微信号:Caicloud2015

介绍:Caicloud作为中国最早的“集群即服务”云平台开拓者,使用最潮流的Docker技术,以自带服务的形式提供智能调度、效能优化、资源管理、负载均衡、健康监测、故障预警、冗余控制、备份部署等任何抗故障、高稳定性分布...

InfoQ 视频分享:普通程序员学习人工智能的简易指南

2017-07-24 18:08 Caicloud



在公众号首页输入: 指南,获取视频下载。


本次直播共有近万人在线观看


大家的反响也非常热烈


碍于现场的分享有限,所以本次直播中我们共选出20名幸运观众获得郑泽宇的畅销大作——《TensorFlow:实战 Google 深度学习框架》,从而可以更加深入持久地进行学习!



获奖名单如下:

少年郎_北:手机尾号9603
将军神武:手机尾号7350
冰封527:手机尾号7983
月影流苏漫太古:手机尾号1525
也许也可以:手机尾号6646
程序员999:手机尾号9490
付之一笑8598:手机尾号1591
DoublePearl:手机尾号1030
精美璀璨的明珠:手机尾号6791
gaterking:手机尾号2382
mmmnnn2225:手机尾号1376
辛未九日_Leasure:手机尾号5645
shuaigun001:手机尾号2483
风和花:手机尾号7436
青灬争:手机尾号1701
未来是前端的:手机尾号9314
vingo猫:手机尾号1456
TwuTalk:手机尾号2128
那人naren:手机尾号4557
tunSing2:请提供下联系方式


——我们将会和以上观众联系并寄送书籍,请大家保持通信畅通。

AI 的发展历史与深度学习的崛起
  1. AI 并不是一个新概念,早在上世纪 50 年代就已经被提出。只是期间经历了几次起落,直到最近深度学习的兴起才又回到了大众的视野。

  2. 类似的,深度学习也不是一个“新技术”,它底层的技术从人工智能被提出之初就已经有了,只不过不是叫“深度学习”,而是叫“神经网络”。可以说人工智能的兴衰和神经网络的兴衰是直接相关的。

  3. 在上世纪 50 年代人工智能的概念被提出,神经网络的雏形感知机被提出。早在 1966 年,就有人提出了在 3~8 年内人工智能将达到和人类智慧相似的程度。然而,早期的人工智能系统具有很大的局限性,比如线性不可分的异或问题就无法通过单个神经元来解决。盲目乐观也给人工智能的发展带来了反作用。政府发现虽然人工智能说得那么厉害,但是在十几年内并没有带来翻天覆地的变化,所以大幅削减了研究经费。

  4. 在 1980 年左右,多层神经网络和反向传播算法的提出让神经网络和人工智能的研究又火了一段,然而因为当时计算能力和数据量的限制,也没能使得人工智能得到广泛的应用。

  5. 直到最近因为计算能力的提升,GPU 以及大规模分布式集群的出现,深层神经网络,也就是深度学习,突破了很多学术研究的瓶颈,在计算机视觉、语音、自然语言处理等众多领域都取得了突破性的进展。像无人车、翻译软件、智能机器人等各种人工智能应用逐渐进入成熟阶段,再加上 AlphaGo 围棋机器人的推波助澜,使得人工智能又掀起了一个高潮。

哪些职业会被 AI 淘汰?又有哪些新岗位会出现?
  1. 人工智能的兴起也带来了一些担心,有人觉得自己的工作将会被人工智能所取代,甚至有人担心人类将会被机器人灭亡。在芒果台一个非常火的节目明星大侦探中就有一期以人类和机器人之间的矛盾为主题,表达了技术的发展对人类带来的潜在威胁。

  2. 人工智能技术虽然得到了突破性的进展,但是要达到完全取代人类的地步还为时过早。不过在某些领域,人工智能的应用已经可以部分取代人类。

  3. 最早收到波及的行业就是那些存在大量重复劳动的制造业。目前已经有很多生产流水线已经被机器人取代了,在未来的几年内,我相信会有更多的简单重复劳动将被机器取代。

  4. 与简单重复劳动相反,目前人工智能已经进军一些度专业知识要求非常高的领域。其中基于医学图像的诊断、大型设备、厂房的智能调优、金融领域的职能风控、投顾等问题都能够通过人工智能的算法得到较为满意的结果。不过在这些问题上,机器在短期内要取代人类还是非常有难度的,需要有新的突破。比如深度学习被诟病得比较多的一个问题就是黑箱问题。深度学习的模型很难被直观的理解,有研究指出稍微修改一些图片的像素,尽管修改后的图片和原图对人来说几乎一模一样,但是可以使得机器得到不一样的分析结果。不过我相信这些问题随着人工智能技术的进一步成熟,很有可能在 10-15 年之后开始慢慢取代人类。

普通程序员如何从零入手系统学习 AI
  1. 提到入门人工智能,特别是深度学习,很多人最大的担心就是我是不是需要先学好数学然后才能掌握人工智能,特别是深度学习算法”。在网上有人说数学是基础,不学好数学无法掌握深度学习的精髓。这是对的,但是也不是所有人都需要掌握精髓才能将人工智能运用到具体的问题中。

  2. 对于仅仅是想把深度学习用于具体问题的人,我比较推荐在实战中学习。这些人可以不用对模型背后的数学原理有太深的了解,只要大概知道是怎样做的,如何将自己遇到的问题转化为一些经典问题就可以。我的书《TensorFLow:实战 google 深度学习框架》就是在实战中介绍深度学习的原理和使用方法,可以帮助大家在实战中了解基本原理和使用方法。学习的过程中大概有三个阶段,第一个阶段需要大概了解人工智能是什么,能够解决什么类型的问题,在哪些领域中可以带来帮助;第二个阶段是自我发现的阶段,找到自己想要应用人工智能的领域,并且运用学到的知识来解决具体的问题;第三个阶段带着经验来学习更加系统化的知识。同时我将于 9 月与 InfoQ 合作一个带 CapStone 项目的在线课程,在介绍基本原理的同时,我们将给出 3 个具体的项目,参与项目的同学将得到来自才云科技的资深大数据科学家的辅导。

  3. 当然,如果我们要更加深入的了解深度学习,并能够在技术上有突破,那么深入数学公式就是在所难免的了。对于这一类的同学,我推荐大家从 GoodFellow 的《Deep Learning》这本书开始,扎稳数学根基。同时关注机器学习领域一些比较重要的会议,比如 ICML、NIPS、AAAI、CVPR、ACL、EMNLP、WWW 等国际顶级会议。郑老师在 StuQ 有一门《TensorFlow 实战》,现在报名还有大力优惠,感兴趣可以点:http://new.stuq.org/course/74

AI 在落地过程中会遇到的挑战及解决方案
  1. 虽然人工智能这个概念已经非常火了,而且也有了类似 AlphaGo、无人车等最新的人工智能研究成果,然而,要将人工智能应用于实际的生产生活中仍然面临很大的挑战。

  2. 人才方面的挑战。每个公司都有很多场景需要使用到人工智能,然而人工智能方面的人才有限,而且目前都集中于 BAT 等少数大公司,所以对于很多企业来说,招人成为了一个非常大的挑战。

  3. 数据方面的挑战。深度学习需要海量数据,要收集海量有用的数据不容易,也需要时间。比如在做自动诊断时,很多时候一个医院一年也就只有几百个甚至只有几十个病人,那么这样样本数太少导致很难使用深度学习。

  4. 平台方面的挑战。海量的数据与超大的运算量往往会带来平台层的压力。比如从头开始在 ImageNet 数据上训练 Inception-v3 模型,即使在有 GPU 的情况下也需要将近半年的时间才能达到和传统机器学习方法类似的效果。那么并行化加速成为了必然的需求。虽然目前开源的深度学习工具不甚枚举,而且支持分布式的也不在少数,但是能支持企业级用户的系统还是空缺。Caicloud 提供的 TensorFlow as a Service 平台就提供了国内首个商用深度学习平台,帮助企业更快的掌握 AI 能力。



 
Caicloud 更多文章 才云 & InfoQ 今晚直播!人工智能这么火,普通程序员怎么学? 才云受邀出席 ABC 公开课,探讨云计算智能加速 TaaS 公有云内测版升级至 2.1.0,持续开启限量内测! Kubernetes 2岁了,这个 Party 你一定要来! 携手 AI 产业普惠,才云将与浪潮共建人工智能联合实验室
猜您喜欢 记录朋友圈发了一条状态之后,无法直视的回复 程序员必须克服的十大编程禁忌 拆轮子系列:拆 Retrofit 基于Event Sourcing和DSL的积分规则引擎设计实现案例 【910】运维产品的能力闭环体系