标签：观察者 rnn 改变 驾驶 通过 规模 文本分类 模型 计算机
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
（1）Randomness 随机性：无处不在的随机性使得确定的预测成为一种不可能，对每个事物的影响的因素会有很多，导致事物的不确定性很大。
（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
感受：听着网络效应、不确定性、混沌，一个细节的简单改变就会带来结果上很大的改变，就不由自主的想起了小学看过的一个马掌钉的故事
少了一个铁钉,丢了一个马掌,
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。
-
谷歌流感计划：通过人们在谷歌的大量点击搜索流感的特征的查询，可以预测流感的爆发，然而通过数据显示，显然这个计划并没有他们想象中那么靠谱，信息的天然复杂性和数据噪声的影响中，想要通过数据来预测并不是那么简单。
-
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。
2018/7/16 初学者
标签：观察者 rnn 改变 驾驶 通过 规模 文本分类 模型 计算机
原文地址：https://www.cnblogs.com/maccus/p/9328358.html
