||
本文说的机器学习包含深度学习。
机器学习(和深度学习)从学术界成功走向产业界,加上艺术化宣传,
俨然给人一种取代人类工作的印象。
其实,它有适用场景和局限。本文大致概括如下。
不适合的场景:
1.缺乏数据来训练系统时,比如密码数据。
2.有些确定性算法更简单更快时。
3.逻辑证明,比如数学定理证明。
4.分析,模糊推理,翻译等认知问题
5.准确计算。
我们的微积分,数论,编译器操作系统CPU,绝不可以出一点错,这些都不应采用
机器学习或神经网络来近似。有人说 下棋每一步不是准确的吗?人工智能确实
走出确定的步伐,但是这个步伐不是唯一的,别的步伐可能更优,不一定。
适合的场景:
总的来说,神经网络系统仅在满足如下一个或多个条件时选用:
1. 有大量经验(数据)可借鉴。
2. 仅需概率结论。
3. 应用场景和条件简单清晰。比如下棋的规则清晰。
4. 确定性、最优算法很慢或者很复杂时
5. 人脸识别等感知问题
6. 不一定最优解,次优解较优解可接受的情况,如下棋。
总的来说,机器学习对人脸,语音识别等感知问题较适合,
对精确和关键的领域,或者底层计算领域,分析和模糊推理等认知问题,
并不擅长。
当然,这只是一般定性,没法制定一个适合不适合机器学习技术的截然标准。
【1】科学网—人工智能转入深度学习时代的方法论原因 - 徐明昆的博文 (sciencenet.cn)
【2】科学网—人类直觉的人工智能模拟 - 徐明昆的博文 (sciencenet.cn)
【3】科学网—深度学习基本原理 - 徐明昆的博文 (sciencenet.cn)
【4】科学网—人工智能(机器深度学习..)无关乎人的智能 - 徐明昆的博文 (sciencenet.cn)
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-4-19 11:08
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社