用机器学习的经验指导人生：如何实现学习效率最大化8 months ago0收藏分享举报文章被以下专栏收录数据科学=数据统计∩计算机科学∩领域知识推荐阅读{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[{&sourceColumn&:{&lastUpdated&:,&description&:&微信公号【大数据文摘】知乎专栏&,&permission&:&COLUMN_PUBLIC&,&memberId&:,&contributePermission&:&COLUMN_PUBLIC&,&translatedCommentPermission&:&all&,&canManage&:true,&intro&:&数据科学=数据统计∩计算机科学∩领域知识&,&urlToken&:&BigDataDigest&,&id&:15262,&imagePath&:&51bfa4acbf2e.jpeg&,&slug&:&BigDataDigest&,&applyReason&:&0&,&name&:&数据汪&,&title&:&数据汪&,&url&:&https:\u002F\\u002FBigDataDigest&,&commentPermission&:&COLUMN_ALL_CAN_COMMENT&,&canPost&:true,&created&:,&state&:&COLUMN_NORMAL&,&followers&:296,&avatar&:{&id&:&51bfa4acbf2e&,&template&:&https:\u002F\\u002F{id}_{size}.jpeg&},&activateAuthorRequested&:false,&following&:false,&imageUrl&:&https:\u002F\\u002F51bfa4acbf2e_l.jpeg&,&articlesCount&:78},&state&:&accepted&,&targetPost&:{&titleImage&:&https:\u002F\\u002Fv2-3be5a22c04fe1d8f653069_r.png&,&lastUpdated&:,&imagePath&:&v2-3be5a22c04fe1d8f653069.png&,&permission&:&ARTICLE_PUBLIC&,&topics&:[],&summary&:&大数据文摘作品，微信ID：BigDataDigest，转载请注明来源原作者 | Raimundo Manterola编译团队 | Aileen，黄文畅，范玥灿 如果要是我告诉你我们可以依照“训练”电脑的经验来指导人类学习新的技能，你觉得怎么样？在这篇文章中我不会太深入的分析机器学习是…&,&copyPermission&:&ARTICLE_COPYABLE&,&translatedCommentPermission&:&all&,&likes&:0,&origAuthorId&:0,&publishedTime&:&T12:11:32+08:00&,&sourceUrl&:&&,&urlToken&:,&id&:2478352,&withContent&:false,&slug&:,&bigTitleImage&:false,&title&:&用机器学习的经验指导人生：如何实现学习效率最大化&,&url&:&\u002Fp\u002F&,&commentPermission&:&ARTICLE_ALL_CAN_COMMENT&,&snapshotUrl&:&&,&created&:,&comments&:0,&columnId&:15262,&content&:&&,&parentId&:0,&state&:&ARTICLE_PUBLISHED&,&imageUrl&:&https:\u002F\\u002Fv2-3be5a22c04fe1d8f653069_r.png&,&author&:{&bio&:&微信公众号大数据文摘（BigDataDigest）| 普及数据思维 传播数据文化&,&isFollowing&:false,&hash&:&518a3ee8e481ae3b438b4a415dc2f1df&,&uid&:924100,&isOrg&:false,&slug&:&BigDataDigest&,&isFollowed&:false,&description&:&专注数据科学x人工智能知识分享，粉丝50万+\n- 2016年，授权翻译斯坦福CS231n计算机视觉识别课程，3.6万人学习；2017年，正在组织翻译牛津DeepNLP自然语言处理课程\n- 2016年，成立大数据文摘字幕组与音频组，每周发布精彩音视频\n- 2017年，与清华数据科学研究院联合发布《顶级数据团队建设全景报告》\n微信关注我们 获取最新资讯：大数据文摘（微信ID：BigDataDigest）&,&name&:&数据汪&,&profileUrl&:&https:\u002F\\u002Fpeople\u002FBigDataDigest&,&avatar&:{&id&:&ad467b33eec&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&memberId&:,&excerptTitle&:&&,&voteType&:&ARTICLE_VOTE_CLEAR&},&id&:576347}],&title&:&用机器学习的经验指导人生：如何实现学习效率最大化&,&author&:&BigDataDigest&,&content&:&\u003Cp\u003E大数据文摘作品，微信ID：BigDataDigest，转载请注明来源\u003C\u002Fp\u003E\u003Cp\u003E原作者 | Raimundo Manterola\u003C\u002Fp\u003E\u003Cp\u003E编译团队 | Aileen，黄文畅，范玥灿\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E如果要是我告诉你我们可以依照“训练”电脑的经验来指导人类学习新的技能，你觉得怎么样？\u003C\u002Fp\u003E\u003Cp\u003E在这篇文章中我不会太深入的分析机器学习是如何工作的。但是，在介绍如何把AI应用于你自身的学习之前，我希望你能了解一些基本的概念。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E我们都喜欢狗狗的照片，它们让我们想起那些与这些这些四条腿的小伙伴们一起玩耍度过的清晨。 \u003C\u002Fp\u003E\u003Cp\u003E我们可以很容易的在照片中认出狗狗，因为我们已经看过千百次它们长什么样子。 \u003C\u002Fp\u003E\u003Cp\u003E可是如果一个外星人因为好奇狗狗长什么样而绑架你，你会怎么办？他强迫你教他如何识别狗狗，这样他就可以绑架一只带回他的星球。 \u003C\u002Fp\u003E\u003Cp\u003E请记住，他完全不知道狗狗长什么样。你要怎么做？ \u003C\u002Fp\u003E\u003Cp\u003E你可能需要告诉交给他一些“规则”：狗狗有四条腿，两只眼睛，两只耳朵…可是，这可能没有想象的那么容易，因为有很多很多的规则。试想一下，你要怎么教会他区别狗狗和狼？这真的很难。 \u003C\u002Fp\u003E\u003Cp\u003E这个设定一些规则并照之遵守以得到想要结果的学习过程叫做 “演绎学习”。可是难点就在于很难顾全所有的可能的变化。 \u003C\u002Fp\u003E\u003Cp\u003E想象一下，除了展示给他一千张狗狗的照片，另外如果给让他看一千张照片都不是狗狗的照片。那事情就变得容易很多了！ \u003C\u002Fp\u003E\u003Cp\u003E我们人类正是这么学习的。通过千百次的观察我们知道了狗狗长什么样。当我们的大脑看到一些它可以认知的东西的时候，某些神经区域就会显示出逐渐增加的活跃性。但根据国家研究委员会出版的《人们如何学习》一书，人类在出生时并没有这些神经特征。随着年龄的增长，有了越来越多的经验，我们的大脑就开始整理如何建立这些联系。 \u003C\u002Fp\u003E\u003Cp\u003E神奇的是，机器学习正是这么工作的。当建立一个机器学习模型的时候，我们不会教他“规则”。而是提供给诶他大量的案例，有的可以得到想要的结果，有的不可以，然后就让电脑自己整理，就像我们的大脑会做的一样。 \u003C\u002Fp\u003E\u003Cp\u003E大部分人认为AI是一个使工作自动化的工具，可是让人们专注于建立像人类行为一样的算法理论。举例来说，脸书（Facebook）的面部识别算法理论比人类的识别能力还要强。可是如果我们反向而为呢？\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Ch2\u003E机器学习是如何工作的？\u003C\u002Fh2\u003E\u003Cbr\u003E\u003Cp\u003E假设没有空调也没有泳池的你实在是难以忍受这炎热的夏天，你决定在邻居不在家的时候偷偷的潜入他家用他的泳池。 \u003C\u002Fp\u003E\u003Cp\u003E你已经知道大多数时候他都不在家，因为他打网球。所以你决定应用你的AI技能来建模，根据天气挺起情况预测他是否会打网球。 \u003C\u002Fp\u003E\u003Cp\u003E经过几周对他的观察他和并收集了相关数据，你总结了如下表格：\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_b.png\& data-rawwidth=\&940\& data-rawheight=\&520\& class=\&origin_image zh-lightbox-thumb\& width=\&940\& data-original=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='940'%20height='520'&&\u002Fsvg&\& data-rawwidth=\&940\& data-rawheight=\&520\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&940\& data-original=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E既然你有了好的、有代表性的数据，你便可以开始建模。 \u003C\u002Fp\u003E\u003Cp\u003E有很多种不同的方法，我将用一种叫做决策树的技巧来简单讲解归类问题。 \u003C\u002Fp\u003E\u003Cp\u003E你觉得在上图表格中哪个那个变量会影响你邻居要不要打网球的决策？可能是天气情况。 \u003C\u002Fp\u003E\u003Cp\u003E要弄清如何构建决策树，我们的模型会找出哪那些变量可以将数据最好的分割开来。把天气情况放在决策树的根部，然后我们就可以开始用同样的方法来建立更多的枝杈，直到决策树看起来如下图：\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-bccf50e9eaeb3_b.png\& data-rawwidth=\&789\& data-rawheight=\&508\& class=\&origin_image zh-lightbox-thumb\& width=\&789\& data-original=\&https:\u002F\\u002Fv2-bccf50e9eaeb3_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='789'%20height='508'&&\u002Fsvg&\& data-rawwidth=\&789\& data-rawheight=\&508\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&789\& data-original=\&https:\u002F\\u002Fv2-bccf50e9eaeb3_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-bccf50e9eaeb3_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E训练完模型之后，我们就会得到一个可以帮助我们预测邻居是否在家的决策树。 \u003C\u002Fp\u003E\u003Cp\u003E你可能会想：“这到底会怎么帮助我学习一个新的技能？” \u003C\u002Fp\u003E\u003Cp\u003E如果你想要训练一个好的理论可以用来使你的学习收益最大化，有一些主要的规则需要遵守。 \u003C\u002Fp\u003E\u003Cp\u003E如果你想了解更多关于机器学习的知识，这里有一些很棒的资源。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E◆ \u003C\u002Fstrong\u003E\u003Cstrong\u003E练习，练习，再练习——收集大量的数据 \u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E“\u003Cp\u003E不是当你已经优秀了才去练习，而是不断地练习帮助你变得优秀。\u003C\u002Fp\u003E\u003Cp\u003E——Malcolm Gladwell\u003C\u002Fp\u003E”\u003Cbr\u003E\u003Cp\u003E这一条比较简单——练习的越多，你就会变得越好。 \u003C\u002Fp\u003E\u003Cp\u003E我们都听过“大数据”这个时下很火的词。可是只有很少的人真的了解他真正的含义。根据牛津词典的解释，\u003Cstrong\u003E大数据是：极其大的数据集，需要用计算机来分析并展现出它的特征、趋势和联系，尤其是与人类行为相关的部分。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E大数据是用很多很多的例子来训练一个模型。 \u003C\u002Fp\u003E\u003Cp\u003E根据牛津关于技能学习的神经机制的研究，当我们开始学习一些新东西，这个过程中包含了很多神经活动。但当我们反复练习同一个任务的时候，每一次完成他所需要的脑力就会逐渐减少。 \u003C\u002Fp\u003E\u003Cp\u003E当你建一个机器学习的模型时，这会很大程度上决定你算法表现的好坏。你需要很多很多的案例才能得到一个好的模型。相较于给外星人看几张照片，给他看更多的案例会让他学习的更好。\u003C\u002Fp\u003E\u003Cbr\u003E“\u003Cp\u003E但是不变的是，基于大量的数据建立简单的模型胜过只有少量数据的复杂模型。\u003C\u002Fp\u003E\u003Cp\u003E——Alon Halevy, Peter Norvig, and Fernando Pereira, Google. The unreasonable effectiveness of data.\u003C\u002Fp\u003E”\u003Cbr\u003E\u003Cp\u003E我们花了很多时间来学习相关的课题，比如阅读，看视频，向人们请教等，但在真正上手练习之前还是会犹豫很久。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E唯一能让你有所提高的办法就是去实践。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E◆ 不要\u003C\u002Fstrong\u003E\u003Cstrong\u003E死记硬背：避免过度拟合 \u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E回顾在学生时代的时候，你是否又有因为死记硬背某个数学题目的解法，却因为考试中的题目与记下来的题目稍有不同而解不出来？这其实是同样的概念，那一点点的不同就可以让你的方法一文不值。 \u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E如果你死记硬背一个流程同样会如此，我们会失去将问题普适化、解决没有见过的情形的能力。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E在机器学习过程中，这个叫\u003Cstrong\u003E过度拟合\u003C\u002Fstrong\u003E。当你训练你的模型通过记忆来学习，就会发生这样的事情。\u003Cstrong\u003E这其实很危险，因为如我们如果用同样的数据集来测验，可能会有100%的拟合度，但当遇到没有见过的问题的时候会表现的很差很差。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-d0e3c278d72aa_b.png\& data-rawwidth=\&940\& data-rawheight=\&300\& class=\&origin_image zh-lightbox-thumb\& width=\&940\& data-original=\&https:\u002F\\u002Fv2-d0e3c278d72aa_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='940'%20height='300'&&\u002Fsvg&\& data-rawwidth=\&940\& data-rawheight=\&300\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&940\& data-original=\&https:\u002F\\u002Fv2-d0e3c278d72aa_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-d0e3c278d72aa_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E当我们知道有办法可以点击一下鼠标就解决问题，就没有必要死记硬背了。 \u003C\u002Fp\u003E\u003Cp\u003E这就是为什么很多人学不会编程。他们会因为有太多的东西去要记忆而失去信心。可是，这正是问题本身——我知道的所有擅长编程的人都很会使用“谷歌”。 \u003C\u002Fp\u003E\u003Cp\u003E根据Eric Mazui (哈佛大学物理学教授，同时也是Peer Instruction的作者)的研究，一个互动式的学习会让学生对问题的理解力比死记硬背的学习高三倍。 \u003C\u002Fp\u003E\u003Cp\u003E这个道理很简单，强迫你自己在没有指导的情况下学习。当你自己弄明白了一些道理之后，你就可以回顾整个过程，这样可以避免没有理解就死记硬背。 \u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E◆ 给你的训练\u003C\u002Fstrong\u003E\u003Cstrong\u003E做适当的变化：准备多样、有代表性的数据\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E我们通常会认为不断重复做同一件事会让我们最终成为专家。即使我们从中取得进步，但还有更快捷的方法。不只是练习本身，而是练习的方式。 \u003C\u002Fp\u003E\u003Cp\u003E最关键的就是使学习有变化。 \u003C\u002Fp\u003E\u003Cp\u003E最好的吉他手不只是演奏一个类型——这也是为什么摇滚明星不可能通过只玩摇滚而成为最卓越的演奏家。要达到他们的高度，需要不断尝试并练习不同的音乐类型。所有这些不同的类型的特质，会帮助吉他手成为全能大师。 \u003C\u002Fp\u003E\u003Cbr\u003E“\u003Cp\u003E如果不知道布鲁士…就没有办法用吉他玩摇滚或是其他大众音乐。\u003C\u002Fp\u003E\u003Cp\u003E——Keith Richards\u003C\u002Fp\u003E”\u003Cbr\u003E\u003Cp\u003E要想在某一领域有所建树，你不可以只是重复做同一件事。你必须要使得你做的事情有所变化，这样才能有更普适的能力。 \u003C\u002Fp\u003E\u003Cp\u003E用代表不同情形的数据来训练一个机器学习模型是至关重要的一点。\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-2ebf28b22cbea53cd4898bc_b.png\& data-rawwidth=\&605\& data-rawheight=\&381\& class=\&origin_image zh-lightbox-thumb\& width=\&605\& data-original=\&https:\u002F\\u002Fv2-2ebf28b22cbea53cd4898bc_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='605'%20height='381'&&\u002Fsvg&\& data-rawwidth=\&605\& data-rawheight=\&381\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&605\& data-original=\&https:\u002F\\u002Fv2-2ebf28b22cbea53cd4898bc_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-2ebf28b22cbea53cd4898bc_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E如果你想教那个外星人朋友椅子长什么样，就需要保证提供给他不同类型、不同视角的照片。 \u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E下一次当你想学习一项新的技能，尝试尽可能的从不同的视角进行学习。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003E◆ 不要重\u003C\u002Fstrong\u003E\u003Cstrong\u003E新发明轮胎：学会迁移学习\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-7f01d69da84df_b.png\& data-rawwidth=\&1000\& data-rawheight=\&563\& class=\&origin_image zh-lightbox-thumb\& width=\&1000\& data-original=\&https:\u002F\\u002Fv2-7f01d69da84df_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='1000'%20height='563'&&\u002Fsvg&\& data-rawwidth=\&1000\& data-rawheight=\&563\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&1000\& data-original=\&https:\u002F\\u002Fv2-7f01d69da84df_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-7f01d69da84df_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E在硅谷你会见到很多换了新的工作领域的人都做得非常好。有建筑师转去做设计师，律师去做销售代表，工程师去做市场营销人员等等。有趣的是，他们都会发现有很多原来工作中的知识可以应用到新的工作。 \u003C\u002Fp\u003E\u003Cp\u003E在人工神经网络（主要用于图像识别）领域有一个叫转移学习的技巧。无须把全部的东西重建，你可以用以前训练过的相似的任务中的一部分放入新的任务。不难想象，这会帮助提高模型的表现并能节省很多时间。\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-e08c84c092ea692c4bb72cc4e8816016_b.png\& data-rawwidth=\&997\& data-rawheight=\&748\& class=\&origin_image zh-lightbox-thumb\& width=\&997\& data-original=\&https:\u002F\\u002Fv2-e08c84c092ea692c4bb72cc4e8816016_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='997'%20height='748'&&\u002Fsvg&\& data-rawwidth=\&997\& data-rawheight=\&748\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&997\& data-original=\&https:\u002F\\u002Fv2-e08c84c092ea692c4bb72cc4e8816016_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-e08c84c092ea692c4bb72cc4e8816016_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E回想吉他演奏家的例子——如果你已经知道如何弹钢琴，可能对你来说学吉他就会容易很多。虽然是完全不同的乐器，但基础的音乐素养是普适的。 \u003C\u002Fp\u003E\u003Cp\u003E最重要的是学会利用大脑中已经建立的联系，将其应用于不同的技能当中。 \u003C\u002Fp\u003E\u003Cp\u003E就像滑板的技能可以应用于滑雪板一样。 \u003C\u002Fp\u003E\u003Cp\u003E通过应用已知的知识，你可以快速的上手新的东西。 \u003C\u002Fp\u003E\u003Cp\u003E机器学习不是什么新东西，已经有几十年了。这是一个缓慢的过程，而且现在逐渐开始可以看到回报了。现在我们有资源来创造一个巨大的影响。上一周我参加Gigaom AI 2017 会议，Jerry Kaplan形容说，从历史上看，我们现在的这是时代可以和犹如之前轮子的发明发明轮子的革命般相提并论。\u003C\u002Fp\u003E\u003Cp\u003E既然你有一个大概的概念这些神秘的黑箱是如何运作的，我鼓励你去探索一下AI。\u003Cstrong\u003E我们不仅仅需要工程师和数据科学家，我们还需要懂得这幕后是如何运作的、并将这科技的力量应用于新的领域的人们。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E“\u003Cp\u003EAI是下一个犹如电的的发明般的存在，并会一直不断的对一个又一个的行业进行转变。\u003C\u002Fp\u003E\u003Cp\u003E——Andrew Ng\u003C\u002Fp\u003E”\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E来源：\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Ftradecraft-traction\u002Fmaximize-your-learning-how-to-apply-machine-learning-practices-into-your-own-life-e31cca.ecwno2l6s\& class=\& external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E\u003Cspan class=\&invisible\&\u003Ehttps:\u002F\u002F\u003C\u002Fspan\u003E\u003Cspan class=\&visible\&\\u002Ftradecraft-t\u003C\u002Fspan\u003E\u003Cspan class=\&invisible\&\u003Eraction\u002Fmaximize-your-learning-how-to-apply-machine-learning-practices-into-your-own-life-e31cca9309e8#.ecwno2l6s\u003C\u002Fspan\u003E\u003Cspan class=\&ellipsis\&\u003E\u003C\u002Fspan\u003E\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T04:11:32.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:0,&collapsedCount&:0,&likeCount&:0,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\\u002Fv2-3be5a22c04fe1d8f653069_r.png&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&机器学习&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&高效学习&}],&adminClosedComment&:false,&titleImageSize&:{&width&:902,&height&:672},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&column&:{&slug&:&BigDataDigest&,&name&:&数据汪&},&tipjarState&:&inactivated&,&annotationAction&:[],&sourceUrl&:&&,&pageCommentsCount&:0,&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T12:11:32+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[],&summary&:&\u003Cimg src=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_200x112.png\& data-rawwidth=\&940\& data-rawheight=\&520\& class=\&origin_image inline-img zh-lightbox-thumb\& data-original=\&https:\u002F\\u002Fv2-f1a57da288e7c181abd972ca84d0b8ae_r.png\&\u003E大数据文摘作品，微信ID：BigDataDigest，转载请注明来源原作者 | Raimundo Manterola编译团队 | Aileen，黄文畅，范玥灿 如果要是我告诉你我们可以依照“训练”电脑的经验来指导人类学习新的技能，你觉得怎么样？在这篇文章中我不会太深入的分析机器学习是…&,&reviewingCommentsCount&:0,&meta&:{&previous&:{&isTitleImageFullScreen&:true,&rating&:&none&,&titleImage&:&https:\u002F\\u002F50\u002Fv2-e9e85a604d9a42e12e8b29ed89f09b4b_xl.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&谷歌 (Google)&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&Kaggle&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&微信公众号大数据文摘（BigDataDigest）| 普及数据思维 传播数据文化&,&isFollowing&:false,&hash&:&518a3ee8e481ae3b438b4a415dc2f1df&,&uid&:924100,&isOrg&:false,&slug&:&BigDataDigest&,&isFollowed&:false,&description&:&专注数据科学x人工智能知识分享，粉丝50万+\n- 2016年，授权翻译斯坦福CS231n计算机视觉识别课程，3.6万人学习；2017年，正在组织翻译牛津DeepNLP自然语言处理课程\n- 2016年，成立大数据文摘字幕组与音频组，每周发布精彩音视频\n- 2017年，与清华数据科学研究院联合发布《顶级数据团队建设全景报告》\n微信关注我们 获取最新资讯：大数据文摘（微信ID：BigDataDigest）&,&name&:&数据汪&,&profileUrl&:&https:\u002F\\u002Fpeople\u002FBigDataDigest&,&avatar&:{&id&:&ad467b33eec&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&BigDataDigest&,&name&:&数据汪&},&content&:&\u003Cp\u003E大数据文摘作品，转载请注明出处\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E编译 | 姜范波，任杰，Sophie\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cstrong\u003EGoogle于今早在旧金山举行的Google Cloud Next会议上确认将收购数据科学竞赛平台Kaggle，但没有公开收购条款细节。\u003Cimg src=\&https:\u002F\\u002Fv2-3dac377cab29e361fbf85e_b.png\& data-rawwidth=\&864\& data-rawheight=\&426\& class=\&origin_image zh-lightbox-thumb\& width=\&864\& data-original=\&https:\u002F\\u002Fv2-3dac377cab29e361fbf85e_r.png\&\u003E\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ci\u003E图：日Kaggle社区最新排名\u003C\u002Fi\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E这项收购并不出人意料。Kaggle在平台上拥有50万数据科学家，它将使Google能够立即在AI社区中拓展其覆盖范围。随着谷歌与亚马逊在云计算领域的竞争难分伯仲，它将需要尽可能多的制胜点。\u003C\u002Fp\u003E\u003Cp\u003E这也将帮助谷歌在数据科学社区中更加扎实地确立其品牌——尽管得益于其像TensorFlow这样的项目，它已经是主角之一。谷歌面临着日益激烈的竞争，因为人工智能领域已经向自动驾驶和深度学习等垂直领域发展，公司不论大小都可以分到一杯羹。这从理论上可以将谷歌排除在最佳人工智能操作公司名单之外，虽然谷歌旗下的阿尔法狗刚刚战胜围棋世界冠军。\u003C\u002Fp\u003E\u003Cp\u003E购买Kaggle及其在人工智能社区内的知名度也可能有助于招聘。Google需要确保它不断吸收专门从事深度学习的最佳人才，与其他公司（例如Pinterest（专注于视觉搜索））竞争。即使并不是一个比较专业化的技术收购，收购也意味着谷歌正在扩大关注范围，以探索更深入不同类别的方法，以确保其在人工智能的主导地位。\u003C\u002Fp\u003E\u003Cp\u003E据估计，Google会保证Kaggle继续运营其服务—并保留其当前名称。\u003C\u002Fp\u003E\u003Cp\u003EKaggle由Goldbloom和Ben Hamner于2010年创立。企业和研究人员在Kaggle上发布数据，让全世界的统计师和数据科学家对数据集进行建模和分析，以竞赛的形式评选出最佳模型。Kaggle的众包竞赛模式的价值在于，让人们有可能从无穷无尽的建模方法中，寻找到最优解。作为一个举办数据科学和机器学习竞赛的平台，尽管早期有一些竞争对手，如DrivenData，TopCoder和HackerRank，Kaggle已经通过特别的市场定位，将它们远远甩在后面。它已经是数据科学和机器学习竞赛领域当之无愧的大哥大。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003EKaggle也有一些与谷歌的“历史渊源”，就在本月初，Google和Kaggle合作举办了一场价值100,000美元的机器学习竞赛，围绕YouTube视频进行分类。这场比赛也与Google Cloud Platform进行了深入的整合。\u003C\u002Fp\u003E\u003Cp\u003E虽然谷歌的收购主要基于Kaggle所构建的社区、而不是其技术价值，Kaggle自身也针对数据科学竞赛开发了不少有用的工具。数据科学家可以使用一个基于云的平台Kaggle Kernels（曾经被称为Scripts）运行数据分析和建模的代码、将源代码分享给他人以得到社区中的反馈意见，以及将源代码展示在自己的Kaggle资料中。这样，企业将非常容易看到Kaggle竞赛中排名靠前的选手所做过的工作，这也是数据工作者竞相争取更高Kaggle排名的原因（当然，另一个原因是企业为最佳数据分析结果给出的巨额奖金！）。\u003C\u002Fp\u003E\u003Cp\u003EKaggle的另一项服务是其网站上的招聘信息发布。目前还不知道谷歌将如何处理这项业务。\u003C\u002Fp\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-d1e9a49b579ad16c6b9c9bd91d24e6f8_b.png\& data-rawwidth=\&865\& data-rawheight=\&834\& class=\&origin_image zh-lightbox-thumb\& width=\&865\& data-original=\&https:\u002F\\u002Fv2-d1e9a49b579ad16c6b9c9bd91d24e6f8_r.png\&\u003E\u003Cp\u003E\u003Ci\u003E图：Kaggle招聘服务\u003C\u002Fi\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E根据Crunchbase，Kaggle从2010年推出以来，筹集了1250万美元（PitchBook说是1275万美元）。Kaggle的投资者包括Index Ventures，SV Angel，Max Levchin，Naval Ravikant，Google首席经济学家Hal Varian，Khosla Ventures和Yuri Milner。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cstrong\u003E以下为Kaggle的 CEO，Anthony Goldbloom的演讲内容：\u003C\u002Fstrong\u003E\u003C\u002Fh2\u003E\u003Cp\u003E我很自豪和兴奋地宣布，Kaggle准备加入谷歌云！\u003C\u002Fp\u003E\u003Cp\u003E七年前，我们发起了第一场竞赛，以预测欧洲歌唱大赛的投票模式。Jure Zbontar赢了，他击败其它的21支队伍，赢得1000美元的奖金。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E从那以来，Kaggle社区已经使用机器学习来为高中作文打分，诊断心力衰竭和提高希格斯玻色子发现的显著性。 Geoff Hinton和George Dahl在默克竞争中展示了深层神经网络的力量，Tianqi Chen使用Kaggle Kernels向XGBoost介绍了社区。 Kaggle的个人资料库已经成为一项公认的认证证明，社区成员在这里完成从DeepMind到沃尔玛公司的工作。去年8月，我们推出了一个开放的数据平台，社区已经共享了数百个高质量的数据集。在Kaggle社区，我们已经一起取得了很多重要进展！\u003C\u002Fp\u003E\u003Cp\u003EKaggle的团队将作为一个整体加入Google Cloud，并将保留Kaggle的独特品牌。我们将继续发展我们的竞赛和开放数据平台，继续对所有数据科学家、公司、方法和技术开放。 Kaggle Kernels将继续支持源自Google多样化生态系统的机器学习库和包，也会继续支持那些并非源自Google的工具包。\u003C\u002Fp\u003E\u003Cp\u003EKaggle加入Google将允许我们实现更多目标。它将世界上最大的数据科学社区与世界上最强大的机器学习云相结合。更令人振奋的是，这还能联合ImageNet创作者李飞飞和李佳的力量。\u003C\u002Fp\u003E\u003Cp\u003E将Google云技术接入我们的社区后，我们将能够接入强大的基础架构、可扩展的培训和部署服务，以及存储和查询大型数据集的能力。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E感谢所有人为建立我们超级棒的社区所付出的努力。我无比期待接下来能和你们一起实现更多。\u003C\u002Fp\u003E\u003Cp\u003E——Anthony Goldbloom, CEO \u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E来源：\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002F\u002F07\u002Fgoogle-is-acquiring-data-science-community-kaggle\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGoogle is acquiring data science community Kaggle\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003Cbr\u003E\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002F\u002F08\u002Fgoogle-confirms-its-acquisition-of-data-science-community-kaggle\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EGoogle confirms its acquisition of data science community Kaggle\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002F\u002F08\u002Fkaggle-joins-google-cloud\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EKaggle Joins Google Cloud\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E2014年，Python成为在美国顶尖计算机科学项目里最为流行的教学语言。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E来参加数据科学实训营，用Python系统学习数据科学！\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E寒小阳、加号、常老师3位资深讲师，3位班主任与10+助教，使用7*24小时云实验平台，大型互联网公司真实案例，14次直播教学 + 17次小班手把手实战辅导\u003C\u002Fp\u003E\u003Cp\u003E——3月18日开课，今天报名优惠最后一天！\u003C\u002Fp\u003E\u003Cp\u003E?长按图片识别二维码，获取课程详情并报名\u003C\u002Fp\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-6d6a106662bec0f34487ab2_b.jpg\& data-rawwidth=\&1285\& data-rawheight=\&535\& class=\&origin_image zh-lightbox-thumb\& width=\&1285\& data-original=\&https:\u002F\\u002Fv2-6d6a106662bec0f34487ab2_r.jpg\&\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T10:16:10+08:00&,&url&:&\u002Fp\u002F&,&title&:&谷歌宣布收购全球最大数据科学社区Kaggle&,&summary&:&大数据文摘作品，转载请注明出处 编译 | 姜范波，任杰，Sophie \u003Cstrong\u003EGoogle于今早在旧金山举行的Google Cloud Next会议上确认将收购数据科学竞赛平台Kaggle，但没有公开收购条款细节。\u003C\u002Fstrong\u003E\u003Ci\u003E图：日Kaggle社区最新排名\u003C\u002Fi\u003E 这项收购并不出人意料。Kaggle在平台上…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:0,&likesCount&:0},&next&:{&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&深度学习（Deep Learning）&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&人工智能&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&谷歌 (Google)&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&author&:{&bio&:&微信公众号大数据文摘（BigDataDigest）| 普及数据思维 传播数据文化&,&isFollowing&:false,&hash&:&518a3ee8e481ae3b438b4a415dc2f1df&,&uid&:924100,&isOrg&:false,&slug&:&BigDataDigest&,&isFollowed&:false,&description&:&专注数据科学x人工智能知识分享，粉丝50万+\n- 2016年，授权翻译斯坦福CS231n计算机视觉识别课程，3.6万人学习；2017年，正在组织翻译牛津DeepNLP自然语言处理课程\n- 2016年，成立大数据文摘字幕组与音频组，每周发布精彩音视频\n- 2017年，与清华数据科学研究院联合发布《顶级数据团队建设全景报告》\n微信关注我们 获取最新资讯：大数据文摘（微信ID：BigDataDigest）&,&name&:&数据汪&,&profileUrl&:&https:\u002F\\u002Fpeople\u002FBigDataDigest&,&avatar&:{&id&:&ad467b33eec&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},&column&:{&slug&:&BigDataDigest&,&name&:&数据汪&},&content&:&\u003Cp\u003E首发于大数据文摘微信公众平台（ID：BigDataDigest），转载请注明来源\u003C\u002Fp\u003E\u003Cp\u003E翻译 | 姜范波，Aileen\u003C\u002Fp\u003E\u003Cp\u003E---------------\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E导读：和人脑不同，计算机程序学习执行一项任务后，通常也会很快地忘记它们。而DeepMind这项最新研究通过修改学习规则，程序在学习一个新任务时，还能记得起老任务。这样的程序，能够持续地、自适应地学习，无疑这是程序迈向更加智能化的重要一步。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-75bce943dcd9_b.png\& data-rawwidth=\&865\& data-rawheight=\&486\& class=\&origin_image zh-lightbox-thumb\& width=\&865\& data-original=\&https:\u002F\\u002Fv2-75bce943dcd9_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E计算机程序学习执行一项任务后，通常也会很快地忘记它们。相比之下，我们的大脑以非常不同的方式工作。我们能够逐步学习，一次获得一个技能，并在学习新任务时运用我们以前的知识。作为起点\u003Cstrong\u003E，DeepMind在最近的PNAS文章里，提出一种方法来克服神经网络中的灾难性遗忘。灵感源自神经科学关于哺乳动物和人类大脑巩固化既往获得的技能和记忆的理论。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E神经科学家已经发现，在大脑中有\u003Cstrong\u003E两种固化方法：系统固化和突触固化。\u003C\u002Fstrong\u003E系统固化是指将我们大脑的快速学习过程获取的记忆印记到缓慢学习过程。这种印记由有意识的和无意识的回忆所介导的—例如，这可能在梦中发生。第二种机制突触固化，则是指那些在既往学习任务中扮演重要角色的神经元之间的连接，不太可能被重写。我们的算法，就是从这种机制中得到灵感，来解决灾难性忘记的问题。\u003C\u002Fp\u003E\u003Cp\u003E一个神经网络由多个连接组成，其连接方式与大脑的神经元之间的连接方式相同。某个学习任务完成后，我们计算每个连接对该任务的重要性。当我们学习下一个新的任务时，按照每个连接对旧任务的重要性的比例，保护它们免受修改。因此，可以学习新任务而不重写在先前任务中已经学习的内容，并且不会引起显著的计算成本增加。用数学术语来说，\u003Cstrong\u003E我们可以认为在一个新任务中每个连接所附加的保护比作弹簧，弹簧的强度与其连接的重要性成比例。为此，我们称之为“弹性权重固化”（ Elastic Weight Consolidation ， EWC）。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-ec12b3e3c6ff648d19a8eb5_b.jpg\& data-rawwidth=\&927\& data-rawheight=\&521\& class=\&origin_image zh-lightbox-thumb\& width=\&927\& data-original=\&https:\u002F\\u002Fv2-ec12b3e3c6ff648d19a8eb5_r.jpg\&\u003E\u003C\u002Ffigure\u003E\u003Cbr\u003E\u003Cp\u003E为了测试我们的算法，我们让程序依次学习一个Atari游戏。当DeepMind在2014年突破性地教它的机器学习系统如何玩Atari游戏时，系统可以学会击败游戏，并且得分高于人类，但不记得它是如何做到的。单单从得分来学习一个游戏是一项具有挑战性的任务，但是依次学习多个游戏更具挑战性，因为每个游戏需要单独的策略。如下图所示，如果没有EWC，程序会在每个游戏停止后（蓝色）会快速忘记它。这意味着，平均来说，它几乎没有学会任何游戏。 然而，如果我们使用EWC（棕色和红色），程序不会轻易忘记，并可以一个接一个地学会玩好几个游戏。\u003C\u002Fp\u003E\u003Cp\u003E “以前，我们有一个系统，可以学习玩任何游戏，但它只能学会玩一个游戏，”James Kirkpatrick，DeepMind的研究科学家，并且其新研究论文的主要作者告诉WIRED。 “在这里我们展示一个可以学习玩很多个游戏的系统”。\u003C\u002Fp\u003E\u003Cp\u003E“我们只允许它们在游戏之间的变化非常缓慢，”他说。 “这种方式有学习新任务的空间，但我们应用的更改不会覆盖我们以前学习的算法”。\u003C\u002Fp\u003E\u003Cp\u003E为了测试算法，DeepMind使用深层神经网络，称为Deep Q-Network (DQN)，它以前曾用来征服Atari游戏。然而，这次使用EWC算法来“增强”DQN。它测试了算法和神经网络上随机选择的十个Atari游戏，这是AI已经证明可以像一个人类玩家一样好。每个游戏播放2000万次之前系统自动移动到下一个Atari游戏。\u003C\u002Fp\u003E\u003Cfigure\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-0a2b285c172ac1f762e2b4f87cfc3fc9_b.png\& data-rawwidth=\&865\& data-rawheight=\&691\& class=\&origin_image zh-lightbox-thumb\& width=\&865\& data-original=\&https:\u002F\\u002Fv2-0a2b285c172ac1f762e2b4f87cfc3fc9_r.png\&\u003E\u003C\u002Ffigure\u003E\u003Cp\u003E\u003Cstrong\u003E使用EWC算法的深层神经网络能够学习玩一个游戏，然后转移它学到的玩一个全新的游戏。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp\u003E然而，系统绝不完美。 虽然它能够从以前的经验中学习并保留最有用的信息，但是它不能像只完成一个游戏的神经网络那样表现得好。“目前，我们已经展示了顺序学习，但我们还没有证明它是对学习效率的改进，”Kirkpatrick说。 “我们的下一步将尝试和利用顺序学习尝试和改进现实世界的学习”。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E连续学习任务而不忘记的能力是生物和人工智能的核心组成部分\u003C\u002Fstrong\u003E。今天，计算机程序还不能自适应地、实时地从数据学习。然而，\u003Cstrong\u003EDeepMind已经证明灾难性地遗忘并不是神经网络的不可逾越的挑战。\u003C\u002Fstrong\u003E这项研究也推进了我们对固化过程在人类大脑中如何发生的理解。事实上，我们的工作所基于的神经科学理论主要在非常简单的例子中得到证实。通过将这个理论应用在更现实和复杂的机器学习环境中，我们希望进一步加强对突触固化在记忆保留中的作用及其机制的研究。\u003C\u002Fp\u003E\u003Cp\u003E来源：\u003Ca href=\&http:\u002F\\u002F?target=https%3A\\u002Fblog\u002Fenabling-continual-learning-in-neural-networks\u002F\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EEnabling Continual Learning in Neural Networks | DeepMind\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E， \u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fwww.wired.co.uk\u002Farticle\u002Fdeepmind-atari-learning-sequential-memory-ewc\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003EDeepMind's new algorithm adds 'memory' to AI\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E相关论文下载链接：\u003Ca href=\&http:\u002F\\u002F?target=https%3A\u002F\\u002Fs\u002F1jHLG1fg\& class=\& external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E\u003Cspan class=\&invisible\&\u003Ehttps:\u002F\u002F\u003C\u002Fspan\u003E\u003Cspan class=\&visible\&\\u002Fs\u002F1jHLG1f\u003C\u002Fspan\u003E\u003Cspan class=\&invisible\&\u003Eg\u003C\u002Fspan\u003E\u003Cspan class=\&ellipsis\&\u003E\u003C\u002Fspan\u003E\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&state&:&published&,&sourceUrl&:&&,&pageCommentsCount&:0,&canComment&:false,&snapshotUrl&:&&,&slug&:,&publishedTime&:&T08:02:21+08:00&,&url&:&\u002Fp\u002F&,&title&:&谷歌DeepMind最新突破：让机器像人脑一样保留学习记忆，向类人智能更进一步&,&summary&:&首发于大数据文摘微信公众平台（ID：BigDataDigest），转载请注明来源翻译 | 姜范波，Aileen--------------- 导读：和人脑不同，计算机程序学习执行一项任务后，通常也会很快地忘记它们。而DeepMind这项最新研究通过修改学习规则，程序在学习一个新任务时，…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentPermission&:&anyone&,&commentsCount&:0,&likesCount&:1}},&annotationDetail&:null,&commentsCount&:0,&likesCount&:0,&FULLINFO&:true}},&User&:{&BigDataDigest&:{&isFollowed&:false,&name&:&数据汪&,&headline&:&专注数据科学x人工智能知识分享，粉丝50万+\n- 2016年，授权翻译斯坦福CS231n计算机视觉识别课程，3.6万人学习；2017年，正在组织翻译牛津DeepNLP自然语言处理课程\n- 2016年，成立大数据文摘字幕组与音频组，每周发布精彩音视频\n- 2017年，与清华数据科学研究院联合发布《顶级数据团队建设全景报告》\n微信关注我们 获取最新资讯：大数据文摘（微信ID：BigDataDigest）&,&avatarUrl&:&https:\u002F\\u002F50\u002Fad467b33eec_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&BigDataDigest&,&bio&:&微信公众号大数据文摘（BigDataDigest）| 普及数据思维 传播数据文化&,&hash&:&518a3ee8e481ae3b438b4a415dc2f1df&,&uid&:924100,&isOrg&:false,&description&:&专注数据科学x人工智能知识分享，粉丝50万+\n- 2016年，授权翻译斯坦福CS231n计算机视觉识别课程，3.6万人学习；2017年，正在组织翻译牛津DeepNLP自然语言处理课程\n- 2016年，成立大数据文摘字幕组与音频组，每周发布精彩音视频\n- 2017年，与清华数据科学研究院联合发布《顶级数据团队建设全景报告》\n微信关注我们 获取最新资讯：大数据文摘（微信ID：BigDataDigest）&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\\u002Fpeople\u002FBigDataDigest&,&avatar&:{&id&:&ad467b33eec&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&nwebStickySidebar&:&sticky&,&androidPassThroughPush&:&all&,&newMore&:&new&,&liveReviewBuyBar&:&live_review_buy_bar_2&,&liveStore&:&ls_a2_b2_c1_f2&,&qawebThumbnailAbtest&:&old&,&searchHybridTabs&:&without-tabs&,&isOffice&:&false&,&newLiveFeedMediacard&:&old&,&homeUi2&:&default&,&recommendationAbtest&:&old&,&marketTab&:&market_tab_old&,&qrcodeLogin&:&qrcode&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&androidDbRecommendAction&:&open&,&zcmLighting&:&zcm&,&favAct&:&default&,&appStoreRateDialog&:&close&,&mobileQaPageProxyHeifetz&:&m_qa_page_nweb&,&default&:&None&,&wechatShareModal&:&wechat_share_modal_show&,&qaStickySidebar&:&sticky_sidebar&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&experiment&}},&columns&:{&next&:{},&BigDataDigest&:{&following&:false,&canManage&:false,&href&:&\u002Fapi\u002Fcolumns\u002FBigDataDigest&,&name&:&数据汪&,&creator&:{&slug&:&BigDataDigest&},&url&:&\u002FBigDataDigest&,&slug&:&BigDataDigest&,&avatar&:{&id&:&51bfa4acbf2e&,&template&:&https:\u002F\\u002F{id}_{size}.jpeg&}}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{&baidu&:false,&yidianzixun&:false,&qqnews&:false},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false,&userAgent&:{&ua&:&Mozilla\u002F5.0 (compatible, MSIE 11, Windows NT 6.3; Trident\u002F7.0; rv:11.0) like Gecko&,&browser&:{&name&:&IE&,&version&:&11&,&major&:&11&},&engine&:{&version&:&7.0&,&name&:&Trident&},&os&:{&name&:&Windows&,&version&:&8.1&},&device&:{},&cpu&:{}}},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}