著名的中立咨詢顧問公司Ovum近日聲稱，“機器學習將是2017年大數據分析的最大瓦解者。” 深度學習和神經網絡的機制模擬了人類大腦的分層認知處理機制，已經顯示出了實現類人水平的機器智能的可行性。由于并行處理能力的大規模升級使網絡能夠處理更大的數據塊，在2017年我們可以期待在機器學習方面取得更大進步。“生成式對抗網絡”（GAN）是機器學習中的下一個大進展。GAN本質上是雙重網絡，一個從數據集中學習，另一個對數據真假進行鑒別。機器學習能力將在2017年迎來大提升，開始接近認識成熟。

（當下幫助機器思考的若干AI算法。圖／CIO Journal/Narrative Science）

    機器學習使用的另一個技術是無監督學習，它用來找出大數據組背后的隱秘關聯。比如，你是位研究人員，想要更多了解人類個性類型。你獲得了大筆資金支持，可以找20萬人做調查，每張人格調查問卷有500個問題，每道題的備選答案有10個。最終，你的數據規模是：500個虛擬「維度」，每個維度上有20萬個數據點——每個維度代表原始問卷表里的一道人格測試題。這些點組合起來，在500維空間中構成了一個維度較低的「曲面」，就好比簡單記錄山脈區域某些點的海拔高度，就能用這些點在三維空間內構建出一個二維曲面一樣。

    作為研究人員，你要做的就是識別出這個維度較低的曲面，從而減少20萬個被試者的人格畫像，只留下本質特征——就像找出足以確定山脈表面任意一點的兩個變量。或許，個性測試的這個曲面也能用簡單的函數來表示，它所涉及的變量數大大小于500個。這種函數就有可能反映出數據背后的結構。

深度學習三大牛之一的Yann Lecun教授給出了一個關于機器學習中的有監督學習、無監督學習和增強學習的一個有趣的比喻，他說：如果把智能（Intelligence）比作一個蛋糕，那么無監督學習就是蛋糕本體，增強學習是蛋糕上的櫻桃，那么監督學習，僅僅能算作蛋糕上的糖霜。相比有限的監督學習數據，自然界有無窮無盡的未標注數據。試想，如果人工智能可以從龐大的自然界自動去學習，那豈不是開啟了一個新紀元？當前，最有前景的研究領域或許應屬無監督學習，這也正是Yann Lecun教授把無監督學習比喻成人工智能大蛋糕的原因吧。

    更多行業資訊，更新鮮的技術動態，盡在。