大數(shù)據(jù)文摘出品

編譯：JIN、Hope、蔣寶尚

題圖上這張在社交媒體上瘋狂傳播的惡搞漫畫博得了不少轉(zhuǎn)發(fā)，這似乎暗示著，對機(jī)器學(xué)習(xí)的炒作熱度開始消退。然而，機(jī)器學(xué)習(xí)真的只是被美化的統(tǒng)計學(xué)嗎?

哈佛大學(xué)數(shù)據(jù)科學(xué)碩士、機(jī)器學(xué)習(xí)從業(yè)者Joe Davison認(rèn)為，遠(yuǎn)不止如此。

他從統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)分別出發(fā)，對比了兩者的不同之處，希望讓人們正確認(rèn)知機(jī)器學(xué)習(xí)和人工智能。這篇博客在海外科技網(wǎng)站Medium上獲得了超過7.4k的認(rèn)同。

一起來看看。

越來越多的人都開始認(rèn)為機(jī)器學(xué)習(xí)真的沒有什么可值得興奮的，它只不過是對老舊的統(tǒng)計技術(shù)的重新包裝罷了。

然而問題是，事實并非如此。

可以看出，深度學(xué)習(xí)傳播的狂熱分子不流行了。甚至是那些站在科學(xué)頂端的專家們，現(xiàn)在對使用這個術(shù)語都失去了極大的熱情，僅剩些許懊惱，反而更傾向于淡化現(xiàn)代神經(jīng)網(wǎng)絡(luò)的力量，避免讓大量群眾認(rèn)為 import keras 能夠克服每一個障礙。

就像Yann LeCun所說的那樣，雖然深度學(xué)習(xí)已經(jīng)超過機(jī)器學(xué)習(xí)成為新的流行詞，但是這種對態(tài)度的過度矯正導(dǎo)致了人們對人工智能的發(fā)展、未來和實用性產(chǎn)生了不良的懷疑。另外，現(xiàn)在流傳著人工智能冬季即將逼近的說法，從這一點就可以預(yù)見，人工智能研究會像過去幾十年那樣停滯不前。

本文不是要反對人工智能冬季的說法，也并非要爭論機(jī)器學(xué)習(xí)的發(fā)展都應(yīng)歸功于某一個學(xué)術(shù)團(tuán)體而非其他。本文論述的目的在于要正確的評估機(jī)器學(xué)習(xí)。人工智能可見的發(fā)展不僅僅局限于大型計算機(jī)和更優(yōu)的數(shù)據(jù)集。近期在深度神經(jīng)網(wǎng)絡(luò)及其相關(guān)領(lǐng)域的成功，正說明了機(jī)器學(xué)習(xí)代表著科學(xué)技術(shù)進(jìn)步的最前沿。

機(jī)器學(xué)習(xí)!=統(tǒng)計學(xué)

正如標(biāo)題所說，本文主要強(qiáng)調(diào)機(jī)器學(xué)習(xí)不只是統(tǒng)計學(xué)的美化。當(dāng)然，這種“統(tǒng)計學(xué)的美化”觀念的形成是不無道理的，因為在機(jī)器學(xué)習(xí)中廣泛使用了統(tǒng)計學(xué)的概念，如回歸、權(quán)重、偏差、模型等等。

[[241471]]

另外，許多模型都近似于統(tǒng)計函數(shù)：由邏輯組成的分類模型的softmax輸出;將訓(xùn)練圖像分類器的過程處理為邏輯回歸。

雖然，單從技術(shù)角度來說，這種觀念思路是正確的，但將整個機(jī)器學(xué)習(xí)簡單歸化為統(tǒng)計學(xué)的附屬物就太過一概而論了。統(tǒng)計學(xué)是數(shù)學(xué)領(lǐng)域，涉及對數(shù)據(jù)的理解和解釋。機(jī)器學(xué)習(xí)則只是一類計算算法(所以，它其實誕生于計算機(jī)科學(xué))。

在許多情況下，這些算法在幫助理解數(shù)據(jù)方面完全無用，并且只能在無法解釋的預(yù)測模型中發(fā)揮一些作用。在某些情況下，例如在強(qiáng)化學(xué)習(xí)中，算法甚至根本不會使用到已有的數(shù)據(jù)集。此外，在圖像處理的情況下，將像素作為特征，將圖像作為數(shù)據(jù)集的處理方式也只不過是開始時的延申。

當(dāng)然，這并非意味著機(jī)器學(xué)習(xí)的發(fā)展就全都?xì)w功于計算機(jī)科學(xué)家，而非統(tǒng)計學(xué)家。像任何研究領(lǐng)域一樣，機(jī)器學(xué)習(xí)今天的成功是多個學(xué)術(shù)領(lǐng)域共同努力的結(jié)果，而統(tǒng)計學(xué)和數(shù)學(xué)則是貢獻(xiàn)最大的領(lǐng)域。

然而，如果要正確評估機(jī)器學(xué)習(xí)方法的強(qiáng)大影響力和潛力，首先就需要糾正錯誤觀念：人工智能的現(xiàn)代發(fā)展也不過是老舊的統(tǒng)計技術(shù)有了更大的計算機(jī)和更好的數(shù)據(jù)集。

機(jī)器學(xué)習(xí)不需要高級統(tǒng)計學(xué)知識

[[241472]]

這里我想說，在學(xué)習(xí)機(jī)器學(xué)習(xí)期間，我有幸參加了一個深度學(xué)習(xí)技術(shù)的精彩課程，這是我本科計算機(jī)科學(xué)課程的一部分。在我們指定的項目中，就有一個是在TensorFlow中執(zhí)行和訓(xùn)練Wasserstein GAN。

當(dāng)時，我僅僅只上過一門統(tǒng)計導(dǎo)論的選修課，并且大部分內(nèi)容我也已經(jīng)忘記了，此次看來，我的統(tǒng)計技能并不是很強(qiáng)。但是，我依舊能夠讀懂一篇關(guān)于最新的生成機(jī)器學(xué)習(xí)模型的論文，并且能夠從頭執(zhí)行，實現(xiàn)操作，并通過在MS Celebs數(shù)據(jù)集上訓(xùn)練，從而生成非常有說服力的虛假圖像。

整個課程中，我的同學(xué)和我成功地訓(xùn)練了癌組織圖像分割，神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯，基于字符的文本生成和圖像樣式轉(zhuǎn)換，所有這些都只使用了過去幾年發(fā)明的機(jī)器學(xué)習(xí)的最新技術(shù)。

但是，如果你問我，或是那個班級的大多數(shù)學(xué)生，如何計算人口方差，或者定義邊緣概率，我們對此一無所知。

這似乎就與人工智能僅僅是對古老統(tǒng)計技術(shù)的重塑的說法有些不符了。

必須承認(rèn)的一點的是，在深度學(xué)習(xí)課程中，機(jī)器學(xué)習(xí)專家可能確實比計算機(jī)科學(xué)的本科生有更扎實的統(tǒng)計學(xué)基礎(chǔ)。除此之外，一般而言，信息理論需要對數(shù)據(jù)和概率有很強(qiáng)的理解能力，所以我建議，如果你有興趣成為數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)工程師，最好能夠?qū)W習(xí)統(tǒng)計學(xué)知識，發(fā)展統(tǒng)計技能，培養(yǎng)統(tǒng)計直覺。

但現(xiàn)在依然存在的問題是：如果機(jī)器學(xué)習(xí)僅僅只是統(tǒng)計學(xué)的附屬物，那么為什么沒有統(tǒng)計學(xué)背景的人同樣能夠深入理解機(jī)器學(xué)習(xí)的前沿概念呢?

[[241473]]

另外還應(yīng)該承認(rèn)的一點是，許多機(jī)器學(xué)習(xí)算法需要比大多數(shù)神經(jīng)網(wǎng)絡(luò)技術(shù)更強(qiáng)的統(tǒng)計學(xué)和概率學(xué)背景，但是這些方法通常被稱為統(tǒng)計機(jī)器學(xué)習(xí)或統(tǒng)計學(xué)習(xí)，以此來減少統(tǒng)計學(xué)的色彩，將其與常規(guī)的統(tǒng)計學(xué)區(qū)分開。

同時，在近年來機(jī)器學(xué)習(xí)大熱的創(chuàng)新技術(shù)中，大多數(shù)都屬于神經(jīng)網(wǎng)絡(luò)領(lǐng)域，所以可以說，機(jī)器學(xué)習(xí)并不是統(tǒng)計學(xué)。

當(dāng)然，機(jī)器學(xué)習(xí)也并非獨樹成林。實際上，任何人想要很好的應(yīng)用機(jī)器學(xué)習(xí)，都會面臨各類數(shù)據(jù)處理的問題，因此，擁有對統(tǒng)計數(shù)據(jù)的理解力也是很有必要的。這并非說機(jī)器學(xué)習(xí)決不會使用到統(tǒng)計概念，同樣也不能一概而論地說機(jī)器學(xué)習(xí)就是統(tǒng)計學(xué)。

機(jī)器學(xué)習(xí)=映射+評估+優(yōu)化

客觀來說，我和同班同學(xué)在算法、計算復(fù)雜性、優(yōu)化方法，微積分、線性代數(shù)甚至一些概率方面都有很強(qiáng)的基礎(chǔ)。我認(rèn)為，上面提到的知識都與我們所處理的問題相關(guān)，高級統(tǒng)計學(xué)則無法解決這些問題。

[[241474]]

機(jī)器學(xué)習(xí)是一類計算算法，它采用迭代“學(xué)習(xí)”的方法向某個函數(shù)逼近。華盛頓大學(xué)計算機(jī)科學(xué)教授Pedro Domingos提出了構(gòu)成機(jī)器學(xué)習(xí)算法的三個組成部分：映射、評估和優(yōu)化。

• 映射(Representation)就是把輸入從一個空間轉(zhuǎn)化到另一個更加有用的空間。在卷積神經(jīng)網(wǎng)絡(luò)中，原始像素對于區(qū)分貓狗的作用不大，因此我們把這些像素映射到另一個空間中(例如從softmax輸出的邏輯值)，使其能夠被解釋和評估。
• 評估(Evaluation)的本質(zhì)就是損失函數(shù)。你的算法是否有效地把數(shù)據(jù)轉(zhuǎn)化到另一個更有用的空間?你在softmax的輸出與在one-hot編碼的分類結(jié)果是否相近?你是否正確預(yù)測了展開文本序列中下一個會出現(xiàn)的單詞(文本RNN)? 你的潛在分布離單位高斯(VAE)相差多少?這些問題的答案可以告訴你映射函數(shù)是否有效;更重要的是，它們定義了你需要學(xué)習(xí)的內(nèi)容。
• 優(yōu)化(Optimization)是拼圖的最后一塊。當(dāng)你有了評估的方法之后，你可以對映射函數(shù)進(jìn)行優(yōu)化，然后提高你的評估參數(shù)。在神經(jīng)網(wǎng)絡(luò)中，這通常意味著使用一些隨機(jī)梯度下降的變量來根據(jù)某些定義的損失函數(shù)更新網(wǎng)絡(luò)的權(quán)重和偏差。 這樣一來，你就擁有了世界上最好的圖像分類器(2012年，杰弗里·辛頓就是這樣做到的)。

在訓(xùn)練圖像分類器時，除了需要注意定義合適的損失函數(shù)之外，映射函數(shù)輸出值是邏輯值并不會有太大的影響。邏輯回歸等這些統(tǒng)計術(shù)語為我們討論模型空間提供了有用的詞匯，但是它們并沒有將優(yōu)化問題重新定義為數(shù)據(jù)理解問題。

深度學(xué)習(xí)技術(shù)

[[241475]]

深度神經(jīng)網(wǎng)絡(luò)進(jìn)一步忽視了統(tǒng)計學(xué)的理念，簡直是淋漓盡致。完全連接的節(jié)點由權(quán)重和偏差組成，似乎也還好，但是卷積層是什么原理?調(diào)整激活函數(shù)?塊的標(biāo)準(zhǔn)化?殘差層?隨機(jī)忽略?記憶和注意機(jī)制?

這些創(chuàng)新對于高性能深度學(xué)習(xí)網(wǎng)絡(luò)至關(guān)重要，但是它們遠(yuǎn)無法與傳統(tǒng)統(tǒng)計技術(shù)相提并論(因為它們可能壓根就不是統(tǒng)計技術(shù))。

對1億個變量進(jìn)行回歸，沒問題?

我還要指出深度學(xué)習(xí)網(wǎng)絡(luò)和傳統(tǒng)統(tǒng)計模型的一個差別，就是它們的規(guī)模問題。深度神經(jīng)網(wǎng)絡(luò)的規(guī)模是巨大的。VGG-16 ConvNet架構(gòu)具有1.38億個參數(shù)。如果一個學(xué)生告訴導(dǎo)師要進(jìn)行一個具有超過1億變量的多重線性回歸，他會有什么反應(yīng)?這是很荒謬的。因為VGG-16不是多重線性回歸，它是一種機(jī)器學(xué)習(xí)手段。

新的前沿

在過去的幾年里大家可能花了無數(shù)的時間去閱讀論文、帖子和文章，看到機(jī)器學(xué)習(xí)能夠做很多很炫酷的事情。其實，深度學(xué)習(xí)比以前的這些技術(shù)不僅更加有效，而且它幫助我們解決了完全不一樣的全新的問題。

在2012年以前，涉及非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)的問題是非常有挑戰(zhàn)性的，可訓(xùn)練的CNN和LSTM在使這個任務(wù)邁進(jìn)了一大步。它們在計算機(jī)視覺、自然語言處理、語音識別等領(lǐng)域已經(jīng)取得了非?？捎^的成果，并且在人臉識別、自動駕駛和人機(jī)對話等領(lǐng)域取得了長足的進(jìn)步。

其實，大多數(shù)的機(jī)器學(xué)習(xí)算法最終還是落實到用模型對數(shù)據(jù)進(jìn)行擬合，這能夠被認(rèn)為是一個統(tǒng)計過程。宇宙飛船本質(zhì)來說也就是帶翅膀的飛行機(jī)器，但是我們卻沒有看到有人嘲弄美國宇航局20世界對太空探索的激情，沒有人認(rèn)為這是對飛機(jī)的過度夸張化。

就像太空探索那樣，深度學(xué)習(xí)的到來并沒有解決世界上的所有問題。在很多領(lǐng)域我們還能夠看到有巨大的差距，尤其是在“人工智能”領(lǐng)域。深度學(xué)習(xí)為我們攻堅復(fù)雜非結(jié)構(gòu)化數(shù)據(jù)的問題做出了顯著貢獻(xiàn)。機(jī)器學(xué)習(xí)仍舊是世界技術(shù)進(jìn)步和革新的前沿。這不僅僅是墻上帶著閃亮框架的一個裂縫。

相關(guān)報道：

https://towardsdatascience.com/no-machine-learning-is-not-just-glorified-statistics-26d3952234e3

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文