人工智能

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

17 篇文章 8611 次浏览
周帆
11

如何用python在工作中“偷懒”?

周帆
14

33 个神经网络「炼丹」技巧

周帆
8

看因果深度学习如何教AI人工智能去问为什么


       作者 | George Lawton

编译 | CDA数据科学研究院

       大多数AI都基于模式识别,但是正如任何高中生都会告诉您的那样,关联不是因果关系。研究人员现在正在寻找方法,以帮助AI深入到更深层次。生活经验告诉我们,相关关系并不能直接推导出因果关系,但不管是日常生活还是学术研究,对于因果关系的解释要远比相关关系重要得多。很多时候,我们也会对事件之间的因果关系捉襟见肘。如果,把这个过程交给AI来处理会怎样呢?

       AI可以利用深度学习技术来构建相关关系模型。深度学习技术通过关联数据点在构建模型方面做得很好。但是许多AI研究人员认为,需要更多的工作来理解因果关系,而不仅仅是相关性。现场因果深度学习(对确定某件事发生的原因很有用)仍处于起步阶段,并且自动化比神经网络困难得多。许多AI都是关于在大量数据中查找隐藏模式的。全球IT服务公司L&T Infotech的执行副总裁兼首席数据分析官Soumendra Mohanty说:“显然,这方面将我们带向了“什么”,但很少有人去理解“为什么”。

       这种区别的含义可能很重要。最终,要创造出模仿人类智能的机器,就需要训练AI来询问为什么一种观察会影响另一种观察。这就是为什么许多研究人员现在将注意力转向这个问题的原因。

        加州大学洛杉矶分校(UCLA)教授朱迪亚·珀尔(Judea Pearl)激发了该领域的兴奋,他从事了一些实施贝叶斯网络以进行统计分析的形成性工作。最近,他一直在开发一个框架,用于绘制因果关系图,并在可计算框架中找出导致观察到的事件的因素。

        分析因果关系的最大挑战之一是将范式更改为一种,其中专家对观察的原因提出主观意见,然后通过各种分析技术将其分开。这与统计机器学习所追求的更加客观的方法形成了鲜明的对比。从长远来看,因果关系研究可以为理解世界提供更好的模型。在短期内,因果分析将使解释机器学习模型为何能提供结果的原因变得更加容易。

周帆
9

2020年人工智能落地发展趋势

AIU人工智能学院
9

AI不是万灵神药!看看普林斯顿大学的这份“假AI防骗报告”

AI不是万灵神药!看看普林斯顿大学的这份“假AI防骗报告”
AIU人工智能学院
14

细数人工智能和人类智能的十大不同

细数人工智能和人类智能的十大不同
AIU人工智能学院
7

Python在人工智能中的作用

AIU人工智能学院
10

李宏毅机器学习完整笔记发布,AI界「最热视频博主」中文课程笔记全开源

李宏毅机器学习完整笔记发布,AI界「最热视频博主」中文课程笔记全开源
东方祥
112

一张图教你读懂AI简史

一张图教你读懂AI简史
rose8836
131

攻略:如何使用谷歌COLAB的免费GPU