【新智元导读】Yann LeCun日前在法国大学做了系列讲座。这篇演讲中他结合大量实例,全面系统梳理了深度学习关键知识点和待解决的问题。其中,LeCun简单讲解了如何有效实现无监督学习,并详细比较了不同深度学习的特点。LeCun指出目前实现强人工智能还是一个科学问题,并非技术挑战;同时,要区分“智能”与“自主”的概念,大部分的智能系统将不会是自主性的。
第一部分
LeCun以“我们应该拷贝大脑来发展智能机器吗?”这一问题作为开题,随后给出否定答案,对于智能机器的发展,我们“应该从自然中获得动力,但不能太多”。
接着,LeCun回溯历史上第一台学习机器——知觉(1957),详解知觉的学习过程。
在第一部分中,LeCun还介绍了普遍意义上的机器学习(监督式学习)。
传统的模型识别模式
深度学习=整个机器都是可训练的
深度学习=学习分层的代表
可训练特征分层
浅VS深=查找表格VS多步骤的算法
大脑是如何解读图像的
第二部分
多层次的神经元网络
多层网络的目标函数是非凸的
第三部分
卷积网络(ConvNet或者CNN),在这一部分,LeCun介绍了ConvNet在多字符识别、脸部识别、行人识别、远程视野和场景剖析等方面中的应用。
卷积网络架构
多层卷积
多字符识别
脸部识别
场景剖析/标签
自适应机器远程视野中的ConvNet
第四部分
ConvNets下的对象识别和定位
分级+定位:多级别的滑动窗
分级+定位:滑动窗+边界框回归
人物识别和姿势评估
识别渠道
第五部分
ConvNet语音识别
第六部分
无处不在的ConvNet
英伟达:基于ConvNet的辅助驾驶
MobilEye:基于ConvNet的辅助驾驶
connectomics中的ConvNet
脑瘤检测
第七部分
嵌入世界
第八部分
自然语言理解
第九部分
人工智能面临的四大阻碍
第十部分
目标函数几何学上的神秘性
第十一部分
增强学习、监督式学习、无监督式学习
第十二部分 详解无监督式学习
第十三部分
预言式无监督学习:视频预测
无监督式学习是AI中的暗物质
第十四部分
机器智能和人类智能有很大的不一样
结论