搜索
人大经济论坛 标签 人工智能 相关日志

tag 标签: 人工智能

相关日志

分享 大卖方闭门沙龙向机构总监推荐了啥
accumulation 2016-12-14 11:13
电子聚焦在国内电子产业链,投资应自上而下把握四大机遇:(1)消费电子、(2)汽车电子、(3)集成电路、(4)人工智能与物联网; 有色则对整体有色金属价格持乐观判断,龙头是铜。稀土板块是近期热议话题,判断在价格底部,有反弹机会。 煤炭落脚重点仍然不在需求反转或改善,而聚焦政策。认为控产能政策为未来供需格局的重大变量,执行则可看好,否则将继续面临淡季的压力。 计算机主要是打酱油,继续出来喊风险:计算机大规模解禁在今年12月和明年1月,12月解禁并不意味着马上卖,或许会移到明年初。 海通中小盘相对实诚,就推了一只值得留意的个股:和佳股份。 详细纪要附后。
个人分类: 金融学|0 个评论
分享 人工智能会取代人脑吗???
insight 2016-3-9 20:05
Alphago今天赢了李世石,标志人工智能向前迈进了一大步,将来潜力巨大。 但人工智能将来会取代人脑吗?人类会成为机器的奴隶吗?在回答这个问题以前, 先来看一个例子。2012年谷歌用一台装有16000个中央处理器的超级计算机扫描 了一千万张图片,对猫的识别率达到75%,这对人工智能来讲是了不起的突破, 因此还上了报纸,但一个四岁的小孩可以做得更好。从这个例子可以看出人脑在 模式和图像识别方面的能力远远超过人工智能,虽然2012年的例子在当今日新月异 的科技时代有点过时了,但可以来看一则半年前的趣闻。 谷歌图像识别将黑人标记为大猩猩 官方道歉 2015-07-02 15:00:08 来源: 观察者网 (上海) 分享到: 502 两位黑人的自拍合影被标为大猩猩 谷歌五月份更新了其照片应用,加入了一个自动标签功能,通过机器识别照片中内容进行自动分类并打上标签,方便管理和搜索。这本是一件好事儿,但不成熟的技术惹来了大麻烦。纽约布鲁克林的黑人程序员Jacky Alcine惊讶地发现,她和一位女性朋友(也是黑人)的自拍照,竟然被谷歌打上了“Gorilla”(大猩猩)的标签。 他随即在推特上怒斥:“谷歌照片,你太混蛋了。我和我朋友不是大猩猩。” 他质疑谷歌到底采样了什么图片数据,才做出这样的荒唐事,而且他郁闷的表示,这是他和这位女性朋友目前唯一的合影,本指望关系更进一步,结果被谷歌搅黄了。他同时理性地表示,出现这样的技术性错误其实可以理解,但无法相信的是谷歌的管理太松懈了。 谷歌社交主管Yonatan Zunger很快做出回应,称程序员正在以最高优先级解决这个问题,绝对不会再重复了。但是很遗憾,Jacky Alcine发现经过所谓的修复后,还有两张类似的照片也出现了大猩猩的标签。 Yonatan Zunger则说他们已经暂时禁止了大猩猩这个标签,正在全力查找问题根源,并表示这一问题可能是软件无法检测到人脸所导致的。 一个月前,雅虎旗下图片分享网站Flickr类似的自动标签系统也犯过大错,曾把人标记为猿,把集中营标记为健身房。 http://news.163.com/15/0702/15/ATHDDSHQ0001121M.html 爱因斯坦把人类的思维分为直觉式思维和理性思维,并把直觉式思维视为神圣的天赋, 把理性思维称为忠实的仆人。但人类的理性思维明显不如人工智能,人工智能更擅长 处理大量数据和逻辑思维。今天人类背诵圆周率的记录是3000万位( 乌克兰医生背诵圆周率3000万位打破世界纪录 http://scitech.people.com.cn/GB/9558710.html 普通人经过训练以后可以背200位)。 但对电脑来讲这根本不是一个问题。从本质上讲人工智能和人脑思维是互补的关系。 人工智能是人类直觉思维更为得力的仆人。智慧的巅峰更可能是人类直觉式思维和 人工智能的结合,而不是单纯的人工智能。这一点可以从国际象棋比赛中看出端倪. 1997 年,沃森的前辈——IBM 的(超级电脑)深蓝(Deep Blue)在一场著名的人机对弈中击败 了当时具有统治地位的国际象棋大师加里? 卡斯帕罗夫(Garry Kasparov)。当电脑又赢得了 几场比赛后,人类选手基本上对这种比赛失去了兴趣。你或许会认为这就是故事的结局(如果不是 人类历史的终结),但卡斯帕罗夫意识到,如果他也能像深蓝一样即时访问包含先前所有棋局中 棋路的大规模数据库,就能表现得更好。如果人工智能选手使用数据库工具被认为是公平的,那么 人类为什么不能使用呢?为了实现用数据库加强人类大师的心智的想法,卡斯帕罗夫率先提出了 “人加机器”(manplus-machine)的概念,即在比赛中用人工智能增强国际象棋选手水平,而不是 让双方互相对抗。 如今,这种比赛被称为自由式国际象棋比赛,它们和混合武术对抗赛相似,选手们可以使用任何 他们想用的作战技巧。你可以在没有协助的情况下比赛;也可以成为极其聪明的国际象棋电脑的 傀儡,仅仅按照它的指示移动棋子;或者你可以当一个卡斯帕罗夫提倡的 “半人马”型选手,也就 是人类和人工智能结合的赛博格(Cyborg)1。这种选手会听取那些人工智能提出的走棋建议, 偶尔也会否决他们,颇似我们开车时使用GPS 智能导航的情景。对任何模式的选手开放的2014 年自由式国际象棋对抗锦标赛上,纯粹使用人工智能国际象棋引擎的选手赢得了42 场比赛,而 “半人马”型选手则赢得了53 场。当今世界上最优秀的国际象棋选手队伍就是“半人马”型的Intagrand, 它由一个人类团队和几个不同的国际象棋程序组成。
0 个评论
分享 转载--AI,DM,ML,PR:人工智能、数据挖掘、机器学习和模式识别关系与区别
dream9876 2015-3-25 13:58
数据挖掘和机器学习的区别和联系,周志华有一篇很好的论述《机器学习与数据挖掘》可以帮助大家理解。数据挖掘受到很多学科领域的影响,其中数据库、机器学习、统计学无疑影响最大。简言之,对数据挖掘而言,数据库提供数据管理技术,机器学习和统计学提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用,因此,统计学界提供的很多技术通常都要在机器学习界进一步研究,变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说,统计学主要是通过机器学习来对数据挖掘发挥影响,而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看,绝大多数数据挖掘技术都来自机器学习领域,但机器学习研究往往并不把海量数据作为处理对象,因此,数据挖掘要对算法进行改造,使得算法性能和空间占用达到实用的地步。同时,数据挖掘还有自身独特的内容,即关联分析。 而模式识别和机器学习的关系是什么呢,传统的模式识别的方法一般分为两种:统计方法和句法方法。句法分析一般是不可学习的,而统计分析则是发展了不少机器学习的方法。也就是说,机器学习同样是给模式识别提供了数据分析技术。 至于,数据挖掘和模式识别,那么从其概念上来区分吧,数据挖掘重在发现知识,模式识别重在认识事物。 机器学习的目的是建模隐藏的数据结构,然后做识别、预测、分类等。 因此,机器学习是方法,模式识别是目的。 ----------------------------------------------------------------- 人工智能(Artificial Intelligence,AI) 、机器学习(Machine Learning,ML) 、模式识 别 (Pattern Recognition, 、 PR) 数据挖掘 (Data Mining, DM) 信息检索 、 (Information Retrieval,IR)……我想起之前在 BeBeyond 的一个同学,我说我做 ML 的,他说“我 做 DM 的,我们都是搞计算机的呢!”后来我才明白,ML 和 DM 根本就没有多大区 别。其实,上面列的这些学科本质上都没有太大区别,只不过它们要解决的核心问 题不同,而运用的数学模型如出一辙。 先说 AI。这个词大众比较熟悉,通常一个电子游戏的 AI 直接决定了游戏的可玩 性。简单的 AI 比如超级玛丽里会扔刺猬的云怪,复杂的 AI 比如红色警戒中需要操 纵整个国家的电脑敌人。我很小的时候就在想这些算法得有多么复杂。慢慢地我意 识到电脑控制方式与我不一样。 我是单线程的, 在一个时间点上要么控制坦克进攻, 要么控制基地建设;而电脑的每个单位都有独立的思考能力和通信能力。这些是通 过设计逻辑来实现的(难怪在 98 年买的电脑上跑一点也不卡) ,比如坦克的逻辑可 能是“IF 附近的友军收到攻击,THEN 前去支援”,矿车的逻辑可能是“IF 受到攻击, THEN 向基地撤退”……等等。 AI 其实就是计算机自动做决策。做决策的原则可以是上面简单的条件判断,可以 是穷举,也可以是多个因素连接成的网络,比如下图(称为贝叶斯网络,Bayesian Network) ,这是一个通过判断是否有地震和盗窃的简单的智能系统。 用贝叶斯网络做决策,需要设置的参数都是概率形式的,比如地震发生的概率是 2.6%,盗窃发生的概率是 12.4%,地震发生时警报响的概率是 72%……等等。这些 参数有了之后,当有一天警报响起,系统就能够回溯地计算出警报响是由地震发生 还是盗窃发生引起的。 下面说 ML。ML 是最可怕的部分。上面说的 AI 系统的规则都是人为设定的,所 以它的表现绝大多数情况在人们的期待以内。而 ML 算法可能使系统变得过分地聪 明。一个绝佳的 ML 例子见以下链接。 http://en.akinator.com/ 这是一个网络小游戏,你在心中想一个人物,然后算法会问你一系列的一般疑问 句(比如“这个人是科学家吗?”)你回答 Yes 或者 No。若干个问题后,算法会知道 你心中的人物是谁了(通常比你预计的要快) 。 之所以说这是一个 ML 系统,是因为它不仅做决策下一个问题该问什么、已经问 的问题和答案能推出什么结果,它还在不断地自我改进。比如说,我心中想的人物 是亚运会的吉祥物阿和 (几年前这个游戏推出时它肯定不知道阿和是谁) ,于是在很 多个问题过后,这个 ML 算法猜成喜羊羊了,然后我告诉它“你猜错了,我想的是阿 和”,于是,它会更新它的决策网络,增加阿和这个节点,改变各个概率值。下次有 人想阿和的,它就可能猜中了。 所以,从上面的例子可以看出,ML 重点研究的是算法的学习过程,强调的是一 个反馈的框架。一开始系统可能很弱智,但是经过长期训练后它能做出很高超的决 策。 举个我的例子。比如说,我老板希望能做一个自动作曲的系统,要求能做莫扎特 风格的钢琴奏鸣曲,而听起来不能像海顿和贝多芬。想一想这个决策规则就复杂得 看似不可能实现, 也许 10000 个 IF...THEN...也不能实现。 但是从 ML 的角度来思考, 就变得有可能了。我可以把莫扎特已有的乐谱输入给系统,告诉它这是好结果;再 把海顿和贝多芬的给系统,告诉它这是坏结果。然后就期待这个系统能够学到点什 么。当然,真正实现起来设计这个学习框架是有难度的,不过 ML 是正确的思路。 接下来说的是 PR。我本科时北邮的课程就叫模式识别。PR 充满了工程的思维方 式,“解决问题是关键,不关心系统在理论上是否最优”。比如人脸识别、癌细胞识 别、语言识别、入侵检测等等,拿各种分类器(SVM、神经网络神马的)一个一个 试,用最好的那个分类器来应用就 OK 了。 然后是 DM。DM 是一项应运而生的科学,正因为互联网蓬勃发展,才吸引那么 多人研究 DM。个人认为 Google 之所以比百度聪明,就是因为 Google 的 DM 牛。 对于成千上万个网页(看做是众多单词组成的序列) ,DM 算法可能发现“新闻”、“报 导”、“记者”等词语是具有关联性的,于是用户在搜索“新闻”这个关键词时,与“新 闻”相关的词也可能提供对用户有价值的信息。总之,DM 是从数据中挖掘出高层的 语义关联信息。 再举个我的例子。我前一段时间做了一个音乐结构分段的算法,旨在将音乐中主 歌、副歌这些结构单元自动分离。DM 中就有一个热门的算法能够达到我的目的, 如下图,把《Creep》分解成为两个部分。技术细节就省略吧。 最后,提一提 IR。IR 的目的希望互联网能够变得更加人性化。比如你在搜索引 擎中输入“推荐个便宜的可以玩桌游的地方”, 算法一方面从这句话中提取 IR (retrieve) 出有用的信息:是个地方,要可以玩桌游,便不便宜自己看着办;另一方面从网络 上取出(retrieve)合理的网页给用户。 总结一下吧。只要跟决策有关系的都能叫 AI,所以说 PR、DM、IR 属于 AI 的具 体应用应该没有问题。 研究的东西则不太一样, ML 强调自我完善的过程。 Anyway, 这些学科都是相通的,Google 也是越来越聪明的,不是么。 前一段时间看到关于机器阅卷比人工靠谱的消息。也许在不久的将来会有一大批 人失业,机器会代替会记、医生、甚至程序员。也许,机器的智能会产生很多很多 的争议, 但是我们必须承认, 在不太需要创造性的工作中, 我们真的比不上机器的。 最好的方式大概就是机器与人协同合作。 CCRMA 的 Jonathan Berger 来北京演讲, 他提到的 sonification 给我挺大的启发。他说:“我们买西瓜时拍一拍就知道西瓜是 否熟了,因为人耳对于这种音色可以做决策,而机器目前还很难做到。监测工作很 辛苦,比如核电站工作人员需要成天盯着很多很多数据,不停地做决策,判断是否 出异常。为什么不能把数据通过某种算法变换出某种音色,工作人员只需要学习什 么是正常的声音,什么是异常的声音,听就行了,这与听拍西瓜的声音是一样的道 理。” 摘录于:http://www.cnblogs.com/growup/archive/2011/04/26/2029393.html http://wenku.baidu.com/view/c1b5120103d8ce2f0066233a.html http://blog.163.com/suifengxxj%40126/blog/static/48617195201182252013312/
3 次阅读|0 个评论
分享 转来:霍学文:为什么金融业进入了互联网金融时代
sdfanwh 2015-1-24 17:37
霍学文 : 为什么 金融业 进入了互联网金融时代 时代决定命运。我们个人所处的时代将决定我们个人的命运。预见未来的发展趋势,就必须回溯人类发展的历程,就必须对人类的未来有深刻的洞察力与想象力。当一个新时代到来时,与这个新时代相一致的思想在一些有洞见的思想家那里其实已经产生。有三个作者也许具备这样的深刻而富有前瞻性的思想:一是凯文 · 凯利的《失控》、《新经济新规则》,二是雷 · 库兹韦尔的《奇点临近》,三是杰里米 · 里夫金的《零边际 成本 社会》。 凯文 · 凯利是著名的硅谷思想家,《失控》是 1994 年出版的名著,当年的很多预言和想象到成为现实,书中涉及的内容纷繁复杂,小到一个蜂群、一组计算机代码、一个封闭试验基地,大到人类进化、人工智能、 网络 经济等等。凯文 · 凯利非常喜欢研究生物进化理论和生物 技术 ,试图用这些生物的思想去分析未来的网络经济、物联网、人工进化等问题,这种系统地、动态地、辨证地、多维地分析范式让我们受益良多。《失控》的一个重要思想就是极简的事物,聚合到一定数量,其行为协同达到一定程序,将 “ 涌现 ” 出前所未有的新特征,从而实现量变到质变,形成一个超越原有结构体系(失控)的新结构体系。一条鱼在深海中毫无影响,一群鱼可以表现出相同的特征,当一个巨型鱼群在深海中按着某一个有形无形的规则和方向游动时,就会形成一个前所未有的壮观场景,产生巨大的能量。相比之下,《新经济新规则》则是专注研究当前互联网时代新经济所展现的十二个新特征、新规则和新的商业运行规律,这些规则对互联网金融依然适用,并具有很强的指导意义。雷 · 库兹韦尔的《奇点临近》是预测人工智能未来的权威书籍,书中描述的技术变革和未来场景非常震撼人心。书中从技术演变的规律,提出了技术演进的指数增长规律,而且指数增长的技术 创新 速度也以指数形式增长,从而形成技术创新过程中的新范式。杰里米 · 里夫金的《零边际成本社会》提出了一个重要的规律,一个社会的经济范式取决于其三个要素:通信媒介、能源、运输机制,三个要素互动并形成一个整体。通信有助于管理经济活动,能源提供传输动力,物流运输实现经济活动的价值链,这三个系统共同构成了经济运行的技术平台。电报、煤炭、蒸汽机和火车造就了第一次工业革命,英国成为世界霸主。电话、电力和石油、内燃机和飞机造就了第二次工业革命, 美国 成为世界霸主。互联网时代形成的分布式、可再生、低成本的通信互联网、能源互联网和物流和运输互联网和物联网,造就了第三次工业革命。他还指出, “ 美国在第二次工业革命中担任领头羊,而中国则将目光投身了第三次工业革命,成为最早打造物联网基础设施和相应的协同共享机制的超级大国。 ” 他还提出了第三次工业革命的一个重要特征是互联网的分布式技术所导致的协同共享机制,并由此造就了一个 “ 零边际成本社会 ” 。 这些伟大思想家的预言正在变为现实:麦肯锡发布的《大数据:创新、竞争和提高生产率的下一个新领域》预示大数据广泛应用的泛 信息 化社会在加速到来; 2011 年德国在汉诺威工业博览会上提出 “ 工业 4.0 ” , 2012 年美国的通用电气( GE )提出工业互联网( IndustrialInternet )概念,人工机器和物联网、计算机等技术深度融合,以智能制造为主的第四次工业革命已经开始。在各个领域,技术取得一个又一个的突破;在不同产业,互联网经济正在一次又一次的重塑。 互联网金融就是伴随这些新经济、新技术快速发展起来。供给创造需求,技术改变一切。数据成为资产、 行业 垂直整合、平台泛金融化成为商业发展主流趋势,行业产业链条加深加长,促使商业创新模式层出不穷。互联网创造出新的商业模式,塑造新的经济形态,互联网基因已经融入到社会运行的底层物质技术结构之中。回顾金融创新发展的历史,每一次历史变革都与先进的科学技术紧密结合,因此当金融发展到互联网时代,也必将发生新的变革。 预见未来,最不能缺乏的是想象力。我们需要跳出当前的思维定势,跳出当前各种纷争的局限性,站在更高更远的地方去眺望未来。《新经济新规则》曾提到一种观点,成功的企业难以逾越是因为其有 “ 组合技能 ” ,而其他企业只是学到其中一两项技能是难以超越的。然而同时组合技能也会成为企业进一步创新的障碍。这时生态系统中就会有边缘突破即边缘创新,他们阻力最小、形式最新、最适合环境,从边缘地带开始生存发展,不断改变和颠覆中心地带,最终成为新的中心。 中国的互联网金融最先缘起于 第三方支付 ,就是在填补中国支付服务不到位中慢慢发展壮大的。后来各种各样的互联网金融层出不穷,支付逐渐渗透到 银行 的核心业务领域,互联网 基金 销售侵蚀银行的中间业务, P2P 、网络小贷开始做 贷款 类的资产端业务,网络银行也在筹划当中,传统金融的中心地位正在被这些细微的创新所包围。虽然银行也在变革,但是它具备的组合技能会阻碍其根本的变革创新,毕竟推到重来、自我革命是非常艰难的事情。中国互联网金融就是边缘创新的典型,在未来必将发展壮大,成为新的金融发展核心,这是金融发展的历史趋势。 这是我们从技术 哲学 (技术逻辑+哲学思维)角度,对互联网金融在当代发展做的一个思考。分析、认识和运用好互联网金融,必须从哲学思考、系统思维、前瞻思路来认识互联网这一当代最伟大的发明,对金融业所带来的方方面面的影响。
个人分类: 新知|0 个评论
分享 谈谈人工智能预测
孙少龙 2014-9-12 18:00
对于预测技术而言,最初我们使用最多的是统计方法建模,随着计算机技术与网络技术迅猛发展,最近做的比较多得是神经网络、SVM等人工智能方法建模预测,就神经网络预测,我觉得最重要的是对数据结构的设计,这包括training set 和 test set , 对于training set 就是要确定input 与 output 的矩阵, 然后就是对网络的训练,最后我们可以sim()出我们预测的结果就醒了,对于传递函数的选择可以根据不同数据进行调整就行了。例如,对于股票价格,其是一个时间序列,而且我们还知道它是非平稳的,在建立股价预测模型之前我们有很多建模的技术,比方说线性模型ARIMA,DES,ADES等,还有非线性的:非参数估计、SVM、GA、GSA、PSO、CS还有神经网络等。现在选择ANN中的BP进行建模,我们可以外推法预测,就是多对一的数据结构,注意test 与train 数据结构一样。注意调整好BP中的参数(一般默认也可以的),网络训练完之后就可以进行仿真预测了。股价本身蕴含非线性的波动性,BP预测效率相对比较高的。
个人分类: 日记|0 个评论

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2019-11-21 04:46