组织
去组织
273 Matching Annotations
- Jan 2017
-
exacity.github.io exacity.github.io前言73
-
-
允许计算机学习
能够让计算机去学习
-
另一个观点是
另一个视角是
-
学习数据正确表示的想法是解释深度学习的一个观点
学习数据的正确表示的思想为深度学习提供了一种视角。
-
输出
输出值
-
组合构成
复合而成
-
显示了深度学习系统通过组合较简单的概念，例如转角和轮廓，转而定义边缘来表示图像中一个人的概念
展示了深度学习系统如何通过组合较简单的概念---例如转角和轮廓，它们转而被边线定义--来表示人的图像概念
-
解决
它解决
-
乍一看
因此，乍一看，
-
它
改为“这”
-
确定
辨识
-
在夜间，一张图片中红色汽车的单个像素可能会非常接近黑色。
比如，在一张红色汽车图片中，其单个像素在夜间可能会非常接近黑色。
-
困难的一个重要原因是
困难主要源于
-
在现实世界，许多人工智能应用
在许多现实的人工智能应用中，
-
学习特征
设计用于学习特征
-
自动编码器的训练目标是，输入经过编码器和解码器之后尽可能多的保留信息
训练自编码器我们期望当输入数据经过编码器和解码器之后尽可能多地保留信息
-
输入
输入数据
-
自动编码器组合了将输入转换到不同表示编码器函数和将新的表示转回原来形式的解码器函数。
自动编码器由一个编码器函数和一个解码器函数组成。编码器把输入数据转换为一种不同的表示，而解码器则把这个新的表示变换成原来的格式。
-
自动编码器
翻译为“自编码器” 比较贴切些
-
这种方法被称为表示学习
这种方法我们称之为表示学习
-
发现
挖掘
-
一个途径的
的一个途径
-
可以因为环境而
可能因场景而
-
因为环境
因场景
-
看起来如何
看上去像什么
-
，
、
-
显示
展示
-
毫不奇怪
因此，毫不奇怪
-
经过精巧的结构化并建立索引
被精巧地结构化并被智能地索引
-
成倍的
成指数级地
-
对表示的依赖是在整个计算机科学乃至日常生活中出现的普遍现象
在整个计算机科学乃至日常生活中，对表示的依赖都是一个的普遍现象
-
所谓逻辑回归的简单机器学习算法
比如，一个被称为逻辑回归的简单机器学习算法
-
所谓朴素贝叶斯的简单机器学习算法可以
而朴素贝叶斯---同样是一个简单机器学习算法---则可以
-
因此就会产生这样的疑问
因此它产生了这样的疑问
-
”FredWhileShaving”
“Fred在剃须”（“FredWhileShaving”）
-
拿
正拿
-
人们设法设计出足够复杂的、能准确描述世界的形式规则
人们设法设计出足够复杂的形式规则去精确地描述世界
-
所谓
众所周知
-
的
删掉“的”
-
计算机可以通过这些形式化语言自动地使用逻辑推理规则来理解声明
计算机可以使用逻辑推理规则来自动地理解这些形式化语言中的申明
-
硬编码
把英文 (hard-code) 附上
-
形式
形式化
-
形式
形式化
-
对象识别或语音任务中
识别目标或语音任务中
-
对
但对
-
形式
形式化
-
提前提供
事先准备好
-
轻松
容易地
-
描述
来描述
-
移动
“走法”比较好
-
严格
某种严格
-
干净且形式
贫瘠且形式化
-
出
基于
-
就不需要人类来形式化地列举计算机需要的所有知识
这可以避免由人类来给计算机形式化地指定它需要的所有知识
-
通过经验
从经验中
-
通过
从
-
其中每个概念通过与较简单概念之间的联系来定义
而每个概念是通过与某些相对简单的概念之间的关系来定义
-
通过
根据
-
这种解决方案是为了让计算机从经验中学习
该方案是让计算机从经验中学习
-
更直观的问题
比较直观问题的解决方案。
-
人工智能的真正挑战被证明是解决对人来说很容易执行，但很难形式化描述的任务，也就是我们人类能自动的靠直观解决的问题，比如识别所说的话或图像中的脸
人工智能的真正挑战在于去解决那些对人来说很容易执行、但很难形式化来描述的任务，即这些问题我们人类能够很自然地靠直觉来求解，比如识别所说的话或图像中的脸。
-
形式
形式化
-
比如
比如，
-
，
。
-
自动化
自动地
-
指望
期望
-
许多
众多
-
第一台
第一台计算机
-
都
改为“则”
-
都
删掉“都”
-
创造者
发明家
-
人造
人工
-
造物者
发明家
-