《学习的演讲稿1》由会员分享，可在线阅读，更多相关《学习的演讲稿1（19页珍藏版）》请在金锄头文库上搜索。
1、学习的演讲稿模板集合7篇 演讲稿具有观点显明,内容具有鼓动性的特点。在当今社会生活中，演讲稿的运用频率越来越高，那么一般演讲稿是怎么写的呢？下面是我收集整理的学习的演讲稿7篇,欢迎大家借鉴与参考，希望对大家有所帮助。学习的演讲稿篇大家好，今日特别兴奋、特别荣幸能参与这样一个盛会。今日我给带来的演讲是我的一点学习心得，题目叫做自学习的人工智能。首先大家都知道在60周年之际,我们首先应当记住的是这位人工智能的先驱,图灵。在他的问题的感召下,我们就有了今日这样的一个盛会和今日人工智能的飞速发展。他的问题,机器可以思维吗？可以从不同的维度来说明,那么首先人类对人工智能的一个探究也可以围绕对问题不同说明
2、的探究。第一个探究,应当说是在逻辑层面的探究。0年头人工智能的这些先驱就考虑用逻辑和搜寻来探讨人工智能，比如下棋、推理，比如说可以去做路径规划等等。那么他们有一个很强的假设,这个假设应当说从某种程度上来说是特别直观的。智能包括计算机可能给予的智能，是来自于计算物理符号的排列组合,我们只要能很聪慧的把这些物理符号排列组合的话，人类是可以从一系列的零和一的组合来得到。有了一些成就之后也发觉这样的假设是有它的瓶颈的。在之后大家又有一部分人着力于探讨能够有学习功能的人工智能,就有不同的学习算法，机器学习的计算法被探讨出来。其中包括大家都熟识的人工神经网络。 人工智能的几个里程碑我们现在也很熟识,第一个
3、大家公认的是里程碑是深蓝，这个竞赛意味着几件事。一个是说在大规模的搜寻的状态下，在可能的状态空间的搜寻，事实上是一个在物理符号的空间的排列组合。也就是说在60年头人们的那些假设有一部分是正确的，我们的确可以从这种搜寻和物理符号的排列组合获得许多的智能。 紧接着的阶段是，学问就是力气，这是随着互联网和大数据到来的一个热潮，从网上,从不同的媒体我们会获得许多数据,把这些数据经过沉淀变成学问，我们就可以赢得像这样一个电视大赛中的人机对战。 这个之后,刚刚芮勇博士也深化的回顾了一下最近的人工智能的突破,就是深度神经网络。深度神经网络的突破从计算上来说有几个好处,其中一个好处是说它把一个全局计算的需求变
4、成一个本地计算的需求,在做到这样的一个同时呢，又不失掉许多的信息,这个是计算机里面多数成就的一个中心点。这样的一个胜利就使得我们能够在不同的层次来视察同一个数据,同样就可以获得我们所谓的大局观。就像这个图,我们在不同的层次可以得到不同的特征。 这里我们要特殊强调的是人工智能也在另外一个方面潜移默化的静默的在耕耘,这个就叫做强化学习。强化学习应当说是用来做人工智能规划的有力工具，但不是唯一的规则。规划这个领域相对深度学习应当说更古老,探讨的力度也许多。但在很长时间一段处于静默状态,这个缘由是因为它在计算上有很大的瓶颈，不能有很大得数据量。一个例子就是强化学习在很长时间以来只能解决一些玩具型的问题
5、,特别小的数据。但是最近的一个突破是oe的epin,把深度学习和强化学习合在一起,这样的一个议题使得许多强化学习所须要突破的瓶颈，就是状态的个数能隐藏起来。这种隐藏就使得强化学习能够大规模的应付数据,就是说应付大数据。它突出的一点叫做端到端的学习，就是说我们在这里看到一个计算机的嬉戏,这个嬉戏的影像是输入端，输出端就是你要进行的下一个动作。这个动作是正确还是不正确，到最终会获得一个反馈，这个反馈不肯定是现在得到,或许是后面几步得到的。这一点和我们刚刚讲的深度学习在图像上面的应用,就大不一样。就更加困难，更加契合人的行为，所以强化学习也是下一个突破。 我们看到这种端到端的深度学习,应用在强化学习
6、上,使得DeepMind到今日在很古老的单人的计算机嬉戏上已经把人类完全击倒，它做到这样是通过完全的自学习，自我修炼、自我改正，然后一个一个迭代。这个就是它迭代的一些结果,从左到右是一个时间轴，从下到上是它得到的效果。我们看到每一个嬉戏它的要求都是在不断成长的,就像我们一个学生在学习的过程当中学到的学问越来越多,这个完全是自我实现,一个自学习的过程。 包括现在的AhaGo也应用了许多自学习的这种效果，使得我们现在最终认清原来人工智能从60年头到20xx年的物理符号的假设，也就是说以搜寻为中心，以逻辑为中心的这种努力并没有白费，这种努力也是须要的。另外学习也是必不行少的,像我们熟知的深度学习。所
7、以haGo对我们的启示，就是我们把两者结合起来，才是一个完整的智能机器。这个我们可以叫做人工智能的通用性，也就是说我们对于这两个技术的某种结合,比方说多一点搜寻,少一点机器学习，或者反之我们够可以得到用来说明不同的人类的智能行为。这种通用型，端到端的学习，可以用这个例子来表达。就是这个鸡可以吃不同的食物,但是它下的蛋都是对人类有用的。这里我要特殊提到一点,我们并不是找到了最终的目标，这也是在不同的人工智能、强化学习，等等之类的试验当中我们发觉一个特点。就是我们不能完全的依靠机器去全部自动化的自我学习,至少到现在我们还没有摸索出这样一个路径。这里是高校的例子，中文是永动机器学习,就是说这个机器不
8、断的在网上爬一些网页，在每个网页里面都学到一些学问，把这些学问综合起来,变成几千万条学问,这些学问又会衍生新的学问。那么我们看到从下到上是随着时间,学问量的增长。那么它到了某一个程度事实上是不能再往上走了,因为学问会自我冲突。这个时候就须要人进来进行一部分的调整，把一部分不正确的学问去掉，让它接着能成长。这个过程为什么会发生呢?是因为机器学习一个很严峻的现象,就是自我偏差,这种偏差就可以体现在这种统计学的一个重要的概念，就是我们获得的数据或许是一个有偏数据，我们可能建了一个模型，对大部分的数据都有用,但其中有一些特例。我们如何来处理这些特例，如何来处理我们训练数据和应用数据之间的偏差，这个是我
9、们下一步要探讨的内容。一个特别有希望的技术叫做迁移学习，比方说这个是在深度学习的模型上，在上面这一部分是一个领域已经训练好的模型。那么在一个新的领域，假如这两个领域之间有某种联系、某种相像性的话，我们就不肯定在新的领域须要那么多的数据来学习，你只须要一小部分。我们之所以能做到这一点是我们可以把大部分的模型给迁移过来,我们人有这种实力，但是我们在做这种数据迁移的过程中，我们肯定要牢记把这种有偏的数据偏差给消退掉。假如能做到这点我们就能做到不同形式的数据之间的学问迁移，比方说我们可以让一个计算机来读许多文字，这样的一个计算机去识别图像，应当比没有读这些文字，干脆去学习图像来的要简单。这个就更像我们
10、人类的学习。这种学习也离不开从下到上,从粗到细这样的一种特征的选择。所以我们又得到另外一个概念，就是特征工程。深度学习给我们的一个有力的工具是能够自动的进行不同层次，进行大规模的新特征的抽取和特征的制造。那么这种特征在搜寻引擎、广告系统上面，可以达到万亿级，也就是说这个已经完全不是人类所可以限制的级别了。那么智能在这样的级别上才可以产生。但是现在人工智能仍旧有一些逆境，比方说如何能够让人工智能来深层的理解文字，有一个闻名的类似于图灵测试的竞赛,深层次理解文字，这个是在自然语言上问一些有歧异的问题，计算机假如要能正确的回答这个问题，那个模型不仅仅理解这些文字，而且要理解深层的背景文字,要理解周边
11、的文字,有许多文化在里面，如何能达到这一点?也是我们须要解决的。 同时深度模型还可以把它反转,成为一种生成膜型。它不仅可以去对数据做一个决策，它还可以自己产生数据，可以产生新的数据。比方说这个是Googl的一些探讨员把一个深层模型里面的感知最深刻的那些图像给描述出来，结果是这样的，就特别好玩的生成膜型。 刚刚讲的不同数字格式之间,文字和图像之间,假如在深层事实上它们的区分已经消逝了。那这样我们就可以对图像去问文字的问题，甚至对文字去问图像的问题。这样数据的形式也就不重要了。 假如我们达到了迁移学习的要点，我们想问下一步是不是可以把全部人类经验过的这些学习的任务给沿着时间轴串起来，能够让机器向人
12、一样的,它的学习实力，它的智能在不断的增长，随着时间。那么它所须要学习的努力程度,样本数也是渐渐削减的。这个也是我们在努力的一个方向。 另外最近发表了一篇文章也说明白迁移学习的重要性。这个文章叫做byesianprogram leari,这是从一个例子就能学会,我们知道深度学习是千万个例子的。事实上它用了我们过去没有涉及到的概念，就叫做结构，假如我们了解了一个问题的结构，那么这个结构的一个详细的形式只用一个例子就可以学会了。其他的部分，须要许多例子的那一部分可能是参数、统计，这一部分我们事实上可以通过迁移学习来学习。也就是说整个这个圆就圆满了,就是一个闭环了。 同时人工智能的应用也不仅仅是在图
13、像方面,这里的一个例子是亚马逊的仓储机器人。亚马逊的仓储机器人是在一个很大的空间,这些机器人会把这些货架,每个货架上面都有不同的货品，把这些货架偷到工人的面前，让工人从货架上面拿所需的货品到箱子里面,然后快递给客户。为什么是这样呢?因为现在的机器人技术在选择,从货架上选择物体还远远不如人的娴熟程度，但是它在路径规划，在机械的启动、抬起、放下已经超过人了。所以亚马逊的就很聪慧的把机器的优点和人的优点结合在一起,变成一个新的商业模式。假如过去建一个仓储在支持这个城市亚马逊全部的物流的话,须要三个月时间,他用了这个把全部的传送带拆掉，变成机器人以后只用三天时间,这个收益是特别巨大的,也就是我们可以借
14、鉴，可以拓展的一个阅历。下面要讲的,不仅在机器人，在图像识别,事实上在我们的生活当中，人工智能已经深化了。这里举的一个例子是我和我的一个学生戴文渊，建的一个公司,第四范式，这个公司可以让过去在金融领域只能由人来服务重要的客户,由人工智能来把这个实力拓展到几千万人，让每个人都享受到优质的金融服务。这是一个特别大的工程。它背后的技术就是机器学习,我们所熟知的深度学习、学问学习、强化学习。 最终我要说几点，我们看到这么多人工智能的努力,人工智能的有失败的时候，有胜利的时候，我们到现在能总结出什么阅历呢?我觉得现在的人工智能的胜利离不开高质量的大数据，但是并不是将来的人工智能的胜利肯定须要大数据。那么
15、我们下面要问是不是在将来有小数据也可以让人工智能胜利,这就是今日我觉得在高校里面应当做的一个探讨,在工业上大家还在开疆拓土,利用大数据的优势在发觉新的应用利于。 其次个，就是要培育出更多的人工智能的人才。这些人才才可以来设计算法,这个也是我们今日在高校里面须要努力的一个方向。当然这些都离不开计算实力。所以从这几点上来看人工智能的努力也不是像有些人说的，今日的人工智能的发展完全在工业，人工智能的发展也应当一部分依靠高校，一部分依靠工业。就像我们所说的大数据和人才的培育，小数据的探讨。那么大数据的开疆拓土更多的应用,和更多的计算实力,的确来自于工业。所以这两种结合我觉得是我们今后发展的一个方向。
16、最终我要说一点,就是说我们应当说已经了解许多深度学习了,这个可以作为我们昨天的一个成就。那么今日我们在刚刚起先去获得强化学习的一个红利，那么这个可能还不是在许多的领域得到应用的，但是我要告知大家的是,强化学习比大家想象的要更有用,比方说它不仅仅是在围棋或者是在计算机嬉戏上。在金融，在我们日常生活当中，甚至在教化上，机器人的规划都离不开强化学习。那么这些应当说都是富人的嬉戏,也就是说只有富人才能有这么多的大数据,有这么多的计算量去支持深度学习和强化学习这样的实际应用。那么我们明天要看到的应当是迁移学习,因为迁移学习能够让我们把大数据得到的模型迁移到小数据上面,使得千千万万的人都能够受益,也就是说人人都能享受人工智能带来的红利。我今日讲到这儿，感谢大家。学习的演讲稿 篇2大家好!我是初三（13）班的李嘉莉。谈到学习，或许有些同学会万分感概，感慨看破红尘也不过如此的无奈，或许有些同学会激情澎湃，
