学 AI 和机器学习的人必须关注的 6 个领域

原标题:直播 | 「九歌」——基于深度学习的中国古典诗歌自动生成系统

原标题:学 AI 和机器学习的人必须关注的 6 个领域

大讲堂 第70期

雷锋网按:本文为 AI 研习社编译的技术博客,原标题 6 areas of AI and
machine learning to watch closely,作者为 Nathan Benaich。

分享主题

翻译 | Lamaric 校对 | 老周 整理 | 凡江

「九歌」——基于深度学习的中国古典诗歌自动生成系统

澳门金沙4787.com 1

分享背景

近期热门的话题,
人们开始重新讨论这一基本定义—-什么是人工智能(AI)。有些人将 AI
重新命名为「认知计算」或「机器智能」,而其他人则错误地将 AI
与「机器学习」概念进行交换。在某种程度上,这是因为 AI
不是一种技术。它实际上是一个由许多学科组成的广泛领域,从机器人学到机器学习。我们大多数人都认为,人工智能的终极目标是为了建造能够完成任务和认知功能的机器,否则这些机器只能在人类的智能范围内从事相关工作。为了实现这一目标,机器必须能够自主学习这些能力,而不是让每个功能都被端到端地明确编程。

近年来人工智能与文学艺术的结合日趋紧密,AI
自动绘画、自动作曲等方向都成为研究热点。诗歌自动生成是一项有趣且具有挑战性的任务。在本次公开课中,
讲者将介绍清华自然语言处理与社会人文计算实验室的自动作诗系统「九歌」及其相关的技术方法和论文。

人工智能领域在过去十年中取得了巨大进步,从自动驾驶汽车到语音识别及合成,这一点令人惊讶。在这种背景下,人工智能已经成为越来越多公司和家庭的话题,他们不再将人工智能视为一种需要
20
年时间开发的技术,而是影响他们今天生活的东西。事实上,流行的新闻报道几乎每天都会报道
AI
和技术巨头,阐述他们重要的长期人工智能策略。虽然一些投资者和老牌企业都渴望了解如何在这个新世界中攫取价值,但大多数人仍在摸索着想出这一切意味着什么。与此同时,各国政府正在努力应对自动化在社会中的影响(见奥巴马的告别演说)。

分享嘉宾

鉴于 AI
将影响整个经济,而这些讨论中的参与者代表了社会上观点的整体分布、理解水平以及构建或使用
AI
系统的经验程度。因此,对人工智能的讨论至关重要—包括由此产生的问题、结论和建议—必须以数据和现实为基础,而不是猜想,这点至关重要。毕竟各种民间大V从公布的研究、科技新闻公告、投机评论和思想实验中大肆推断其中的含义,这太容易了(有时令人兴奋!)。

矣晓沅,清华大学计算机系在读硕士,导师为孙茂松教授。主要从事自然语言处理、文本生成方向的研究。研究工作在
IJCAI、CoNLL、EMNLP 等会议上均有发表。

尤其值得注意人工智能的六个领域在影响数字产品和服务的未来方面产生的作用。我将会阐述它们分别是什么、为什么它们很重要、它们今天如何被使用,并列出了从事这些技术的公司和研究人员的清单(并非详尽无遗)。

分享提纲

1、强化学习(RL)

  1. 任务背景及「九歌」作诗系统简介
  2. 基于显著性上下文机制的诗歌生成
  3. 基于工作记忆模型的诗歌生成
  4. 基于互信息的无监督风格诗歌生成

RL
是一种通过试错来学习的范例,这种反复试错受到人类学习新任务的方式启发。在典型的
RL
设置中,智能体的任务是在数字环境中观察其当前状态并采取最大化其已设置的长期奖励的累积的动作。
该智能体接收来自环境的每个动作结果的反馈,以便它知道该动作是否促进或阻碍其进展。因此,RL

智能体必须平衡对其环境的探索,以找到获得奖励的最佳策略,并利用其发现的最佳策略来实现预期目标。这种方法在
Google DeepMind 的 Atari 游戏和 Go
中(
在现实世界中工作的一个例子是优化能源效率以冷却 Google
数据中心。在此项目中,RL 使得该系统的冷却成本降低了
40%。在可以模拟的环境(例如视频游戏)中使用 RL
智能体的一个重要的原生优势是训练数据可以以非常低的成本生成。这与监督式的深度学习任务形成鲜明对比,后者通常需要昂贵且难以从现实世界中获取的训练数据。

分享时间

  • 应用程序:多个智能体在他们自己的环境实例中学习共享模型,或者通过在同一环境中相互交互和学习,学习在迷宫或城市街道等
    3D
    环境中进行自动驾驶,通过学习任务目标(例如学习驾驶或赋予非玩家视频游戏角色以类似人的行为)反向强化学习以概括观察到的行为。
  • 顶尖专业:Pieter Abbeel(OpenAI),David Silver,Nando de
    Freitas,Raia Hadsell,Marc Bellemare(谷歌 DeepMind),Carl
    Rasmussen(剑桥),Rich Sutton(阿尔伯塔大学),John
    Shawe-Taylor(UCL)等。
  • 代表公司:Google DeepMind,Prowler.io,Osaro,MicroPSI,Maluuba /
    Microsoft,NVIDIA,Mobileye,OpenAI。

9 月 9 日(星期六) 20:00

2、生成模型

直播链接

与用于分类或回归任务的判别模型不同,生成模型学习训练样本的概率分布。通过从这种高维分布中抽样,生成模型输出与训练数据类似的新例子。这意味着,例如,在面部的真实图像上训练的生成模型可以输出相似面部的新合成图像。有关这些模型如何工作的更多详细信息,请参阅
Ian Goodfellow 的 NIPS 2016
指导手册(
GAN,有两个神经网络:一个生成器,它将随机噪声作为输入,负责合成内容(例如一个图像),一个鉴别器,它了解了真实图像的样子,并负责识别生成器生成的图像是真实的还是伪造的。对抗训练可以被认为是一种游戏,其中生成器必须迭代地学习如何从噪声创建图像,使得鉴别器不再能够将生成的图像与真实的图像区分开。该框架正在扩展到许多数据模式和任务。

应用范围:模拟时间序列的可能未来(例如,用于强化学习中的规划任务);超分辨率图像;从
2D 图像重建 3D 结构;
从小标记数据集推广;一个输入可以产生多个正确输出的任务(例如,预测视频 0
中的下一帧;在会话界面中运用自然语言处理(例如机器人);加密;当不是所有标签都可用时运用半监督学习;艺术风格转移;合成音乐和声音;图像修复。

(公开课30秒满意度调查:

  • 代表公司:Twitter
    Cortex,Adobe,Apple,Prisma,Jukedeck*,Creative.ai,Gluru*澳门金沙4787.com,,Mapillary*,Unbabel。
  • 顶尖专家:Ian Goodfellow (OpenAI),Yann LeCun and Soumith Chintala
    (Facebook AI Research),Shakir Mohamed and Aäron van den Oord
    (Google DeepMind),Alyosha Efros (Berkeley) and 其他的专家。

想了解更多 AI 研习社直播?

3、记忆网络

发表评论

电子邮件地址不会被公开。 必填项已用*标注