Kuru gıda | Turing Ödülü sahibi John Hopcoft, yapay zeka ve derin öğrenme hakkında konuşuyor
AI Technology Review Press: Bu makale ilk olarak "Academic Toutiao" WeChat genel hesabında (ID: SciTouTiao) yayınlandı ve AI Technology Review, onu yeniden basma yetkisine sahiptir.
John Hopcroft geçtiğimiz günlerde Tsinghua'da derin öğrenme üzerine bir konferans verdi
Bu makale, Profesör Hopcroft'un ders notlarını ve sizin için önemli noktaları düzenlemektedir.
John Hopcroft!
Cornell Üniversitesi'ndeki IBM Bilgisayar Bilimleri Mühendisliği ve Uygulamalı Matematik Profesörü, algoritmaların ve veri yapılarının tasarımı ve analizi alanındaki başarılarından dolayı ACM tarafından "Bilgisayar Bilimlerinde Nobel Ödülü" - Tur Ödülü'ne layık görüldü.
Bu saygıdeğer akademik adam, bu Pazar Tsinghua'ya geldi ve "Yapay Zeka ve Derin Öğrenmeye Giriş" üzerine bir akademik rapor verdi.
Sahne aşırı kalabalıktı ve birçok öğrenci konferans salonunun yalnızca iki yanında durabiliyordu.
Bu makale, Profesör John Hopcroft'un konuşmasının içeriğini çözmek için üçüncü kişiyi kullanacaktır.
Bölüm 1
Profesör Hopcroft, tarım devrimi ve sanayi devrimi kadar önemli bir bilgi devrimi yaşadığımızı söyledi.
Ülkemize dünyayı sarsacak değişiklikler getirecek olan bu devrimin ana itici gücü bilgi ve bilgisayardır.Bilgisayar alanındaki herkes bu devrimde büyük bir rol oynayacak.
Raporun başında Profesör Hopcroft önce işyerinde aşağıdaki deneyimi sizlerle paylaştı.
Profesör Hopcroft, bilgisayar bölümü yokken Elektronik Mühendisliği Bölümü'nden geldi. Ancak, o zamanki bölüm başkanı ondan ders kitapları ve öğretim materyalleri olmadan bilgisayar bilimi dersleri geliştirmesini istedi.
Ders kitapları ve öğretim materyalleri olmadan ders geliştirmek doğal olarak zordur. Ancak Profesör Hopcroft daha sonra bu kursu geliştirmenin ona dünyadaki en genç bilgisayar bilimcisi olma fırsatı vereceğini keşfetti.
Daha sonra, Amerika Birleşik Devletleri bilgisayar bilimi alanında lider bir konum oluşturmayı taahhüt etti ve Profesör Hopcroft zaten en eski kıdemli bilgisayar bilimcisiydi.
Böylece bir gün o zamanki başkan onunla temasa geçti ve onu Ulusal Bilim Konseyi'nin bir üyesi yaptı.
Profesör Hopcroft, "Elektronik mühendisliği alanında bulunmuş olsaydım, bugüne kadar daha kıdemli öğretim üyeleri ve personelin emekli olmasını bekliyor olabilirdim." Dedi.
Herkese bu hikayeyi anlatmamızın sebebinin de bilimsel bir dönüşüm sürecinde olmamız olduğunu söyledi.
Bilgisayar bilimi önemli bir rol oynayacak ve kendinizi gelecekte konumlandırırsanız, benzer fırsatlara sahip olacağız.
Bölüm 2
Kısa bir öykünün ardından Profesör Hopcroft, ilk olarak makine öğrenimi teorimizin şu anda oynadığı önemli bir rolü tanıttı.
Profesör Hopcroft, eşik mantık biriminin makine öğrenimindeki en temel unsurlardan biri olduğunu söyledi.
"Bir dizi girdi ve ardından bir dizi ağırlık vardır. İkisi çarpılır ve bir sonuç elde etmek için toplanır. Toplam belirli bir eşiği aşarsa, bir miktar çıktıdır.
Ağırlık vektörünü 0 olarak ayarlamak, modeli hızlı bir şekilde eğitmenize olanak tanır ve ardından tüm örneklerin doğru şekilde sınıflandırılıp sınıflandırılmadığını test edebilirsiniz.
Doğru şekilde sınıflandırılmamış bir numune olduğunda, ağırlık vektörünü değiştirmek için doğru şekilde sınıflandırılmamış numuneyi ağırlık vektörüne eklersiniz. "
Profesör Hopcroft, herkesin kavrayabileceğini umduğu bir problemin ağırlık fonksiyonunun örneklerin doğrusal bir kombinasyonu olması olduğunu söyledi.
Profesör Hopcroft raporda bir soruyu gündeme getirdi: "Numune doğrusal olarak ayrılabilirse, o zaman bir çözüm hızlı bir şekilde bulunabilir. Ama numune doğrusal olarak ayrılabilir değilse, o zaman ne yapacaksınız?"
Kısa bir aradan sonra, izleyiciye, örnekleri daha yüksek boyutlu bir uzaya haritalamak olan bir çözüm sundu.
"İki boyutlu verileri üç boyutlu uzayla eşlemek için, x ekseni ve y eksenine ek olarak, z eksenini de eklememiz gerekiyor.
Z ekseni, numuneden orijine olan mesafeyi temsil eder.
Ama bu yararlı mı?
Aslında, şu anda, orijinal doğrusal olarak ayrılmaz verileri ayırmak için bir hiper düzlem ekleyebileceğimizi göreceğiz. Ve yapacağımız şey bu. "
3. bölüm
Profesör Hopcroft, bilgi çağı için en önemli şeyin çok fazla veriye sahip olmak olduğunu söyledi.
İnsanlar hata oranını düşürmek için çalışıyorlar ve şimdi hata oranı% 4'ün altında ve en iyi eğitimli insanlar yaklaşık% 5.
Bu aynı zamanda bilgisayarların görüntüleri işleme yeteneğinin insanlara göre daha yüksek olduğunu gösteriyor.
Raporda Profesör Hopcroft, bir resmi kapatmak için 3x3 piksellik küçük bir pencere kullanıldığını ve daha sonra bu pencerenin bir geçidi hesaplamak için kullanıldığını belirtti.
Bir seferde bir sütun taşımak için bu 3 × 3 pencereyi kullanın.Bir sütunu geçtikten sonra, bir satır aşağı gidin.Bu şekilde, görüntü ile aynı piksel numaralı kapı elde edilir.
Bu kapıları hesaplamak için aynı algoritma kullanılır, ardından bu kapılar görüntünün bir özelliğini temsil eder.
Daha fazla özelliği keşfetmek istiyorsanız, ikinci katman bir ağ oluşturabilir ve onu 60. katmana kadar oluşturabilirsiniz.
Ağı basitleştirmek için, bir havuzlama katmanı (havuzlama) oluşturabiliriz.
Bu sefer kapının oluşturduğu matrisi 2 × 2 pencere oluşturmak için kullanıyoruz ve sonra bu pencereyi üst üste binmeyen bir şekilde kaydırıyoruz ve burada büyütmek için her bir pencerede dört değerden maksimumunu alıyoruz.
Bu şekilde, bu özelliklerin tam değerini bilmeden havuzlama katmanı aracılığıyla özellikleri çıkarabiliriz.
Profesör Hopcroft burada, canlı bir şekilde göstermek için bir yüz tanıma örneği verdi.
Dedi ki: "Bir insan yüzüne bakarsanız, sadece burnun ağızda olduğunu bilmeniz gerekir ve ikisi arasındaki mesafeyi bilmenize gerek yoktur."
Profesör Hopcroft ayrıca şunları söyledi: Şu anda bahsettiğimiz şeylerden biri denetimli öğrenmedir.
Kendi kendine giden bir arabanız varsa, arabanın karşılaştığı her durumu eğitmek istemezsiniz, ancak arabanın sürüş sırasında denetimsiz bir şekilde otomatik olarak öğrenmesini istersiniz.
Son zamanlarda bunun mümkün olduğunu keşfettik. "
Bazı insanlar şu deneyi yaptı: Görüntüyü tamamen bağlantılı bir düzeye koydu, görüntüyü eğitti ve görüntüyü yeniden oluşturmak için yeniden oluşturdu.
Yalnızca görüntüleri eğiterek ve yeniden yapılandırarak, sistem kedileri denetimsiz olarak kedi olarak tanıyabilir.
"Buna denetimsiz öğrenme deniyor ve bu da çok önemli bir araştırma yönü olacak." Dedi.
4. bölüm
Bir saatlik raporda Profesör Hopcroft birçok şeyden bahsetti. Burada bir bölümü atlıyor ve yüzleşme ağlarının oluşturulmasıyla başlıyoruz.
Profesör Hopcroft, "İnsanlar" kedi "kelimesini girdikten sonra bir kedi resmi oluşturabileceklerini umarak görüntüler oluşturmaya çalışıyorlar."
Örneğin, bir kişi bir ata binen bir kişinin ve onu takip eden bir köpeğin görüntüsünü oluşturmak isterse, tekniği çok iyi olmayabilir ve oluşturulan görüntü tam olarak gerçek bir fotoğraf gibi görünmeyebilir.
Bu yüzden bazı insanlar, giriş resminin eğitimden sonra gerçekten çekilip çekilmediğini veya sentezlenip sentezlenmediğini ayırt edebilen sentetik bir görüntü ayırıcı kullanmayı önerir.
Daha sonra bu insanlar görüntü oluşturucu ve görüntü ayırıcıyı birleştirdiler. Oluşturduğu fotoğraflar kompozit görüntü ayırıcısını başarılı bir şekilde kandırana kadar görüntü oluşturucuyu eğitmeye başladılar.
Daha sonra, sentetik görüntü ayırıcıyı, ayırt etme yeteneğini geliştirmek için daha fazla eğittiler. Bu şekilde tekrarlanan modifikasyon ve eğitim sayesinde, görüntü oluşturucu hızlı bir şekilde kaliteli görüntüler oluşturabilir.
Profesör Hopcroft, mevcut dinleyicilerin sorabileceğini, bu fikir hangi alanlara uygulanabilir?
Diyelim ki şimdi çevirmeniz gerekiyor. Geçmişte çevirmenler iki dile hakimiyetlerine göre çeviri yapıyorlardı.
Şimdi başka bir dil hakkında neredeyse hiçbir şey bilmiyorsak ne yapmalıyız?
İlk olarak, İngilizceyi kelime kelime Almanca'ya dönüştürebilir ve ardından dönüştürülen cümlenin tam bir cümle mi yoksa rastgele dizilmiş kelimeler mi olduğunu belirlemek için bir ayırıcı kullanabilirsiniz.
Ardından, Almancayı tekrar İngilizceye çevirmek için başka bir cihaz kullanılır. Son olarak, tekrarlanan eğitimden sonra, bu iki cihaz İngilizceyi Almancaya çevirebilir.
Profesör Hopcroft şunu vurguladı: "Derin öğrenmenin neden işe yaradığını anlamanıza gerek yok, ancak bunu birçok alana nasıl uygulayacağınızı anlamalısınız."
Dedi ki: Yapmak istediğimiz şey, cep telefonu kitlelerine derin öğrenme uygulamak.
Ancak burada yeni bir soru ortaya çıkıyor: Ama ağ çok büyük, ağı cep telefonlarına uygun bir boyuta sıkıştırmanın bir yolu var mı?
İnsanların küçük ağları eğitme teknolojisi hala olgunlaşmamış. Ancak belirli sonuçlar da elde ettiler: Cep telefonu ağını eğitiyorlar ve ardından aktivasyon faktörünü alıyorlar. Profesör Hopcroft'un bahsettiği örnekle aynı olan bu ağı eğiterek aktivasyon faktörünü eğitmeye çalıştılar.
Hopcroft burada başka bir soru ortaya koyuyor: "Önce büyük bir ağı eğitebilir miyiz, ondan öğrenebilir ve sonra bu deneyimleri küçük bir ağı eğitmek için kullanabilir miyiz?"
"Bu çok ilginç bir araştırma konusu." Dedi.
Profesör Hopcroft, raporu daha canlı ve ilginç hale getirmek için herkese açıklama yapmak için kızını örnek aldı.
"Yıllar önce, kızım yaklaşık dört yaşındaydı ve sık sık kanepede oturup birlikte okurduk.
Şimdiye Kadarki En Büyük Kitap veya Şimdiye Kadarki En İyi Kitap adlı bir kitabımız var.
Bu kitapta çok sayıda resim var, köpek resimlerini göstereceğim ve ona bunun bir köpek olduğunu söyleyeceğim ve o köpeği takip edecek;
Evin resmine işaret ettim ve bir ev olduğunu söyledim ve evi okumaya devam etti.
Ancak bu kitapta sadece bir itfaiye aracı resmi var. Bu resmin bir itfaiye kamyonunu temsil ettiğini ona ben söylemeden biliyordu. "
Ancak, "itfaiye aracı" nı tanımlamak, hikayenin gerçek sonu değil.
Profesör Hopcroft daha sonra şunları söyledi: "Bir gün yürüyüşe çıktık. Sokakta bir itfaiye aracı vardı. Kızım bana" Baba, itfaiye aracına bak "dedi.
Ancak sokaktaki itfaiye aracı, kitaplarda gördüğü itfaiye aracından tamamen farklıydı ve bir konsept oluşturdu.
Bu nedenle, derin öğrenme, gerçek itfaiye araçlarının nasıl tanınacağını eğitmek için aslında binlerce itfaiye aracı fotoğrafını kullanıyor.
Öğrenme nasıl en üst düzeye çıkarılır? Basit bir resim öğrenerek başlayabilirsiniz.
Kızım iki yaşından önce nasıl çalışılacağını öğreniyordu. Başlangıçta, bir şey öğrenmeden önce birçok ilgili resme bakması gerekiyor.
Yavaş yavaş, bir resimden bir şeyler almayı öğrenmeye başladı. Şimdi yapabilir. "
Profesör Hopcroft, bazen derin öğrenmenin de bazı görünüşte aptalca küçük hataları olduğunu ve bu da herkesi rahatsız ettiğini belirtti.
"Örneğin, kedileri tanımak için bir ağ eğitiyoruz. Bazı fırça darbelerini değiştirdik. Bu ince değişiklikleri insanlar için tespit etmek zor olabilir, ancak derin öğrenme ağı tanımanın sonucu aniden bir arabaya dönüşebilir. Bu, mevcut derin öğrenme varoluşu. Sorun."
Hopcroft ayrıca bu örneği, aktivasyon alanında, kedinin her aktivasyon vektörünün herhangi bir başka kategorideki bir aktivasyon vektörüne rastgele aktive edildiğini kanıtlamak için kullandı.
Bunu nasıl düzeltebilirim? Profesör Hopcroft bu konuda araştırma yaptı.
Dedi ki: "Bir boyuttan başlayabilir, 10 kategori belirleyebilir, sayıları 10 gruba bölebilirsiniz ve bir gruptaki her nokta diğer gruplarda keyfi olarak bu noktaya yakın. Tabi üç boyuta genişletirseniz bu gruplar da mümkündür. Kullanımda.
Derin öğrenmenin bazı aptalca küçük hatalar veya başka problemler yapmasını önlemek istiyorsak, aktivasyon alanının yapısını anlamak çok önemlidir. "
5.bölüm
Raporun sonunda Profesör Hopcroft, "Her konuşma yaptığımda herkes bana yapay zekanın gerçekten akıllı olup olmadığını soracak mı? Verdiğim cevap hayır." Dedi.
Yapay zekanın bu aşamada yalnızca çok boyutlu bir alanda örüntü tanıma gerçekleştirdiğini söyledi. Ağı eğittiğimizde, yapay zeka programı nesnenin özünü kavrayamaz veya nesnenin işlevini anlayamaz veya nesnenin diğer önemli faktörlerine hakim olamaz.
Bisikleti anlamak istediğimizde sadece şeklini bilmeniz değil, aynı zamanda bir sürüş aracı olduğunu da bilmeniz gerekiyor, ofisten metro istasyonuna ya da metro istasyonundan evinize kadar sürebilirsiniz.Yapay zeka bunu anlayamaz. şey.
"Lokomotifleri, minibüsleri, tankerleri, düz yataklı arabaları vb. Tanımak için bir derin öğrenme ağı eğitmeniz gerekiyorsa ve ona resimdeki nesnenin ne olduğunu sorarsanız, bunun bir minibüs veya eşyaların olduğu düz yataklı bir kamyon olduğunu söyleyebilir. .
Ancak yakından bakarsanız, bunun bir motor olduğunu görebilirsiniz. "
Profesör Hopcroft'un sesi düştüğü anda, izleyicilerden bir kahkaha sesi geldi.
Profesör Hopcroft, "Yani bu durum, derin öğrenmenin sadece şekiller içerdiğini ve nesnelerin işlevini elde edemediğini bir kez daha gösteriyor."
Daha önce, yapay zekanın nihai sorunu çözme yeteneği olduğunu düşünüyorduk. Ancak bilgisayarlar bu sorunları çözmeye başladığında, genellikle zeki değildirler.
Profesör Hopcroft satranç oynamanın bir örneğini verdi: "Satranç oynarken, her adımın olası durumlarının bir ağaç diyagramını yapmalıyız. Farklı dallar olacaktır. İnsanlar genellikle sadece birkaç seviyeyi tamamlayabilir, ancak bilgisayarlar daha fazlasını tamamlayabilir. Çok katmanlı düzen, böylece bilgisayarlar insanları yenebilir.
Ancak bu süreç zeka içermez ve daha çok bilgisayarın hesaplama gücüne bağlıdır. "
Sonunda Profesör Hopcroft, "Yapay zeka için yapmamız gereken şey, makinenin çözmesi için zeka gerektirdiğini düşündüğümüz daha fazla sorunu yavaş yavaş çözmesine izin vermek." Dedi.
Raporun ardından, bölümünüzden Profesör Zhou, Bilgisayar Bölümü adına Profesör Hopcroft'a bir hediye sundu.
Pek çok insan, Profesör Hopcroft ile bilgisayar konularında iletişim kurmayı umarak, bittikten sonra hala ayrılmayı reddediyor;
Bazı insanlar Profesör Hopcroft'un kendilerine bir imza bırakabileceğini umarak hazırlanan kalem ve kitabı çıkardı.
Rapor bitmesine rağmen, bilgisayar çalışanlarının takibi durmayacak.
Hopcroft'un raporun başında söylediği gibi: Bilgi ve hesaplama ülkemize dünyayı sarsacak değişiklikler getirecek ve bilgisayar alanındaki herkes bu değişimde büyük rol oynayacak.
Bu arada, insanları işe alıyoruz, öğrenelim mi?
BAT kıdemli algoritma mühendisleri için özel araştırma ve geliştirme kursları
Hayata ve işe en yakın eğlenceli pratik projeler
Profesyonel öğretim asistanları ile sınıf yönetimi yardımı
Bir teklif almak için öğrendiklerinizi uygulayın, öğrenmeyi bitirir bitirmez işe alınmanız tavsiye edilir.
( 0 ) Paylaşmaya hoş geldiniz, yarın görüşürüz!
