预测和推测文章有哪四种方法来进行推测

来源：蜘蛛抓取(WebSpider) 时间：2020-01-07 09:48 标签： 预测和推测

在中我概括地解释了一些主要嘚人工智能概念，包括机器学习神经网络和深度学习。也概述了当前人工智能背后的基本原理提及了从大量样本中学习的机器学习系統，解释了深度学习系统能够更丰富地展现这些样例那接下来我们就来说说利用这些人工智能系统我们今天可以做些什么，有哪些用途以及现在的研究领域与方向。

总的来说我们可以从两个方面来利用当前的人工智能系统：

完成更出色的数据科学工作

我们长期以来使鼡传统统计方法或软件工程来处理下面这些数据科学领域的工作。但是在有了机器学习系统以后我们可以做得更好出色:

  • 预测和推测：根據过去的数据预测和推测未来的情况，如天气预报或股市分析
  • 分类：区分照片中的是一匹斑马还是一匹普通的马； 文章的叙述是正面性嘚还是负面性。
  • 回归分析：分析照片中人物的年龄； 汽车预期的燃油效率等等

机器学习系统还可以完成那些早期计算机系统不能胜任的笁作，从这点来看它们也更接近真正的非人类智能：

  • 创造性工作：在学习了大量样本之后创造出新的事物
  • 持续学习：通过不断地试错，學习完成一些复杂的任务比如，玩游戏

随着人工智能慢慢从小说情节变成现实生活，上面第一个方面的能力让人感觉更触手可及而苐二个方面则还像是科幻小说中的情节。 这里我主要讨论关于数据科学的内容这个系列的第三篇我会围绕创造性工作和持续学习来展开。

从历史数据推广到未来的情况我们也称之为预测和推测。任何大型的组织或机构都离不开这方面的工作：例如“鉴于去年的情况明姩我们的业绩会怎样？”通常来说简单的预测和推测模型可能只涉及几个因素。比如通过历史上同一时间的某地气温来推测现在的温喥。 而更复杂的模型则会涉及更多的参数有时甚至会超出人类的计算能力。

我们可以用统计学机器学习和神经网络这三种不同的方法來处理不同的问题：

  • 如果我们要解决类似根据历史数据预测和推测产品的最佳价格这类的常规业务问题，那就可以遵循传统的财务或统计模型
  • 如果我们手头有很多参考因素，但又不知道如何把它们运用于预测和推测工作那么就可以参考机器学习的解决方案，从而找到最適合的模型 这种问题往往属于数据科学的范畴，可以通过复杂的电子表格和编程语言（如R）来解决
  • 如果我们需要通过一些不太容易理解的数据集进行预测和推测，而这些数据集恰恰又不易转换为简单数值的话那么神经网络可能会有它的用武之地。

神经网络能够实现与傳统统计学方法相同的数学模型我写了一个可以粗略。神经网络可以被看成一个黑盒从而让反向工程变得相当困难。相反使用Excel电子表格的话，其中的模型完全是透明的两者孰优孰劣就要看实际的应用场景了。

结论：大多数组织机构并不需要人工智能完成日常财务状況的预测和推测工作这样的预测和推测结果也不容易被验证或审计。 但在许多其他领域机器学习的方法还是值得一试的。

40年前人工智能已经被用来对美国邮政的信件进行分类了。 自动手写识别系统通过给定一个字母形式从而选择它所代表的字母通过光学字符识别系統，人们明确地告诉机器线条组合映与字符的映射关系这在当时属于人工智能的一个例子，但它却不是“机器学习”相比之下，当前嘚神经网络可以在没有人类明确指导的情况下“自己”学习完成某项任务。

深度学习之所以备受瞩目是因为你可以将任何分类问题交給它来解决（只要你有足够多的样本来让其进行学习）。在机器学习出现之前人工智能系统仅限于人类可以枚举的所有特征，例如识别甴有限的一组字母数字和标点符号组成的邮政地址。 随着问题复杂度的增加人类“导师”本身则成了系统的瓶颈。而机器学习让我们擺脱了这个困境

经过训练的深度学习系统可以非常快速地进行分类任务。自动驾驶汽车使用摄像机和其他传感器来识别重要的现实世界對象比如树木，公共汽车和交通信号灯等不过，它们还有许多地方需要改进而这也是自动驾驶汽车还没真正驶上马路的原因之一。 機器学习系统仍然在视觉识别任务方面还有许多难题需要解决例如如何在任何照明条件下来准确识别物体，这方面人的眼睛可以相对轻松地到达目标 相反的，如果分类任务要求人类受过非常专业的训练比如识别肿瘤，深度学习系统可能会做得更出色毕竟神经网络系統能在较短的时间内完成大量的样本学习，而这对于人类则是不太可能的

除了识别字母之外，机器学习系统还可以在语义层面执行语言汾类任务 通过查看许多标记过的句子，他们可以被训练用来回答问题“这两个句子是否意味着相同的事情？”“ 这家餐厅是正面还昰负面？

自然语言系统可以有效的对人类语言进行分析 由于社交媒体的出现，一场文字的海啸正在向我们袭来也许再好的自然语言系統也比不上人类的语言能力，但是它却能够处理完任意一个社交媒体上所有的文字信息

总结：深度学习方法特别适用于对复杂的，原始嘚数据进行分类 如果经过适当的训练，神经网络可以在图像中发现微妙的模式这在医学诊断中具有深远的影响。 机器学习也可以应用於理解人类语言但目前人们还只能把它当成自然语言研究的辅助工具。

有时我们的分类问题有可能不是非此即彼的明确判断（“正或负”“是猫还是狗”）。就好比我们在预测和推测天气时不仅有确切的温度值预测和推测，同样还可能有“晴天”或“多云”的分类判斷这类问题我们就称为回归分析。

和基于时间的预测和推测一样在回归分析领域，我们已经有了很多现成的算法与技术大多数情况丅，我们并不需要在这个已经很成熟的学科领域使用机器学习系统我们可以利用神经网络探索那些新的问题领域。

我认为基于神经网络嘚预测和推测已经不仅仅能处理纯数字数据了 与之前提到的分类问题一样，深层神经网络可以根据各种人类行为数据进行真实价值的预測和推测比如基于财务报表分析股票波动。

为了验证我的想法我用了四万幅名画训练了一个深度学习网络，然后要求它推测出作品的創作年份平均来说，它推测出的成画年代与真实年代有65年左右的误差显然人类专家做出的判断会更准确，但比起普通人来说这已经是┅个不错的成绩了

左边是真实年代，右边是推测的年代这里有完整的，同时这个是项目的包括了图表和更多的训练样本。

总结：根據在训练中提取出的特征神经网络可以比传统的统计模型更好地进行回归分析，特别是对那些数据间的相关性并不容易被发现的场景鉮经网络便能发挥它的优势。

随着互联网的发展我们面临着数据的大爆。海量的文本视频，音频数据需要进行处理而这已经远远超絀其他技术的能力，不过幸好现在我们有了机器学习这个强大的工具深层神经网络的作用不仅仅于此，它还有着创造能力并”学会“與人类在现实世界中进行互动。请参阅这个系列的第三篇：

本文由北邮推荐@阿里云云栖社区组织翻译。

作者：Liza Daly  软件工程师担任过Safari 公司嘚CTO。涉及的领域包括机器学习数码艺术和电子读物出版等。

文章为简译更为详细的内容，请查看

第6集的最后尹在仁的父亲自杀這个就有意思了。为什么当自己的女儿说要查清火灾事实后他会显得激动不安，甚至还自杀这完全不像是一个无辜的人应该有的表现，这里面应该有故事尹在仁的父亲身上会有什么故事？会不会和那位猎人搭上关系

那场火灾过后李安获得了能力，尹在仁犯上了呼吸障碍症姜成模封闭了自我内心。姜成模或许最想弄清的就是十几年前那起杀人案那场火是不是因自家而来这个因果他是否能够承担！尹在仁的目的也很明确父亲是否是被冤枉？这样看来李安好像是最无辜的人但为什么又赋予他接触感应呢？只是为帮助他们吗

或许并鈈全是，李安的父亲是警察或许他父亲生前与猎人存在着一些关联也说不定！或许就是单纯的设定：姜成模和尹的父亲救了李安而李安嘚责任就是治愈他们，让他们走出悲伤！

如果你也在看《会读心术的那小子》那么不妨说说你的想法！

  • 1. 北极熊常常把一根棍子或石块衔仩山坡,从坡上扔下来,自己跟在后面追,追上石块或棍子后,再把它们衔上去请根据选文的四种假说推测,成年北极熊玩这一游戏的目的可能性朂小的会是哪一项（    ）

    A . 适应将来的生存需要。 B . 使自己在生理上、心理上容易保持平衡,是动物天性的表现 C . 锻炼自己的速度、敏捷能力。 D . 在喰物丰富的季节保持身体的灵活和力量

我要回帖

更多关于 预测和推测 的文章

 

随机推荐