2018/7/16 初学者

Posted 2020-12-05 maccus

一、复杂系统

predicting the Unpredictable

1.Math from its birth

　　最早的数学来自于古埃及土地测量学，中国也出现古老的《九章算术》，逐渐发展成为了物理学、化学等学科的基础，以及我们现在的大数据都是以数学为基础，都是因为数学模型这个对现实抽象的一个工具。真正的数学模型首先起源于古希腊，用圆代替地球运行轨道，球代替地球本身等。

 具有代表数学模型（物理学和天文学）：

 （1）托勒玫提出的托勒玫宇宙模型系统 ：非常精确预测每年日历、月历，比日心说的预测都要精确。

 （2）开普勒三定律：基于其老师的大量的测量数据。

 （3）牛顿力学体系：牛顿三定律、万有引力定律。是推动工业革命的发动机，第一次大规模广泛运用数学模型。

 （4）哈密顿分析力学：拉格朗日和哈密顿方程，推广了牛顿力学，使牛顿力学体系运用在除力学以外的其他物理学分支，例如热学、电学、光学、量子力学等。

　　牛顿力学给人们带来一种希望，只要有大量数据，就可以通过牛顿力学来预测一切事物的变化与发展，例如股市、自然灾害甚至于人类本身的思维等，但是牛顿力学在这些领域被证明是失败的。

 

2.Compleity ruins predictation

 

（1）Randomness              随机性：无处不在的随机性使得确定的预测成为一种不可能，对每个事物的影响的因素会有很多，导致事物的不确定性很大。

（2）Chaos                         混沌：初始条件的细微改变，使得结果的影响很大。例如：“三体问题”。

（3）Reflectivity                 反身性：观察者的观察对象的纠缠，导致观察者会影响测量物体。

（4）Nework Effect            网络效应：大量简单的个体行为对整体对系统都会有或多或少的影响。

（5）History Dependency  历史依赖性：此刻的状态取决于之前的状态的集合，预测需要包含无数过去信息。

 

简单个体的相互作用可以产生复杂的宏观现象，例如：磁性

复杂系统：是一种模块化的系统，普通节点一般只和相连的Hub（中心节点）节点相连接，例如：股票，社交等等

 

 

感受：听着网络效应、不确定性、混沌，一个细节的简单改变就会带来结果上很大的改变，就不由自主的想起了小学看过的一个马掌钉的故事 

       少了一个铁钉,丢了一个马掌,

　　少了一个马掌,丢了一匹战马,

　　丢了一匹战马,败了一场战役,

　　败了一场战役,失了一个国家。

 二.大数据与机器学习

1.人们经常认为只要数据足够多，可以预测一切，但是显然并不是那么简单。

• 一直增加信息收集，却无法通过越来越多的信息，下定结论。
• 谷歌流感计划：通过人们在谷歌的大量点击搜索流感的特征的查询，可以预测流感的爆发，然而通过数据显示，显然这个计划并没有他们想象中那么靠谱，信息的天然复杂性和数据噪声的影响中，想要通过数据来预测并不是那么简单。
• Trump的选举成功：之前的无数次民意调查中很显然，与大众支持率持续很高的希拉里相比，他的选举貌似从开始就是希望不大，但是结果出来的那一天，就突然发生了极大的反转。人们又一次对大数据产生了怀疑，它是否真的有用。
• 大数据在复杂性面前成为了小数据，多维度的复杂系统下，大数据也不再那么可以继续发挥它应有的作用。
• 复杂性面前没有大数据。

2.拯救大数据

算法是拯救这一切的一个重要的、非常有效的办法，可以提炼更加有效的信息

效果：剔除噪声，“萃取”有效信息，变化成行动的action，得到反馈，然后改进算法。

 

 

 三.人工智能的三个阶段

 

 

 

1.符号时代：

可编程：

• 编为0.1，程序让计算机执行。
• 但是因为复杂性，新请情况无限，符号无法适用。

2.控制时代:

算法：

出现很多统计模型，自己适应调整：

PCA、Logistic vegrssion、决策树、贝叶斯网络

• 使用数据改变自身结构，通过实际数据自己学习
• 模拟人的思维

3.连接时代:

深度学习：深度卷积网，GPU的运算可以更好的训练神经网络。

特征学习、特征工程，因为电脑很长一段时间只能完成线性的“一刀切”的分类，所以就需要寻找新特征。

4.人工智能的应用：

• document classification 文本分类
• entertainment 娱乐 例如：Netflix
• vision 视觉
• speech recognition 听觉
• machine translation 翻译 RNN
• AI designer 设计师，换装展示效果
• AI business detection  商业
• financial AI report 金融
• Agriculture 农业 例如：拖拉机（blue river公司）、卫星（佳格天地）  是很有潜力的领域
• medicine 医疗                                                                                      核心领域
• detecting Earthquake 网络协同， 同一地区，很多设备同时检测到震感
• AlphaGo 
• 无人驾驶    各个公司多重布局，                                                             革命性领域

 

 

感受：人工智能的学习不是简单的从无到有，而是系统的自我改进，重在通过数据学习进行反馈。

          人工智能的运用是在需要个性化比较强，注重个体差别的、或是需要大量数据经验来判断特征的领域

          复杂性下，大数据既然不够用，就用复杂的神经网络，复杂对抗复杂。