昨天在总结函数式的过程中, 见文函数式编程学习之路(13)
其中总结到:启动学习函数式编程到现在近一个月了.有了一些小收获,但是发现了一个非常严重的问题.
这个非常严重的问题就是:我们学习的速度惊人的慢!!!
并对人和计算机的能力做了些比较,发现人的学习能力相当低下.
在今天开始整理相关问题过程中,不仅没有发现人工学习的东西,反而是发现了大堆"机器学习"相关的东西.这不能不说是一个悲剧,人类这么发展下去,被人工智能取代也是不远的事情.
人类在肉体和精神,头脑方面,相对来说都相当弱小,尤其是重要的计算和记忆能力,现在唯一的优势就是理解力和想象力.这种抽象能力和脑细胞神经结构是很相关的.
但人类几百年尤其是近几十年,在自身上几乎没有进步,道德水准和环境等自我保护意识反而下滑,贪图安逸思想之风渐长.这也是缺乏人工学习,而机器学习反而成为前沿科学的原因.
把体力劳动逐步交给机器,接下来把智力劳动也要逐步交给机器,然后呢?然后就没有了.体力智力都不需要用人了,那存在的意义估计也只有娱乐和享受了.
扯远了,操这闲心只是发发感慨而已.言规正题,既然机器可以学习,人工当然也可以,那么也可以借力最新的机器学习技术来拓展个人学习.把机器学习为我所用.
上面这个结论看似正确,但初看下机器学习,感觉门槛相当高,大多使用概率统计的方式,获得答案,利用的正是机器的运算能力的庞大的数据.而我们总结出人和机器最大的差距在哪呢?
就是计算和处理庞大数据方面的先天缺陷.
这里做一个假设,如果把这些算法用在人类大脑上,会不会对计算和处理数据方面有所提升呢?哪怕仅仅一倍,从每小时处理1000字增长到2000字.假设这种提升成立,那么4年大学可以缩减为2年了.看上去还是很有价值的.
所以,机器学习这样的知识,从直觉上看,我们未必用它搞什么门户网站或搜索引擎或者人工智能,那都是大老板关心的事,小码农可以先关注下个人成长.
从附可以看出,决策树这个东西很闪眼,是不是和Prolog,逻辑运算,这些有点关系呢?下回再研究.
附:
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
具体的机器学习算法有：
构造条件概率：回归分析和统计分类
人工神经网络
决策树(Decision tree)
高斯过程回归
线性判别分析
最近邻居法
感知器
放射 基函数
支持向量机
通过再生模型构造概率密度函数(Probability density function)：
最大期望算法(Expectation-maximization algorithm)
graphical model：包括贝叶斯网和Markov随机场
Generative Topographic Mapping
近似推断技术：
马尔可夫链(Markov chain) 蒙特卡罗方法
变分法
最优化(Optimization)：大多数以上方法，直接或者间接使用最优化算法。