一、复杂系统
predicting the Unpredictable
1.Math from its birth
最早的数学来自于古埃及土地测量学,中国也出现古老的《九章算术》,逐渐发展成为了物理学、化学等学科的基础,以及我们现在的大数据都是以数学为基础,都是因为数学模型这个对现实抽象的一个工具。真正的数学模型首先起源于古希腊,用圆代替地球运行轨道,球代替地球本身等。
具有代表数学模型(物理学和天文学):
(1)托勒玫提出的托勒玫宇宙模型系统 :非常精确预测每年日历、月历,比日心说的预测都要精确。
(2)开普勒三定律:基于其老师的大量的测量数据。
(3)牛顿力学体系:牛顿三定律、万有引力定律。是推动工业革命的发动机,第一次大规模广泛运用数学模型。
(4)哈密顿分析力学:拉格朗日和哈密顿方程,推广了牛顿力学,使牛顿力学体系运用在除力学以外的其他物理学分支,例如热学、电学、光学、量子力学等。
牛顿力学给人们带来一种希望,只要有大量数据,就可以通过牛顿力学来预测一切事物的变化与发展,例如股市、自然灾害甚至于人类本身的思维等,但是牛顿力学在这些领域被证明是失败的。
2.Compleity ruins predictation
(2)Chaos 混沌:初始条件的细微改变,使得结果的影响很大。例如:“三体问题”。
(3)Reflectivity 反身性:观察者的观察对象的纠缠,导致观察者会影响测量物体。
(4)Nework Effect 网络效应:大量简单的个体行为对整体对系统都会有或多或少的影响。
(5)History Dependency 历史依赖性:此刻的状态取决于之前的状态的集合,预测需要包含无数过去信息。
简单个体的相互作用可以产生复杂的宏观现象,例如:磁性
复杂系统:是一种模块化的系统,普通节点一般只和相连的Hub(中心节点)节点相连接,例如:股票,社交等等
少了一个马掌,丢了一匹战马,
丢了一匹战马,败了一场战役,
败了一场战役,失了一个国家。
二.大数据与机器学习
1.人们经常认为只要数据足够多,可以预测一切,但是显然并不是那么简单。
-
一直增加信息收集,却无法通过越来越多的信息,下定结论。
-
Trump的选举成功:之前的无数次民意调查中很显然,与大众支持率持续很高的希拉里相比,他的选举貌似从开始就是希望不大,但是结果出来的那一天,就突然发生了极大的反转。人们又一次对大数据产生了怀疑,它是否真的有用。
-
大数据在复杂性面前成为了小数据,多维度的复杂系统下,大数据也不再那么可以继续发挥它应有的作用。
-
复杂性面前没有大数据。
2.拯救大数据
算法是拯救这一切的一个重要的、非常有效的办法,可以提炼更加有效的信息
效果:剔除噪声,“萃取”有效信息,变化成行动的action,得到反馈,然后改进算法。
三.人工智能的三个阶段
1.符号时代:
可编程:
-
编为0.1,程序让计算机执行。
-
但是因为复杂性,新请情况无限,符号无法适用。
2.控制时代:
算法:
出现很多统计模型,自己适应调整:
PCA、Logistic vegRSSion、决策树、贝叶斯网络
-
使用数据改变自身结构,通过实际数据自己学习
-
模拟人的思维
3.连接时代:
深度学习:深度卷积网,GPU的运算可以更好的训练神经网络。
特征学习、特征工程,因为电脑很长一段时间只能完成线性的“一刀切”的分类,所以就需要寻找新特征。
4.人工智能的应用:
-
document classification 文本分类
-
entertainment 娱乐 例如:Netflix
-
vision 视觉
-
speech recognition 听觉
-
machine translation 翻译 RNN
-
AI designer 设计师,换装展示效果
-
AI business detection 商业
-
financial AI report 金融
-
Agriculture 农业 例如:拖拉机(blue river公司)、卫星(佳格天地) 是很有潜力的领域
-
medicine 医疗 核心领域
-
detecting Earthquake 网络协同, 同一地区,很多设备同时检测到震感
-
AlphaGo
-
无人驾驶 各个公司多重布局, 革命性领域
感受:人工智能的学习不是简单的从无到有,而是系统的自我改进,重在通过数据学习进行反馈。
人工智能的运用是在需要个性化比较强,注重个体差别的、或是需要大量数据经验来判断特征的领域
复杂性下,大数据既然不够用,就用复杂的神经网络,复杂对抗复杂。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。