Lei Feng réseau par AI Technology Review: 9 mai 2019, parrainé par l'Institut de Beijing Zhiyuan Intelligence artificielle "Zhiyuan Forum" a eu lieu à Zhongguancun Zone nationale d'innovation démonstration Convention Center. « Forum Zhiyuan » est une série d'activités de partage de renseignements artificiels de haut niveau, les principaux chercheurs régulièrement invités de l'industrie pour discuter des technologies de pointe et de partager des expériences. Calculabilité en intelligence artificielle autour du visage, peut émettre base d'interprétation, la généralisation et la stabilité, les organisateurs des mathématiques, des statistiques et du point de vue informatique, la mise en place des mathématiques et de la physique importante étude de l'intelligence artificielle, le forum actuel le thème de « l'intelligence artificielle, les mathématiques et la physique, » les 15 chercheurs sont divisés en trois jours à partager. Lei Feng réseau AI Technology Review honneur d'être invité à y participer, enregistrera l'essence de la scène ci-dessous.
La première phase du Forum a organisé un total de cinq matchs à part, le premier président de l'Université de Pékin Professeur Dong Binfu son rapport intitulé « Bridging profonde Réseaux de Neurones et équations différentielles pour l'analyse d'images et au-delà ».
Le monde académique a été préoccupé par la profondeur des problèmes d'apprentissage, tels que Ali Rahimi mentionne en 2017 la conférence NIPS apprentissage en profondeur est « l'alchimie » (alchimie). En même temps, Ali Rahimi a également dit Etre alchimie est certainement pas une honte, mais ne pas vouloir travailler sur la promotion de la chimie est une honte, des moyens qui ne fournissent que le système d'orientation théorique, le terrain sera d'une des disciplines purement expérimentales sont devenus système de théorie discipline. Mon équipe et essayer d'appliquer / Compute point de vue mathématique pour comprendre la profondeur de l'apprentissage, afin d'être en mesure de fournir de nouvelles lignes directrices pour la conception de l'architecture, réseau de recherche.
En général, le mathématicien passera une analyse théorique rigoureuse pour démontrer la conjecture, et nous avons pris un autre train de la pensée, regardez d'abord la relation avec des concepts mathématiques apprentissage profondeur, puis analysée en conséquence. Par exemple, nous pouvons comprendre le web profond sous forme d'équations différentielles, ou par une forme discrète d'équations différentielles. Après avoir établi ce lien, nous commencerons à comprendre clairement la profondeur de l'apprentissage à partir de laquelle les domaines des mathématiques.
DNN et ODE numérique est entre ce genre de relation? Si vous écrivez sous la forme de mathématiques, ils penseront que c'est un système dynamique, mais cela est difficile à analyser. résidus de réseau célèbres d'un point de vue formel mathématique est plus facile à comprendre, en fait, ODE continue, le temps de le faire avant éléments discrets d'Euler, mais dans la conception du réseau à s'établir 1 At.
Ce constat est très intéressant, mais les gens se demandent également si le contact avec le réseau résiduel du système d'énergie nucléaire est l'exception? Plus important encore, si établi un lien entre l'architecture ODE numérique et réseau, que ce soit de notre ODE numérique ce domaine relativement mature de la recherche pour lancer cadre anti-utile?
Plus tard, nous avons constaté que, en plus du réseau résiduel, d'autres réseaux tels que tirer Net est en fait une solution correspondant à l'inverse d'Euler, Euler vers l'arrière et nous devons résoudre l'inverse des très grands systèmes d'équations non linéaires, ne nous devons utiliser approximation polynomiale. Nous utilisons donc essayer de ODE numérique pour concevoir une nouvelle architecture de réseau, principalement pour le bloc reste, à ce que le spécifique à l'intérieur du bloc qui ne fait pas trop de modification.
En plus du contenu d'incertitude, la formation d'apprentissage approfondie fera face à une variété de perturbations au hasard, intuitivement, que les équations différentielles stochastiques correspondantes. Nous avons constaté que, quel que soit le réseau ou la stratégie aléatoire vient avec la nature aléatoire du réseau de formation est en fait un problème de résolution de contrôle stochastique, afin que vous puissiez apprendre à regarder la profondeur de la formation avec une politique de formation au hasard dans la perspective d'un contrôle aléatoire. Nous faisons une comparaison simple, sans réduire la précision se trouve, la profondeur peut être réduite à 90%, peut atteindre la couche d'effet 100 couche 1200.
En outre, avec plus de moyens et plus avancés de collecte de données, et maintenant il y a beaucoup de trois dimensions et même des données à quatre dimensions, et si nous pouvons Pde étude approfondie combinant outil efficace pour extraire forme régulière? Nous avons également fait une première tentative, l'idée de base est de faire partie des contraintes de convolution, assurez-vous que j'apprends l'équation, mais aussi pour assurer la prévisibilité du modèle.
Utilisé pour faire warm-up avec l'équation d'évolution débruitage, une fois que le temps est l'évolution trop longtemps, les détails de l'image seront également perdus, c'est-à-dire le moment est un super paramètre d'arrêt, et est lié au niveau de bruit. Différentes images, différents niveaux de bruit, optimal ultra-paramètre temps d'arrêt n'est pas le même, en dehors des paramètres du réseau pour optimiser le système d'alimentation sera également temps d'arrêt incorporé dans la catégorie d'optimisation, qui est, le réseau peut se baser sur la profondeur actuelle données ajuste automatiquement le degré de résultat final d'automatisation beaucoup mieux qu'auparavant.
Ensuite, nous aidera à soutenir les sources intellectuelles de faire une analyse plus théorique, comme la valeur du problème inverse dans les équations différentielles ou d'autres méthodes jugées à l'architecture réseau d'apprentissage en profondeur, puis les analyser l'architecture de réseau de niveau de généralisation, détection comprimé, etc. et, finalement, de concevoir des réseaux plus compacts.
Le deuxième orateur est des chercheurs de l'Université de Pékin Lim, son rapport intitulé « malédiction de la dimensionnalité dans la fissure de l'apprentissage de la machine: De identifiabilité. »
Les statistiques dites de grande dimension, ce qui est l'étude de ce qu'on appelle des données statistiques de grande dimension ou d'un modèle de grande dimension. -Pour les données par exemple, la dimension fait référence au nombre de variables, telles que l'analyse simultanée de milliers, voire plus de données, la dimension sera très élevé. Sur la dimension du modèle est ,, contexte de grande dimension est communément appelé « sur-paramétrisation. »
Comment la technologie de l'intelligence artificielle de d'un point statistique de l'établissement d'un cadre théorique pour l'apprentissage peut améliorer l'intelligibilité de celui-ci? Je pense que existe actuellement deux ensembles d'outils, basés sur une théorie des matrices aléatoires, nous pouvons exporter les résultats d'un certain nombre de statistiques progressives et classiques N tend vers l'infini différent du cadre de cette poussée progressive vers le bas, l'autre jeu est de se concentrer sur ce que je faisais l'inégalité , en termes simples, la plupart des résultats sont alors nous pourrions non progressive, tirer des conclusions, soit P ont une relation avec N, obtenant ainsi une beaucoup plus grande que le n P permet des résultats progressifs.
Quel est le identifiabilité? Si les deux la distribution des données d'arguments et la distribution des données de 2 correspondant au même, nous pouvons prendre est de tirer le même paramètre. Ceci est très important, sinon déterminer ce que l'argument réel est que, une fois utilisé pour faire l'algorithme d'optimisation pour trouver les paramètres, les résultats seront extrêmement instables. Modèle méconnaissable quels sont les inconvénients? Une différence est une explication, une généralisation est faible. Nous pouvons garantir la visibilité à travers le rang clairsemé et faible. Il convient de souligner que la théorie de l'inférence causale dans de nombreux cas ne sont pas reconnus, mais que nous pouvons faire une délimitation, si la borne supérieure et la borne inférieure est assez petit, il y a un rôle.
Si le identifiabilité ne peut pas garantir que nous obtenons pas nécessairement l'objectif de identifiabilité? Des erreurs causées par illisible, peut se refléter dans nos résultats là-bas? Notre travail donne la réponse: le premier est pas, celle-ci est oui. Si vous faites l'étude biologique, donc la réponse à la question est le meilleur il est, mais pas nécessaire, en raison de meilleurs exemples rares de performance du réseau réellement existé, mais pas absolu, la deuxième question n'a pas encore concluante.
réseau de neurones est un modèle de grande dimension ou trop paramétrés, statistiquement parlant, comment pouvons-nous apporter des changements? Tout d'abord, adapter la fonction objective, en deuxième lieu, une analyse objective de la fonction réelle à la fin ce qui est dans la catégorie. Avec cette chose à l'avenir, nous serons en mesure d'obtenir une solution, par exemple, deux types de rares.
Le troisième orateur était professeur agrégé Shao cuire au four héritier de l'Université de Pékin, il a donné des conférences sur « les mathématiques à puce orientée. »
Nous faisons maintenant beaucoup de machines, en essayant toujours de comprendre l'homme est venu, où aller, pour répondre à la question ultime de la soi-disant. La question devient alors, comment nous nous rendons compte que nous sommes nous? Cela implique la formation du cerveau humain est de savoir comment le problème de la conscience.
Le soi-disant intelligence artificielle, la voie fondamentale est par l'intelligence humaine peut comprendre à imiter ou d'explorer le mécanisme de l'intelligence. Le cerveau humain est un 100 milliards par le réseau de neurones du cerveau, bonnes et mauvaises idées sont venues d'ici, cela implique deux faits de base: premièrement, la nature atomique de la base matérielle et constituent un réseau est pas différent donc nous devons utiliser la mécanique quantique pour décrire, deux, se fonder sur le comportement de la mécanique quantique pour décrire le comportement de la mécanique quantique synapses, ce qui est très important pour la génération de compréhension de la conscience.
Un tel problème important, aucun progrès n'a été trop ce pourquoi? Tout d'abord, jusqu'à l'année dernière, nous avons réussi à maîtriser l'ensemble du cerveau produisent des images en définition haute de mouches des fruits, nous pouvons aussi commencer à voir la position spatiale de tous les neurones de cette époque, mais a perdu la vitalité de la vie. D'autre part, la mesure du comportement mécanique quantique, en effet particulièrement difficile au niveau des principes physiques pour. Plus particulièrement difficile dans la région? relation d'incertitude d'Heisenberg nous dit que, en plus du monde microscopique des particules est des particules, mais aussi vers la lumière.
À cette fin, nous utilisons des ordinateurs pour calculer la solution résoudre le problème par des équations classiques de la mécanique quantique, l'utilisation de la fonction de Wigner. fonction de Wigner est l'unique propriétaire des connaissances théoriques rigoureux des mathématiques, peut passer du monde quantique à la forme de la formulation mathématique du monde classique, en utilisant la fonction de Wigner pour faire la simulation, nous pouvons fournir l'observation et la comparaison des résultats des scientifiques de données expérimentales. Une fois que le cerveau soit dans le réseau réel pour lancer la dynamique, ne manquera pas de problèmes de rencontre échelle de calcul, nous avons donc pris un mode algorithme aléatoire, par un raisonnement d'équivalence mathématique et constaté qu'il est équivalent à une équation de renouvellement, et l'équation elle-même il y a une explication au hasard inhérente, qui est, que l'on appelle la ramification marche aléatoire, sur la base de ce processus sera encore la simulation.
Nous regardons le cerveau des données expérimentales chez la drosophile, il est réseau de neurones du cerveau composé de 100.000 articles comprenant des synapses, et le cerveau humain est cent milliards. Du point de vue de la modélisation des données, la taille de l'écart est trop grand, quel que soit l'algorithme ou des théories mathématiques en termes de conception est un grand défi. Par conséquent, nous devons étudier l'algorithme d'optimisation, comment, sans compromettre la précision dans les limites de tolérance du réseau ne se décomposer.
Nous faisons dans ce domaine depuis longtemps à explorer, en essayant d'explorer les mathématiques sur la carte et avons trouvé beaucoup de problèmes pas ce que nous attendions. La figure discuter de questions comme un certain type sur lequel vous trouverez une fonction ou caractéristique des vecteurs est très grande, et il peut être localisé. En d'autres termes, un réseau pour vous donner, vous donner une paire de ciseaux pour rogner, nous pouvons couper des deux côtés, il peut être coupé avec un minimum de côté, mais nous voulons en fin de compte, découpez les deux sont plus symétriques. théorie mathématique réaliste vous dira que la meilleure solution ne peut être trouvée dans leur vie.
Cela étant le cas, comment pouvons-nous le coût de la solution la plus rapide sous-optimale? Notre idée est de couper Grande carte Petite carte, puis un petit chiffre utilisé pour exécuter la physique quantique Wigner, du quantum de savoir s'il existe une corrélation entre le temps, les données est ouvert à expérimenter. Nous essayons de trouver l'optimisation continue avec qui la correspondance et retour au niveau de l'analyse mathématique est très simple, la limite d'une séquence est unique, mais la séquence spécifique pour produire la même limite de nombre et dont la séquence spécifique, dépend de plus contraintes.
Nous espérons que cette théorie à passer afin d'optimiser les problèmes peuvent avoir des expressions analytiques. Donc, nous avons fait une extension Lovasz soi-disant, juste donner un problème d'optimisation combinatoire, nous pouvons trouver les liens correspondants. Par conséquent, nous avons conçu un algorithme simple appelé expression itérative, bien que ces problèmes ne peuvent pas connaître la valeur optimale, et que la meilleure valeur que nous mettons la littérature ne voient une solution dans laquelle ces algorithmes pour trouver l'erreur relative, puis simplement exécuter environ, de sorte que le résultat final de l'erreur et la valeur optimale peut être contrôlé à l'intérieur de 1%, plus vite que le rapport initial un peu.
La direction que nous avons fait une très bonne accumulation, qui comprend une combinaison de problèmes, comment résoudre les deux associations et ainsi de suite. Si vous voulez continuer dans cette direction pour aller de l'avant, nous devons traverser plusieurs zones, ce besoin spécifique ou quels outils mathématiques utilisés dans la théorie mathématique, n'est pas encore très clair, ne peut faire toutes sortes de tentatives.
Dans l'ensemble, ces choses sont ce qui nous a remis une place, ou nous pouvons vraiment besoin fondamentalement compris dans une théorie mathématique, à quelque chose de choses continues ou discrètes sur un cadre unifié pour la discussion. Dans le passé, nous faisons beaucoup de choses sont trop limitées, et maintenant vous n'êtes plus à l'abri de ce point de vue, cette chose ne fait que commencer.
Quatrième orateur est Wang Han de Pékin Institut de physique appliquée et informatique Mathématiques, il a donné des conférences « Deep apprentissage pour Multiscale Modèle moléculaire en g ».
En supposant que ce monde est composé d'atomes, chaque atome nous sommes considérés comme une particule, cet endroit est Ra. Selon la deuxième loi du mouvement de Newton à l'école secondaire, tant en tant que valeur initiale donnée sera en mesure de résoudre cette équation, donc nous pouvons connaître les coordonnées de tous les atomes à tout moment, cela est une question à sec de simulation moléculaire. Si vous lisez les trois corps, vous vous rendrez vite compte que pour résoudre l'équation exactement, ne peut résoudre le système de deux atomes, cependant, plus d'un système d'atome, vous ne pouvez pas le mettre hors de la solution exacte dans le temps infiniment long, le résultat initial de l'erreur initiale devient très importante, ce qui provoque votre solution devient délicate.
Cependant, les résultats de la modélisation moléculaire veulent pas obtenir le mouvement orbital atomique, mais le mouvement orbital atomique en un temps infinitésimal de la distribution de l'espace de phase, de sorte que les moyens de la distribution d'erreur numérique pour cet effet est en réalité peut être contrôlé . En d'autres termes, si suffisamment de bonne discret, nous obtenons une distribution de plate-forme de distribution pourrait vouloir et la physique cohérente. tentatives de modélisation moléculaire pour E fonction d'énergie pour écrire, et la modélisation moléculaire multi-échelle est d'assurer les coordonnées atomiques de grains grossiers, et ensuite écriture des formes équivalentes.
fonction multidimensionnels dans le traitement des mathématiques traditionnelles est assez difficile, l'apprentissage en profondeur que nous a fourni un outil très utile. Notre objectif est de faire en sorte que la prémisse de calcul premiers principes de précision, peut faire les frais généraux de calcul, et fusionner avec le champ de force classique, autant que possible.
Puis commencez la symétrie d'un problème. Par exemple, un groupe d'atomes tels que les téléphones mobiles, téléphone mobile, puis traduit dans cet espace, ajoutez un vecteur avec les coordonnées de tous les atomes, mais aussi pour faire en sorte que l'écran du téléphone de la même énergie, même si le téléphone est à son tour de l'énergie trop inchangé. Symétrie pour un modèle de réseau de neurones biologiques ou ne peut pas être garantie en termes d'arbitraire ou d'échange de coordonnées traduction peut que la sortie du réseau ne sont pas les mêmes.
Le maintien de la symétrie du modèle, il existe deux approches: la première est marquée molécule dans le système dans l'élément fixe avec un corps, de sorte que la symétrie peut être triée par l'échange de stabiliser les avantages de cette approche est un fort, des inconvénients est fonction de l'énergie entraînera des discontinuités. Une autre observation sur la base de deux, première observation est faite dans le groupe de deux vecteurs, se fait dans le groupe après invariant de rotation, seconde observation i est une somme de coordonnées atomiques voisines, End et plus tard sur le même échange. Sur la base de ces deux points, nous avons conçu les descripteurs soi-disant, et puis nous avons mis en face des descripteurs dans le réseau de neurones, puis sortie à un réseau de neurones qui, afin de maintenir la symétrie de l'ensemble du modèle.
Après notre modèle d'apprentissage profond libéré, d'autres prennent pour résoudre des problèmes pratiques. Par exemple, une Académie royale britannique des sciences pour étudier le silicium, il a déclaré que le champ de force déjà produit silicium solide est difficile à suivre la même description de bien dur, mais la profondeur du modèle que nous pouvons apprendre, il a utilisé pour faire un bain de silicium et obtenu de bons résultats. Une autre est professeur à l'Université de Beijing Normal, il a l'habitude de faire la cinétique de réaction de l'état excité. Dans le passé de la modélisation traditionnelle, la dynamique des deux surfaces d'énergie potentielle de l'état excité de la précision du cône de transition toujours fait, est un problème dans le domaine, notre modèle d'apprentissage profond a une bonne solution à ce problème.
En parlant devant toutes les interactions d'apprentissage profondes exprimées entre les atomes, mais en fait il y a un problème très grave - d'où les données. Nous vous proposons donc des stratégies d'apprentissage actif, peut être le premier à former un modèle de dynamique moléculaire, la dynamique moléculaire, puis passer par une configuration plus moléculaire, tout simplement, est amélioré après chaque modèle fini, pris l'avion pour produire de nouvelles configuration, la nouvelle configuration a été testée, nous avons de grandes erreurs Remarquée réétiquetage, pour enrichir la base de données.
Enfin, en termes d'espace de grande dimension représente la fonction technique de la profondeur apprendre à utiliser l'apprentissage actif, la clé est que l'estimation d'erreur, comment être en mesure de calculer l'erreur estimée par les premiers principes, sera la conception de base.
Cinquième orateur est le professeur Zhang Zhihua de l'Université de Pékin, son rapport intitulé « Les mathématiques du projet - une perspective différente compréhension de l'apprentissage de la machine. »
l'apprentissage de la machine et de l'intelligence artificielle de l'essence est encore très différent, il est simulait pas la pensée et du comportement humain, mais pour améliorer les performances grâce à l'expérience et de manière interactive. En fait, il est l'étude de l'algorithme de sujet, l'algorithme de l'algorithme en fonction du type de données, puis revenez aux données. l'apprentissage de la machine peut être comprise selon cette ligne de pensée: j'ai données, comment l'utiliser comme une représentation, ou d'obtenir une fonction, puis sur cette base dans le but de caractériser la prévision et la prise de décision.
Parmi les plus représentatifs, sans doute est un apprentissage fondé sur des règles, la mise au point de la méthode se caractérise par l'ingénierie, il a également des moyens que le champ est bien conscient de la nécessité, il sera possible de faire cette chose. Cette chose a fait quelques problèmes, comme une fois fait une profonde raisonnement conduirait à la malédiction de la dimensionnalité. Pour résoudre ce problème, une idée simple est la voie à base de règles d'origine, un modèle non linéaire autour de la ville, puis à son tour à la représentation des affaiblisse données de processus, mis au point une machine statistique apprentissage basée sur la théorie des nombres.
Les méthodes statistiques développées pour un certain temps, nous croyons que les données pour représenter cette question est toujours pas dans le passé, peu importe la méthode puissante, des données indiquant si ou non va apporter beaucoup d'ennuis. Puis est apparu une idée simple, que le problème est résolu au moyen de l'apprentissage, qui est que le problème est résolu par la méthode d'apprentissage de la machine.
En fait, le but de cette période d'apprentissage en profondeur ne sont pas uniquement pour la représentation, la clé est un non-linéaire. Ce résultat n'a pas encore trouvé une représentation effective du champ de réseau de traitement du langage naturel, pas si vite sur le domaine du développement de traitement d'image. étude approfondie à l'heure actuelle, un problème auquel sont confrontés sans supervision problème beaucoup plus que il devrait y avoir plus de surveillance et plus complexe. Alors parut une ligne de pensée, le problème de non supervisé et supervisé la formation d'un processus d'apprentissage similaire.
Autrement dit, s'il y a une optimisation des processus, les méthodes d'apprentissage de la machine sont nécessaires pour résoudre le problème, nous supposons que les statistiques dans X pour générer. Donc, si X est continue, je suppose que X est une gaussienne, si X est gaussienne hypothèse est très forte, on peut dire que X est un mélange de gaussiennes. Cette fois, nous avons trouvé, X est un esprit mathématique abstraite et pas de sens physique spécifique, il est une technologie de réseau de neurones naturel ne peut pas être la même que la langue de génération d'image aux étudiants, plutôt que X dans le sens mathématique pour générer. Cette fois-ci contre le développement d'une approche de réseau de nouvelle génération semblable à la résolution de ce problème, il est en fait la façon de former un problème d'optimisation du cadre.
Ainsi que le récent renforcement de l'apprentissage populaire, qui utilise des règles interagissent avec l'environnement pour former un problème d'optimisation de l'apprentissage. Apprentissage par renforcement de l'apprentissage supervisé ont certains a priori, et utilisent ensuite ces pour former un but d'optimisation des connaissances a priori, ce qui est de renforcer les développements actuels en matière d'apprentissage. étude approfondie doit être présenté en 2006, jusqu'en 2012, était l'atterrissage, en fait, cinq ou six ans entre l'apprentissage de la machine grand public dans lequel la maison errance, beaucoup de gens ne vont pas réellement suivi, autrement dit, cela pourrait être un occasion, mais pas une grande opportunité, pas si bon à dire.
Nous savons qu'il ya trois problèmes d'apprentissage automatique: supervisé, apprentissage non supervisé et de renforcement. Alors, que faire avec l'apprentissage statistique est-il? Nous croyons que la branche d'apprentissage statistique originale, nous croyons maintenant que l'apprentissage statistique moderne, mais il est aussi une relation délicate avec les statistiques, l'apprentissage de la machine est un problème de classification, et problème de régression statistique, mais aussi en termes de retour de pas trop essentiellement différent.
De plus, l'apprentissage de la machine ont tendance à former l'optimisation, le modèle, peu importe à quel point vous êtes confus, mais pas les nouvelles données, l'apprentissage de la machine n'est pas utile. De ce point de le comprendre est que, après l'apprentissage est terminée, mais aussi préoccupé par le problème de la généralisation. réussite de l'apprentissage de la machine moderne dit que l'apprentissage en profondeur est non seulement un modèle non-linéaire, mais plutôt une représentation non linéaire. Nous voulons utiliser la machine à apprendre à faire des prédictions, prédites par le calcul venir, de sorte qu'un bon ajustement pour représenter la prédiction finale, et cela représente aussi pour mes calculs.
La profondeur de l'apprentissage est aussi beaucoup de défis, la première est l'exigence de gros volumes de données, apporter trop souvent les paramètres du problème. De plus, je fais cette présentation est basée sur une représentation multi-couche, de sorte que le problème est très non-convexification, ce qui est de ses problèmes fondamentaux. l'apprentissage de la machine à faire attention à quatre questions clés: la généralisation peut être calculée, la stabilité, l'intelligibilité. Maintenant, nous avons mis l'accent sur l'intelligibilité, mais l'accent devrait être mis sur la stabilité et la généralisation de ce niveau. La technologie multi-niveaux, régularisation et spécifications techniques, la technologie de la moyenne de + approche intégrée, adaptative peut nous aider à aborder objectivement ces questions.
Enfin, je résume, pourquoi dois-je mettre en avant le concept de l'ingénierie mathématique. Mathématiques de la théorie des probabilités, l'analyse stochastique de ces choses peuvent être utilisées pour étudier le mécanisme de la grippe aviaire en mathématiques. Même avec le modèle, et enfin que nous devons représenter les résultats calculés. Ce calcul peut être divisé en un total de trois aspects, est d'abord l'analyse des données, l'algorithme de résolution de problèmes en continu, et l'autre est un des algorithmes discrets, cet algorithme peut être considéré comme des structures discrètes, ainsi que à grande échelle des questions d'architecture distribuée. Nous pensons que ceux-ci peuvent être un projet, ces choses peuvent être calculées en ingénierie l'idée des problèmes de données pour les atteindre.
mensonges charme mathématiques appliquées dans les idées les plus importantes et les approches pour poser des questions, non seulement pour prouver des théorèmes, qui est, la technologie d'ingénierie, est un art, il est nécessaire de compléter l'algorithme. Figure non calculé, la différenciation automatique tels outils d'ingénierie, l'apprentissage en profondeur est impossible d'obtenir une promotion. apprentissage en profondeur de nombreuses compétences sont dans les uvres, mais il est aussi quelque chose de mathématiques incluses. Si l'apprentissage de renforcement peut être un grand succès, alors je crois que le développement des mathématiques et l'ingénierie constituera également un pic.
« Zhiyuan Forum - Shuolijichu intelligence artificielle » dans leur premier rapport à cette conclusion réussie du rapport aura lieu le mois prochain sur deux 13 date et la date du 16 mai pour plus d'informations, attention s'il vous plaît Institut de recherche sur l'intelligence artificielle de Pékin Zhiyuan site officiel https://www.baai.ac.cn.
Lei Feng réseau AI Technology Review
