Machine Learning 5 年之内能做到什么？不可否认，machine　learning　和AI　现在很火。潜力很大，投的钱很多，需要的人才也很多。现在这个时间点，已经有很多领域用上了machine　learning　的技术，比如垃圾邮件识别，siri等一些语音助手。还有一些领域，最然实践意义不大，但也被machine　learning　攻克，比如说围棋。 如果再给Machine　learning　５年的时间，你认为有什么领域可以被machine　learning　攻克？ 自动驾驶？machine　金融分析师？machine　trader?　machine　会计？machine　审计师？该帖荣获当日十大第6，奖励楼主8分以及12华新币，时间：2017-10-16 22:00:04。 (more...)

话说回来,股市和外汇市场已经开始用所谓的历史数据+边界条件来优化模型, 或者在不同模型中优选,也算有点点智能了吧 呵呵, 比很多人强,胜率高点

好莱坞的化妆技术可以识别吗如带个人面蒙皮

研究过ML技术目前来说，理论上还是没啥进步，算法在七八十年代就有了，只是在原有基础上作了各种优化，计算能力的提高以及大规模数据的采集，使得机器学习成为可能，目前的主流算法只能是对历史数据的推导，主动学习还只是停留在理论层面。 自动驾驶实现的可能性不大，目前还有很多技术难点需要克服，比如图像识别这块，图形算法用了ML，在一定范围内提高还是很明显的，但是对于动态环境，尤其是光线变化比较复杂的情况下还是难以胜任的。这个主要是ML理论本身就存在这个缺陷性，样本数据只是历史的总结和推导，而不能对未知环境做出准确的判断，另外一个方面，图像识别的一个难点就是干扰问题，google自动驾驶团队内部做过试验，对大量图片进行训练达到一个比较理想的准确率以后，对这些图片进行一些色彩干扰运算，在人眼看来，差别不大，但是重新给机器做识别，准确率大幅度下降。一个非常尴尬的事实就是，现在所有的自动驾驶如果不依赖预置的地理信息系统，连十字路口的红灯都不能准确识别。更别说图像自动识别了。

ML在色彩处理上是有很大局限性的ML是基于数理统计的向量化而已，在一定程度上提高了准确率，但是也有其极限，这个是算法本身特性决定的，数据量再大也无法突破，只能是无限接近，特定算法只能用于特定场景，人脸识别，棋谱都需要不同的对应算法，这些算法都需要人为的去优化，以达到最优效果。 颜色比较特殊，计算机处理的是数字化数据，非线性连续的，这就给ML带来挑战，需要基础图像识别理论的突破来解决。

改变基础设施带来的自动化就没必要了吧如果需要这样做，那干脆在路周边多放点信号引导汽车得了。目前自动驾驶所做的研究就是试图使机器能像人一样思考，判断。而不是额外增加基础设施投入。 就好像做仿生机器人，就是两条腿，人形，迈步走。如果单纯为了移动，装俩轮子最简单。

这个最终我感觉得三五十年吧谁都知道全部让电脑控制最简单，机器同机器沟通，按照预订的规则行进。路口搞什么联通灯呀。反正都预先沟通好了，到时候就刚刚好谁也不碰到谁，而且机器沟通可以很有效的解决跟车距离，反应时间等问题，大大提高交通效率。 　 但是呢，这个不是一蹴而就的事，辣么多车，辣么多路，怎么可能都全部更新完？所以现阶段的方向，就是让电脑像人一样去判断就好。 (more...)