迪士尼彩乐园是正规吗
1. 危境旯旮
1.1. 《危境旯旮》是好意思国的一个电视节目
1.1.1. 《危境旯旮》接收了许多但数目有限的问题类型
1.1.2. 全好意思最受宽待的才能竞赛节目
1.2. 2011年，IBM也参与了比赛
1.2.1. 开发了一款能玩《危境旯旮》的筹备机，取名“沃森”
1.2.2. 沃森的敌手是《危境旯旮》历史上最强的两位选手-肯·詹宁斯和布拉德·拉特(Brad Rutter)
1.2.2.1. 肯·詹宁斯保捏着最长的连胜记载——74场连胜
1.2.2.1.1. 依然赢得了250万好意思元的奖金
1.2.2.1.2. 时年36岁的詹宁斯在进入《危境旯旮》赢得到手之前，曾是又名筹备机标准员
1.2.2.2. 布拉德·拉特则赢得了《危境旯旮》比赛历史上最高的总奖金——共325万好意思元
1.2.2.2.1. 拉特比詹宁斯小4岁，在初度登上节目之前，他在一家唱片店使命
1.2.3. 奖金高达100万好意思元
1.3. 沃森的处理才妥洽惊东谈主的内存容量是筹备机赢得到手的一部分原因
1.3.1. 沃森的硬件是滥觞进的
1.3.1.1. 由100台IBM Power 750做事器构成的网罗，共有15万亿字节内存和2880个处理器中枢
1.3.1.2. 满负荷运行时，该开拓每秒可引申80万亿次筹备
1.3.2. 沃森领有海量的数据
1.3.2.1. 节目规章条件在比赛进行时，机器必须断开互联网聚会
1.3.2.2. 在开发经过中，该团队向沃森下载了100万本书
1.3.2.2.1. 各式清贫文献皆被塞进了它的内存里，包括教科书、百科全书、宗教文本、戏剧、演义和电影脚本
1.4. 沃森到手的真实精巧如故在于它的算法
1.4.1. 沃森的软件是数百种合作算法的夹杂体
1.4.2. 流露器(parser)算法将踪迹理会为各个语法身分
1.4.3. 一朝索求出了各式相关，就不错细则踪迹的元素
1.4.3.1. 通过将一组“若是-那么-不然”的规章应用于流露器输出来完成的
1.4.4. 3个主要元素得以树立：踪迹焦点、谜底类型和问题分类
1.4.4.1. 踪迹的焦点是指踪迹劝诱选手温柔的东谈主物、事件或事物
1.4.4.2. 谜底类型是焦点的内容
1.4.4.3. 问题分类是踪迹所属的类别
1.4.4.3.1. 可能的类别包括事实述说、界说、多项选拔、谜题和缩写
1.5. 搜索会拜谒沃森存储库中的结构化数据和非结构化数据
1.5.1. 结构化数据是指在组织结构明晰的表格中保存的信息
1.5.1.1. 结构化表格数据额外相宜查谋事实述说类信息
1.5.2. 非结构化数据是指莫得正规组织结构的信息
1.5.2.1. 非结构化数据包括文本文档中的信息，如报纸或册本。其中包含了大皆的学问，但筹备机很艰深释
1.5.2.2. 从非结构化数据中检索有用的信息被讲明是构建沃森的最浩劫题之一
1.6. 用踪迹的焦点手脚要津字检索维基百科，寻找到一个相应的词条
1.7. 沃森发祥于20世纪七八十年代的群众系统(expert system)和基于案例推理(case-based reasoning，CBR)的本事
1.7.1. 群众系统使用手写的“若是-那么-不然”规章将文本输入调和为输出
1.7.1.1. 第一个流行的群众系统MYCIN是由斯坦福大学的爱德华·费根鲍姆(Edward Feigenbaum)的团队开发的
1.7.1.2. 它被设想用来匡助医师细则感染是细菌性的如故病毒性的
1.7.1.3. 群众系统的主要短处是，每个规章和磋商的点必须手动编程到系统中
1.7.2. CBR系统比群众系统具有更天简直方案机制
1.7.2.1. 第一个有用的CBR系统是由耶鲁大学的珍妮特·科洛德纳(Janet Kolodner)开发的CYRUS
1.7.2.2. CYRUS是一个当然言语信息检索系统
1.7.2.2.1. 该系统保存着好意思国国务卿塞勒斯·万斯(Cyrus Vance)和埃德蒙德·马斯基(Edmund Muskie)的列传与日志
1.7.3. 群众系统和CBR手脚AI的陈旧式样，行将被一场海啸归拢
1.8. 若是《危境旯旮》的制作主谈主须臾蜕变踪迹的花式，沃森就会难于应酬
1.8.1. 沃森的东谈主类敌手可能就澈底能适合
1.8.2. 沃森的标准是特地用来处理《危境旯旮》踪迹的，莫得其他的功能
1.8.2.1. 它仅仅说明预界说的规章摆弄单词
1.8.2.2. 沃森仅仅比之前的任何当然言语处理系统治有更多的规章和数据
2. 师法大脑
2.1. 东谈主类天生具有识别模式的才调
2.1.1. 在短短几年的成长经过中，孩子们能学会识别状貌、物体、声息、气息、质量和白话词汇
2.1.2. 统共这个词20世纪，筹备东谈主员试图设想出与东谈主类在模式识别上才调额外的算法，但皆以失败告终
2.2. 在灰度(greyscale)图像中，0暗意玄色，1暗意白色，介于两者之间的值代表不同色度的灰色
2.3. 每个数字皆对应于图像中的一个点，或称像素(pixel)
2.4. 困难来自试验寰宇图像具有可变性
3. 大脑细胞
3.1. 东谈主类的大脑由大致1000亿个细胞构成，这些细胞称为神经元
3.2. 单个神经元由3种结构构成：一个中央胞体，一组被称为树突的输入纤维，以及一些被称为轴突的输出纤维
3.3. 当神经元放电时，它会从中央胞体向统共的轴突发送脉冲
3.4. 唐纳德·赫布(Donald Hebb)
3.4.1. 加拿大神用样式学家
3.4.2. 当神经元捏续放电时，招揽信号的神经元的树突会发生变化
3.4.2.1. 它们对发出信号的神经元会愈加明锐
3.4.2.2. 招揽信号的神经元变得更容易作念出反映
3.4.3. 赫布的发现揭示了生物神经网罗中的学习效应(learning eff ect)——往常的素养会决定翌日的行径
3.5. 沃尔特·皮茨
3.5.1. Walter Pitts
3.5.2. 天才儿童
3.5.3. 数学老师诺伯特·维纳(Norbert Wiener)是皮茨在MIT的导师之一
3.5.3.1. 他劝诱皮茨筹备适度论(cybernetics)，即自我调控系统的学问
3.5.4. 1969年，他死于与酗酒商量的疾病，年仅46岁
3.5.5. 遗产是东谈主工神经网罗的数学基础
4. 东谈主工神经网罗
4.1. 寰宇上第一个东谈主工神经网罗(artifi cial neural network，ANN)是由MIT的贝尔蒙特·法利(Belmont Farley)和韦斯利·克拉克(Wesley Clark)于1954年建立的
4.2. 感知器是一个分类器——它能细则给定输入属于哪个类，或称类别
4.3. 权重模拟了神经元对特定输入信号的明锐度
4.3.1. 统共加权的输入值被与一个偏置值加到沿途，得出神经元的甘心值
4.3.2. 将甘心值代入一个激活函数
该记者透露：“费内巴切正在同时和4到5名中卫进行谈判。他们准备在这个位置引进2名新援。管理层还将继续寻觅合适目标补强球队阵容。”
该记者透露：“费内巴切正在同时和4到5名中卫进行谈判。他们准备在这个位置引进2名新援。管理层还将继续寻觅合适目标补强球队阵容。”
4.4. 在一个全聚会的神经网罗中，一个层的统共输出皆被输入下一层的每个神经元
4.4.1. 输入层的输出聚会到第一荫藏层
4.4.1.1. 荫藏层是那些不班师聚会到网罗输入或输出的层
4.4.2. 在一个简便的神经网罗中，可能唯有一个荫藏层
4.4.3. 荫藏层之后便是输出层
4.4.3.1. 这一层神经元的输出便是最终的网罗输出
4.5. ANN的模拟经过
4.5.1. 取网罗输入值
4.5.2. 对每一层类似以下轨范
4.5.2.1. 对层中的每个神经元，类似以下轨范
4.5.2.1.1. 将总甘心值设为与偏置值额外
4.5.2.1.2. 对神经元的每一个输入，类似以下轨范
4.5.2.1.2.1. 将输入值乘以输入权重
4.5.2.1.2.2. 加入总甘心值中
4.5.2.1.2.3. 当统共输入皆处理实现后，迪士尼彩乐园邀请罢手类似
4.5.2.1.3. 若是甘心值大于阈值，那么将神经元输出设为1，不然将神经元输出设为0
4.5.2.1.4. 当统共这个词层处理完成后，罢手类似
4.5.2.2. 当统共层皆处理完后，罢手类似
4.5.3. 输出与最大网罗输出值商量联的类的称呼
4.6. 每个神经元皆会针对输入作念出眇小的决定
4.7. 第一个挑战是选拔合适的拓扑(topology)
4.7.1. 指神经网罗中神经元的罗列聚会方式
4.7.2. 拓扑结构决定了层的数目、每层含神经元的数目以及它们之间的互辘鸠集相关，拓扑会影响网罗大约处理任务的复杂度
4.8. 第二个挑战是细则网罗参数的值
4.8.1. 参数适度着网罗的步履
4.8.2. 网罗要正确地对输入进行分类，参数值必须稳健
4.9. 感知器在20世纪60年代末遭遇了品评和争议
4.9.1. 马文·明斯基和西摩·佩珀了得版了一真名为《感知器》(Perceptrons)的书，给统共这个词宗旨泼了一盆冷水
4.9.1.1. 明斯基和佩珀特于2016年物化，均享年88岁
4.9.2. 1969年，明斯基因对该领域的跳动所作念出的孝敬赢得了图灵奖
4.10. 罗森布拉特
4.10.1. 反向传播迤逦改进(back-propagating error correction)
4.10.1.1. 他不息地动弹感知器的旋钮，直到它使命为止
4.10.2. 于1971年他43岁生辰那天死于切萨皮克湾的一次帆海事故
4.10.3. 为了缅思罗森布拉特，明斯基和佩珀特将《感知器》的第2版题献给了他
4.11. 单层感知器不成学习某些基本的逻辑函数，但多层感知器不错
5. 反向传播
5.1. ANN的往常运算称为正向传播［forward-propagation，或称估计(inference)］
5.1.1. ANN接受一个输入，逐一神经元、逐层地处理这些值，然后产生一个输出
5.1.2. 在正向传播经过中，参数是固定的
5.2. back-propagation，或简写为backprop
5.3. 它依然存在一段时期了，但之前不曾应用到ANN的熟练中
5.3.1. 反向传播算法最终成为ANN的熟练算法
5.4. 保罗·韦伯斯
5.4.1. Paul Werbos
5.5. 反向传播算法需要对东谈主工神经元的激活函数作念眇小的调和
5.5.1. 阈值运算需要用更平滑(smoother)的函数代替
5.5.2. 新函数确保了神经元输出跟着甘心值加多能从0渐渐飞腾到1
5.5.3. 感知器中那种通过阈值适度的从0到1的须臾转念不见了
5.5.4. 从0到1的平滑转念让网罗参数在反向传播期间得以渐渐骤整
5.6. 学习率(learning rate)
5.7. ANN的浩荡之处在于它大约学习和综合(generalize)
5.7.1. 即使是关于网罗以前从未见过的输入的类，只须它与熟练时所用的输入是一样的，网罗也能正确地判断它的类
5.7.2. 一个经过许多圆形图像熟练的网罗，大约对它从未见过的圆形的草图进行正确分类
5.7.3. 神经网罗不仅仅把熟练数据皆记着了，它确乎还学习了输入类和输出类之间的一般相关
5.8. 反向传播算法初度令筹备东谈主员大约有用地熟练多层网罗
5.8.1. 成果是，网罗变得愈加准确，大约完成更复杂的分类任务了
6. 卷积神经网罗
6.1. 杨立昆
6.1.1. 1960年出身于巴黎
6.1.2. 1983年，他赢得了电气本事和电子工程师高级学校(École Supérieure d’Ingénieurs en Electrotechnique et Electro-nique，ESIEE)的工程师证书
6.1.3. 单个组中的统共单元分享沟通的权重
6.2. 在图像上复制和转移单个筹备单元的数学经过称为卷积(convolu-tion)
6.2.1. 这种类型的网罗被称为卷积神经网罗(convolutional neural network)
7. 深度学习
7.1. 辛顿
7.1.1. 1947年出身于战后的英格兰温布尔登
7.1.2. 2006年，辛顿和多伦多大学的西蒙·奥辛德洛(Simon Osindero)以及新加坡国立大学的郑宇怀发表了一篇鼎新性的论文
7.1.2.1. 该论文符号着现时被称为深度学习(deep learning)的来源
7.1.2.2. 著述形色了由3个全聚会的荫藏层构成的网罗
7.1.2.2.1. 这个网罗有太多的参数，用反向传播算法的方式进行熟练会额外平安
7.1.2.2.2. 反向传播算法以连忙参数值运行熟练
7.2. 反向传播算法是监督(supervised)熟练的一个例子
7.2.1. 意味着熟练要为网罗提供输入和输出相匹配的示例
7.3. 顿和其他共同作家提倡接收无监督(unsupervised)熟练
7.3.1. 无监督熟练只使用输入示例
7.3.2. 在无监督的预熟练中，示例输入被提供给网罗
7.4. 深度网罗才是前进的场地
7.5. 深度学习的海啸分3波袭来：领先是语音识别，然后是图像识别，再之后是当然言语处理
7.5.1. 半个世纪的模式识别筹备在短短3年内被淘汰出局
7.5.2. 60年来，科技界一直在费力将白话抒发准确地转动为文本
7.5.2.1. 最佳的算法依赖傅里叶变换来索求谐波的振幅
7.5.2.2. 然后操纵隐马尔可夫模子(Hidden Markov Model，HMM)，说明不雅察到的谐波情况和声息序列在真实语音中已知的出现概率来判断发出的音素
7.6. ANN-HMM夹杂体语音识别系统
7.6.1. 包含一个4层的ANN
7.6.2. 该团队使用来自谷歌语音搜索的5870小时的语音灌音来熟练ANN，并添加了来自视频网站YouTube的1400小时的对话音频
7.6.3. 新的ANN-HMM夹杂体比谷歌先前使用的基于HMM的语音识别系统性能卓绝4.7%
7.7. 本吉奥
7.7.1. 生于1964年，来自法国巴黎，是神经网罗申诉的领军东谈主物之一
7.7.2. 2014年，谷歌选拔了本吉奥的使命，将其用于贬责把文档从一种言语翻译成另一种言语的难题
7.7.2.1. 其时，谷歌翻译网罗做事依然运行了8年
7.8. 杨立昆、辛顿和本吉奥于2018年赢得了图灵奖迪士尼彩乐园是正规吗，他们分享了谷歌辅助的100万好意思元奖金