساليب تعلم آلة لحل المشكلة، فإننا نفترض أن الإحصاءات في X لتوليد ذلك. حتى إذا X هو مستمر، ويمكنني أن نفترض أن X هو التمويه، وإذا X هو افتراض جاوس هو قوي جدا، ونستطيع أن نقول أن X هو خليط جاوس. هذه المرة وجدنا، X هو العقل الرياضي المجرد وليس بالمعنى المادي محددة، فمن الطبيعي تكنولوجيا الشبكة العصبية لا يمكن أن يكون نفس لغة الجيل الصورة للطلاب، بدلا من X بالمعنى الرياضي لتوليد. هذه المرة ضد وضع نهج شبكة الجيل مماثل في حل هذه المشكلة، هو في الواقع إطار كيفية تشكل مشكلة التحسين.

فضلا عن التعلم شعبية تعزيز مؤخرا، والذي يستخدم قواعد التفاعل مع البيئة لتشكيل إيجاد الحل الأمثل لتعلم. تعزيز التعلم من التعلم تحت إشراف لديها بعض بداهة، ومن ثم استخدام هذه لتشكيل أغراض تحسين المعرفة المسبقة، والتي هي لتعزيز التطورات الراهنة في التعلم. دراسة متعمقة هي التي ستقدم في عام 2006، حتى عام 2012، كان الهبوط، في الواقع، خمس أو ست سنوات بين التيار تعلم الآلة التي المنزل تجول، والكثير من الناس لم تذهب في الواقع لمتابعة، وبعبارة أخرى، فإن هذا يمكن أن يكون فرصة، ولكن ليس فرصة كبيرة، وليس ذلك حسن القول.

ونحن نعلم أن هناك ثلاثة آلة مشكلة التعلم: أشرف، والتعلم غير خاضعة للرقابة والتعزيز. ذلك ما يجب القيام به مع تعلم الآلة الإحصائية هو؟ ونحن نعتقد أن الإحصائية فرع تعلم الآلة الأصلي، ونحن نعتقد الآن أن تعلم الآلة الإحصائية الحديثة، وإنما هو أيضا العلاقة الحساسة مع الإحصاءات، تعلم الآلة مشكلة تصنيف، ومشكلة الانحدار الإحصائية، ولكن أيضا من حيث العودة من لم يفت يختلف جوهريا.

وبالإضافة إلى ذلك، تعلم الآلة تميل إلى تشكيل الأمثل، ونموذج مهما كانت جيدة وأشكل عليك، ولكن ليس بيانات جديدة، تعلم الآلة ليست مفيدة. من هذه النقطة لفهمه هو أنه بعد التعلم أكثر، ولكن القلق أيضا حول مشكلة التعميم. ويقال آلة نجاح التعلم الحديثة التي التعلم العميق ليست مجرد نموذج غير الخطية، وإنما تمثيل غير الخطية. نريد استخدام آلة التعلم لجعل التوقعات، وتوقع عن طريق حساب القادمة، بحيث مناسبا لتمثيل التنبؤ النهائي، وهذا يمثل أيضا عن حساباتي.

عمق التعلم هو أيضا الكثير من التحديات، الأول هو شرط للحصول على بيانات كبيرة، كثيرا ما جلب المعلمات المشكلة. وبالإضافة إلى ذلك، وأنا أفعل هذا العرض يقوم على التمثيل متعدد الطبقات، وبالتالي فإن المشكلة هي غاية غير convexification، وهي المشاكل الأساسية. تعلم الآلة تولي اهتماما لأربع قضايا رئيسية ل: يمكن حساب التعميم والاستقرار وتفسيرها. الآن أكدنا للتفسير، ولكن ينبغي أن يكون التركيز على الاستقرار وتعميم هذا المستوى. تكنولوجيا متعدد المستويات، تنظيم والمواصفات الفنية ومتكاملة التكنولوجيا + المتوسط، يمكن أن نهج التكيف تساعدنا معالجة هذه القضايا بشكل موضوعي.

وأخيرا، أود تلخيص، لماذا يجب أن أضع مفهوم الهندسة الرياضية إلى الأمام. الرياضيات نظرية الاحتمالات، وتحليل العشوائية من هذه الأشياء يمكن أن تستخدم لدراسة آلية منظمة العفو الدولية في الرياضيات. حتى مع هذا النموذج، وأخيرا علينا أن تمثل النتائج المحسوبة. ويمكن تقسيم هذا الحساب إلى ما مجموعه ثلاثة جوانب، هي أول تحليل البيانات، خوارزمية لحل مشكلة مستمرة، والآخر هو خوارزميات منفصلة، ويمكن رؤية هذه الخوارزمية عن الهياكل منفصلة، فضلا عن قضايا العمارة وزعت على نطاق واسع. ونحن نعتقد أن هذه يمكن أن يكون مشروعا، ويمكن حساب هذه الأمور عن طريق الهندسة فكرة المشاكل البيانات لتحقيقها.

الرياضيات التطبيقية الأكاذيب سحر في أهم الأفكار والنهج لطرح الأسئلة، وليس فقط لإثبات النظريات، وهذا هو، والتكنولوجيا، والهندسة، وهو الفن، فمن الضروري لاستكمال الخوارزمية. الرقم غير محسوبة، والتفريق الآلي أدوات هذه الهندسة، والتعلم العميق من المستحيل الحصول على ترقية. تعلم عمق العديد من المهارات في الأعمال، ولكنها أيضا شيء من الرياضيات المدرجة. إذا كان تعزيز التعلم يمكن أن يكون نجاحا كبيرا، ثم وأعتقد أن تطوير الرياضيات والهندسة ستشكل أيضا الذروة.

ستعقد - "المنتدى تشى يوان Shuolijichu الذكاء الاصطناعي" في أول تقرير لها إلى هذا الاستنتاج الناجح للتقرير الشهر المقبل على اثنين 13 تاريخ وتاريخ 16 مايو، لمزيد من المعلومات، يرجى الانتباه معهد بحوث الذكاء الاصطناعي بكين تشى يوان الموقع الرسمي https://www.baai.ac.cn.

شبكة لى فنغ AI تكنولوجي ريفيو