吳恩達解惑六大問題深度學習愈發重要
吳恩達應Quora邀請做了一次在線答疑，回答了從AI的泡沫、倫理、數學、深度學習到職業生涯等六大問題。機械雞編譯如下：
▍人工智能應該受到管制嗎？
AI作為基本技術不應受到管制。
政府要阻止你，在電腦上實操神經網絡也是不切實際的。然而，有AI的應用，例如自動駕駛，需要監管。AI對反壟斷（監管壟斷）也有新的影響，監管機構尚未深入思考，但應該重點關注。
關于人工智能法規的討論，大部分來源于對“高能AI”或“邪惡的殺手機器人”認識的恐懼，而不是更深入地了解，自己能做和不能做的事情的后果。由于今天的AI還不成熟，但發展迅速，任何國家的強硬監管都會阻礙該國的AI進展。
然而，一些人工智能用例需要監管來保護個人。汽車行業已受到嚴格監管，以確保安全。通過自動駕駛等新的AI功能，通過這些規則如何改變是值得思考的，這將有助于整個行業。
其他領域也一樣，包括制藥、軍控、金融市場等。但是，監管應該是針對某一個行業的，并且基于對用例的深思熟慮，以及我們在特定產業而不是基本技術上看到的結果。
政府也可以發揮重要的作用，幫助在不遠的未來那些受AI影響而失去工作的人，例如提供基本收入和再培訓。
▍深度學習泡沫什么時候爆發？
大約100年前還有很多關于電力的炒作。那個泡沫還沒有爆發，我們發現電力很有用！
更嚴重的是，由于深度學習已經創造了大量的價值 - 它用于網絡搜索、廣告、語音識別、推薦系統等等。深度學習，還有更廣泛的其他AI工具（圖形模型，KR等），現在有一個明確的行業轉型方向。
深度學習的影響將超越科技界。
盡管如此，我認為在核心技術之外，有一些過分夸張的對“感知力AI”的期望；我也和多位CEO聊過，似乎他們認為，AI可以是所有技術問題的靈丹妙藥。
所以，在深度學習中有一些不可避免的泡沫，我希望這些較小的泡沫會爆發 - 越早越好，在他們有時間發展壯大之前。
▍完成您的Coursera機器學習課程后，可以做些什么項目？
構思新項目的好方法是，花時間溫習借鑒已有的項目。關于你的大腦如何工作，是一件神奇的事情。
很多藝術家通過復制大師的作品來學習繪畫 - 如果你參觀美術館，有時候你有時會看到藝術學生，坐在地板上試圖復制展覽的藝術作品。同樣，很多研究人員通過在舊的研究論文中復制結果，來學習發明新的算法。
對于我來說，正是通過在不同的公司看到很多實際的ML使用案例，幫助我現在定期為ML轉型公司找到新的機會。
所以，如果你想知道如何做有趣的項目，閱讀（也許復制）你喜歡的項目，你會找到靈感。你可以參考，我斯坦福大學的這個項目：2016年秋，CS 229機器學習最終項目（http://cs229.stanford.edu/projects2016.html）
最后，當您完成一個有趣的項目時，請編寫一個Arxiv論文或博客文章，或者在github上開源代碼，并與社區分享！這樣，其他人現在可以反過來學習你。此外，你還可以獲得更多的反饋，從而加速你的學習。
除了研究以前的例子，我還花時間和人聊天，包括除了ML以外的地區的專家（例如，我花費了大量時間與醫療保健專家進行交談），這通常會激發新項目在ML和醫療保健等領域。
▍機器學習的初學者，在MOOC學完了機器學習和深度學習課程，怎樣更進一步？
課程是非常有效的學習方式，所以這么做是有道理的。在完成ML MOOC（ml-class.org）和深度學習課程（http://deeplearning.ai）之后，你可以這么做：
在Twitter上關注ML的科學家，看看哪些研究論文/博客文章等值得研究。
復現他人發表的結果。這是一個掌握ML非常有效但卻被低估的方式?？吹胶芏嘈碌乃固垢４髮W博士生成長為出色的研究人員，我可以自信地說，復現他人的成果（不只是閱讀論文）是最有效的方式之一，這樣能確保你了解最新的細節算法。
當你看完足夠多的論文/博客，并復現足夠多的結果后，很奇妙地，你會開始產生自己的意見和想法。當你自己建立新的東西時，發表一篇論文或博客文章，并考慮開源代碼，與社區分享！這將有助于你從社區獲得更多反饋，并進一步加速你學習的過程。
參加活動，如在線比賽，線下討論會，參加（或觀看在線視頻）好的AI/ML/視覺/NLP/語音學術大會，比如ICML，NIPS和ICLR等會議。
找朋友實踐。你可以自己取得很大的進步，但跟朋友交換意見和想法將有助于你學習，并使學習過程更有趣。如果你認識教授，博士生或優秀研究人員，也可以與他們多交流。有時候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun這些人交流5分鐘就學到一大堆的東西。
盡管跟朋友有合作很重要，但如果你朋友不同意你的想法，有時候你仍然應該去做，自己嘗試去實現。Geoff Hinton在接受deeplearning.ai采訪中說過類似的話。
▍應該掌握那些數學知識，以便能夠在機器學習和AI領域拿到碩士學位？
我認為機器學習的、最重要的數學知識順序：
線性代數
概率和統計
微積分（包括多變量微積分）
優化
這之外的其他數學知識相關度都很低低。我發現信息理論也有幫助。你可以在Coursera或大多數大學找到所有這些課程。
我認為有機會學習相關數學和機器學習的博士已經減少了，因為機器學習已經變得更偏向經驗（基于實驗），較少理論，特別是深度學習的興起，讓這一趨勢更加明顯。
我在讀博士的時候，很喜歡真實的分析，也研究了微分幾何，測量理論和代數幾何。你如果能了解這些領域當然更好，但如果時間有限，你可以考慮用更多的時間學習機器學習本身，甚至研究一些建立AI系統的其他技術基礎，例如正在建設大型數據系統和如何組織巨型數據庫以及HPC（高性能計算）的算法。
祝你好運！
▍我有一個小孩，她應該如何開啟自己的職業生涯，來面對15年后的AI的世界。我應該教她的Python嗎？
是的，請教她代碼。更重要的是，培養她能夠繼續學習的能力。
在CS世界中，我們所有人都習慣于，每5年就要跳到新技術和思維模式（互聯網 - 》云 - 》手機 - 》 AI /機器學習），所以CS人習慣于一直在學習新事物。
現在改變的是，CS幾乎影響了所有行業。所以現在不僅僅是CS世界每幾年都要改變，而是現在每個人都需要改變。
我也認為（差不多）每個人都應該學習代碼。
今天我們處于一個很少人可以編程的時代，這個時代的代碼，是針對大眾編寫的。
但是，如果每個人都可以編寫代碼，也許一個角落里，小店的夫妻可以編寫幾行代碼，來定制他們的LCD顯示屏，用于本周的促銷活動；或者也許丈夫可以寫一個簡單的應用程序，其唯一的用戶將是他的妻子，就像他今天可以發送一封電子郵件一樣，專為妻子而寫。
知識改變了人與人之間的交流。 現在，人機交流也變得越來越重要，編程能力將成為可以預見的未來，最深層次的人機交流的基礎。
所以，我不同意那些認為世界只需要幾百萬程序員的人；我認為幾乎每個人都應該學習編程，就像每個人都應該學習閱讀/寫作一樣。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%