iT邦幫忙

2023 iThome 鐵人賽

DAY 30
0
AI & Data

機器學習新手行,相信你也行!系列 第 30

完賽了~了解機器學習歷史和感言

  • 分享至 

  • xImage
  •  

人工智慧到機器學習再到深度學習簡史

1943 - 1956 人工智慧的誕生

  • 1930 年代末到 1950 年代初,控制論、資訊理論、計算理論、人工神經元網絡的概念奠定了AI基礎
  • 1943 年,IBM 702 成為 AI 研究的首部電腦
  • 1950 年,圖靈提出圖靈測試評估機器智能
  • 1951 年,遊戲AI取得業餘棋力,Marvin Lee Minsky 建造第一神經網絡機SNARC
  • 1955 年,開發「邏輯理論家」證明定理
  • 1956 年,人工智慧成為學科,達特矛斯會議確立人工智慧名稱和任務

1956 - 1974 黃金年代

  • 研究工作包括使用搜索和啟發式算法解決各種問題,特別是自然語言處理,一些早期聊天機器人也出現了
  • 微世界概念出現,簡單的場景幫助研究基本原則,如機器視覺
  • 第一代AI研究者對AI的前景充滿樂觀,政府機構(像 DARPA )提供了大量資金支持AI研究

1974 - 1980 第一次 AI 低谷

當時AI面臨的困難

  1. 電腦性能不足,難以處理複雜問題,特別是自然語言處理
  2. 計算複雜性和指數爆炸問題,需要大量計算時間
  3. 缺乏常識和推理能力,AI 需要大規模知識庫,但當時難以取得
  4. 莫拉維克悖論對某些看似簡單的任務的難度提出挑戰,如人臉辨識
  5. 使用邏輯方法的AI研究者在處理常見問題時需要調整邏輯結構,導致新邏輯學方法的發展
    兩大派別:
  • 簡約派( the neats ) 強調使用邏輯和 Prolog 語言進行 AI 研究,提出邏輯思維和基於規則的推理
  • 蕪雜派( the scruffies ) 強調使用框架和腳本讓電腦仿效人類思考,提出框架和腳本的概念,處理認知性質的問題

1980 - 1987 繁榮

  • 專家系統蓬勃發展,應用廣泛
  • 知識處理成主流,常識問題重要
  • 第五代工程和其他大型項目推動AI發展
  • 聯結主義再次崛起,神經網絡應用拓展

1987 - 1993 第二次AI低谷

  • 商業對 AI 的熱潮和冷卻遵循經濟泡沫的模式,導致 AI 面臨了財政問題
  • 1987 年,AI 硬體市場需求急劇下降,許多傳統 AI 公司面臨崩潰,部分原因是台式機性能超越昂貴的 Lisp 機
  • 成功的專家系統像 XCON 開始出現高維護成本和限制,導致實用性受限
  • 戰略計算促進會削減了對 AI 的資助,認為 AI 不是未來的主要方向
  • 1991 年,第五代工程目標未能實現,一些目標直到 2010 年才實現
  • 80 年代末,AI 研究者提出了新的方法,強調機器需要具有軀體和感知能力,從而提出了「自底向上」的智能創建方法,以重新激活控制論
  • 一些研究者反對符號處理的智能模型,強調身體在智能中的重要性,提出「具身的心靈/理性/認知」論題

1993 - 2011 AI

  • AI 開始實現了最初的目標,並取得了重大成就
  • 高性能計算機的增長是實現這些成就的一個關鍵因素,計算性能大幅提高,並且超越了過去的計算機性能
  • 1997 年,IBM 的深藍電腦擊敗了國際象棋世界冠軍卡斯帕羅夫
  • 2005 年,Stanford 開發的機器人在 DARPA 挑戰大賽中成功自主行駛了長距離
  • 2009 年,藍腦計畫宣稱成功模擬了部分鼠腦
  • 2011 年,IBM 的 Watson 參加《危險邊緣》節目,最終擊敗了人類參賽者
  • 2017 年,AlphaGo 在世界排名第一的棋手
  • 智能代理能夠感知環境並最大化成功的機會,這一範式推動了對智能代理的學習,擴展了 AI 研究的範疇
  • AI 研究者通過數學工具的使用,開始解決複雜的問題,並將數學語言引入 AI 領域,使 AI 成為一門更嚴格的科學分支
  • 這一時期被描述為「簡約派的勝利」,AI 研究變得更加嚴謹,並使用數學工具來解決問題

2011 年 - 現代 深度學習,大數據和通用人工智慧

  • 深度學習在圖像處理、語音識別和自然語言處理等領域取得突破性進展
  • 隨著數據的爆炸性增長,大數據技術應運而生,強調對大量、多樣和高速的數據進行分析和應用,有助於提取有價值的資訊
  • 強化學習,通過與環境的互動來取得最大化的預期利益,在自動化控制和遊戲中取得成功
  • 對通用人工智慧的探索不斷進行,像大型語言模型如 GPT-3.5 通過強化學習實現了高度自然的文字對話
  • 大數據應用滲透到生態學、經濟、醫學等領域,深度學習取得在電腦視覺和語音識別等領域的突破性成就

完賽感言

其實這 30 天給我最深的感受就是每天發文並不難,而是這些東西究竟是你已經學會了放出來教學,還是像我這樣什麼都不會拿來做筆記,如果是前者就是要費心費力咀嚼成解說,後者的話,就是要每天耗費許多心力去學習,不一定學透,但還是要發東西出來。

可以說,這 30 天我發的東西我自己都沒有學透,並且並且都是理論類的,可以說我在這 30 天對於機器學習有所理解,我學到了很多專有名詞,整理了關於一些演算法和機器學習的特點和學習邏輯,但關於機器學習實作的部分還是一竅不通,老實說寫一篇文就要花我 1 個多小時,我需要想好今天的主題,然後開始查資料,最後整理成自己的筆記,我想實作的部分只能我再加油了。

對自己還是蠻失望的,本來以為能夠學好東西,結過最後變成為了發文而發文,每天想到文還沒打就想嘆氣,以後有機會的話,一定一雪前恥,再來參加。

最後,謝謝各位一起參賽的夥伴,沒有你們我一定撐不下去!
這次的旅途就這樣結束了,好好咀嚼旅途上的失敗和挫折,為下次的旅途做好準備

參考資料

https://zh.wikipedia.org/zh-tw/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%8F%B2#%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%9A%84%E8%AF%9E%E7%94%9F%EF%BC%9A1943_-_1956


上一篇
生成對抗網絡( GAN )
系列文
機器學習新手行,相信你也行!30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言