用于實(shí)現(xiàn)AI、大數(shù)據(jù)、和數(shù)據(jù)科學(xué)的十大類算法資料下載

算法是一系列包含能夠幫助人解決問(wèn)題、完成目標(biāo)任務(wù)的規(guī)則的步驟。用正確的方式把這些步驟和規(guī)則組織起來(lái)，能夠自動(dòng)化算法建立人工智能（AI）。AI能夠幫助我們做大量的分析性工作，讓我們把時(shí)間集中于更有價(jià)值的事情。 AI正在改變我們的職業(yè)、我們的工作方式和我們的企業(yè)文化。AI讓我們得以專注于那些真正關(guān)鍵的技術(shù)，讓人力資源得以充分發(fā)揮他們的長(zhǎng)處。但在工作場(chǎng)景中應(yīng)用AI確實(shí)會(huì)讓事情變得復(fù)雜，因?yàn)橛懈鞣N不同層級(jí)的算法可以用于實(shí)現(xiàn)AI，每一類的使用和影響都有差別。為了更好地平衡人力資本和AI資本，本文作者介紹了用于實(shí)現(xiàn)AI、大數(shù)據(jù)、和數(shù)據(jù)科學(xué)的十大類算法，以及它們分別擅長(zhǎng)的任務(wù)。 1. Crunchers 這些算法使用比較少的重復(fù)步驟和較為簡(jiǎn)單的規(guī)則處理（crunch）復(fù)雜問(wèn)題。我們給這些算法提供數(shù)據(jù)，它們就能得出一個(gè)答案。如果我們不喜歡這個(gè)答案，可以給算法提供更多的數(shù)據(jù)，讓算法調(diào)整答案。Cruncher類算法擅長(zhǎng)客戶分類、預(yù)估項(xiàng)目持續(xù)時(shí)間、分析調(diào)查數(shù)據(jù)等任務(wù)。 2. Guides 這些算法為我們?cè)鯓痈鶕?jù)成功的歷史操作得出最好的策略、步驟或工作流提供指南（guides）。指南類算法擅長(zhǎng)協(xié)調(diào)大量需要理解并執(zhí)行如風(fēng)險(xiǎn)管理、戰(zhàn)略改變、復(fù)雜項(xiàng)目管理等事情的動(dòng)態(tài)部件。 3. Advisors 這些算法基于歷史規(guī)律為我們提供預(yù)測(cè)、排名、成功的可能性等，對(duì)我們提出最佳選擇的建議（advise）。建議類（advisors）算法擅長(zhǎng)提出決策、規(guī)劃和風(fēng)險(xiǎn)緩解方面的建議。 4. Predictors 這些算法使用解釋歷史行為和歷史事件的小型可重復(fù)性決定和判斷來(lái)對(duì)未來(lái)的人類行為和事件作出預(yù)測(cè)。預(yù)測(cè)類（predictors）算法擅長(zhǎng)商業(yè)規(guī)劃、市場(chǎng)預(yù)測(cè)、品牌管理、健康診斷，以及預(yù)測(cè)消費(fèi)者行為、品牌吸引力、欺詐行為、營(yíng)銷機(jī)會(huì)、氣候事件以及疾病爆發(fā)等。 5. TacTIcians 這些算法在戰(zhàn)術(shù)上（tacTIcally）預(yù)先考慮短期行為并作出相應(yīng)的反應(yīng)。它們通過(guò)應(yīng)用短期戰(zhàn)術(shù)規(guī)則（short-term tacTIcal rules）的組合以及從相關(guān)人員中學(xué)來(lái)的信息做到這一點(diǎn)。戰(zhàn)術(shù)類（tacTIcians）算法擅長(zhǎng)平衡供應(yīng)鏈、系統(tǒng)性能、人力工作負(fù)荷和生產(chǎn)線。 6. Strategists 這些算法從策略上（strategically）預(yù)測(cè)行為并作相應(yīng)的計(jì)劃。策略類（strategists）算法根據(jù)過(guò)去的數(shù)據(jù)發(fā)掘洞察和創(chuàng)新機(jī)會(huì)。它們通過(guò)應(yīng)用短期規(guī)則和長(zhǎng)期規(guī)則的組合、從相關(guān)人員中學(xué)來(lái)的信息以及這些人在不同的環(huán)境中的反應(yīng)來(lái)做到這一點(diǎn)。 策略類（strategists）算法擅長(zhǎng)預(yù)測(cè)市場(chǎng)需求、客戶流失、工作效率以及員工流失。 7. Lifters 這些算法能夠代替我們自動(dòng)完成重復(fù)性的任務(wù)，讓我們能夠?qū)Ｗ⒂诟袃r(jià)值的工作。lifters類算法擅長(zhǎng)分析和識(shí)別規(guī)則、欺詐行為、風(fēng)險(xiǎn)、改進(jìn)、轉(zhuǎn)型、機(jī)會(huì)和創(chuàng)新等中重復(fù)的模式和差距。 8. Partners 這些算法具有我們的領(lǐng)域中的許多專業(yè)知識(shí)，能讓我們更高效、更專注。合作伙伴類（partners）算法擅長(zhǎng)為我們提出建議、提供訓(xùn)練，讓我們密切了解市場(chǎng)變化，并調(diào)整每日、每季度以及每年的目標(biāo)。Partners理解我們的行為模式，知道我們何時(shí)應(yīng)該吃午飯，氣溫達(dá)到幾度時(shí)需要開空調(diào)等等。 9. Okays 這些算法在多個(gè)領(lǐng)域具有專業(yè)知識(shí)，能夠代替我們的團(tuán)隊(duì)完成全部分析工作。算法完成分析后，團(tuán)隊(duì)中的每個(gè)人分別根據(jù)自己的專業(yè)技能審核分析結(jié)果，然后通過(guò)（okay）結(jié)果。Okays類算法擅長(zhǎng)從各個(gè)角度深入分析物體構(gòu)建大型圖像，可用于業(yè)務(wù)規(guī)劃、戰(zhàn)略改變、文化轉(zhuǎn)型等。 10. Supervisors 這些算法對(duì)我們的工作具有關(guān)鍵作用。它們能夠管理工作者及其業(yè)務(wù)，使企業(yè)保持生產(chǎn)效率和財(cái)力的強(qiáng)健。監(jiān)督類（supervisors）算法能夠協(xié)調(diào)人力一起其他算法，幫助我們實(shí)現(xiàn)長(zhǎng)期的戰(zhàn)略發(fā)展目標(biāo)。 AI是我們?cè)谌蛏虡I(yè)舞臺(tái)上生存的關(guān)鍵。僅以人類資本參與競(jìng)爭(zhēng)是不夠的，我們不僅需要AI來(lái)代替我們自動(dòng)化工作，讓我們的創(chuàng)新力有更大的發(fā)揮，而且需要AI 來(lái)改變我們的行為、習(xí)慣以及工作風(fēng)格，以使我們保持競(jìng)爭(zhēng)力。為了保持我們的競(jìng)爭(zhēng)優(yōu)勢(shì)，我們必須理解AI如何工作，同時(shí)AI也必須理解我們?nèi)绾喂ぷ?。而為了理解我們?nèi)绾喂ぷ?，AI必須理解情緒智能（Emotional Intelligence）。 延伸閱讀：谷歌人工智能新進(jìn)展，只看一次圖片就能認(rèn)得圖中物體 計(jì)算機(jī)算法通常需要成千上萬(wàn)個(gè)例子才能學(xué)會(huì)一件事情，但谷歌DeepMind的研究人員卻找到一種繞過(guò)這一流程的方法。 我們多數(shù)人看過(guò)某個(gè)東西一兩次后都能認(rèn)出這種物體。但計(jì)算機(jī)視覺識(shí)別和語(yǔ)音識(shí)別算法卻需要成千上萬(wàn)個(gè)例子才熟悉一種新的圖形或單詞。 谷歌DeepMind研究人員現(xiàn)在找到了一種新的方法，他們對(duì)深度學(xué)習(xí)算法進(jìn)行了一些調(diào)整，使之只需通過(guò)一個(gè)例子便可認(rèn)出圖像中的物體或其他東西——他們稱之為“單次學(xué)習(xí)”。該團(tuán)隊(duì)針對(duì)大量添加了標(biāo)簽的圖片以及手寫字體和語(yǔ)言對(duì)此進(jìn)行了驗(yàn)證。 最好的算法的確能夠可靠地識(shí)別物體，但由于需要龐大的數(shù)據(jù)，所以非常耗費(fèi)時(shí)間和金錢。例如，想要讓算法識(shí)別出道路上的汽車，就需要為其提供成千上萬(wàn)個(gè)例子才能在無(wú)人駕駛汽車中實(shí)現(xiàn)可靠的準(zhǔn)確率。但要收集如此多的數(shù)據(jù)通常并不實(shí)際——例如，不可能為了讓一個(gè)機(jī)器人在一套不熟悉的房子里行走而為其提供長(zhǎng)時(shí)間的學(xué)習(xí)機(jī)會(huì)。 谷歌DeepMind研究員奧里奧爾·溫亞爾斯（Oriol Vinyals）在深度學(xué)習(xí)系統(tǒng)中增加了一個(gè)記憶組件。該團(tuán)隊(duì)利用一個(gè)名為ImageNet的標(biāo)記圖片數(shù)據(jù)庫(kù)對(duì)該系統(tǒng)的能力進(jìn)行了驗(yàn)證。 這套軟件仍然需要分析數(shù)百種圖片，但此后卻可以學(xué)會(huì)用一張照片識(shí)別新的物體。它本質(zhì)上是通過(guò)分析圖片中的獨(dú)特元素來(lái)完成識(shí)別任務(wù)的。這種算法只需要看一一個(gè)例子，便可達(dá)到近似于傳統(tǒng)深度學(xué)習(xí)系統(tǒng)的準(zhǔn)確率。 溫亞爾斯稱，如果能夠快速識(shí)別出一個(gè)新單詞的意思，這項(xiàng)技術(shù)的用途便會(huì)得到明確體現(xiàn)。這對(duì)谷歌非常有用，因此該公司可以借此快速學(xué)習(xí)某個(gè)新的搜索項(xiàng)的含義。 之前也曾有人開發(fā)過(guò)單次學(xué)習(xí)系統(tǒng)，但通常不兼容深度學(xué)習(xí)系統(tǒng)?！拔艺J(rèn)為這是一種很有趣的方法，它提供了一種新穎的方式對(duì)大規(guī)模的數(shù)據(jù)庫(kù)進(jìn)行單次學(xué)習(xí)。”韓國(guó)先進(jìn)科技學(xué)院大腦和機(jī)器智能實(shí)驗(yàn)室主任Sang Wan Lee說(shuō)，“這為人工智能社區(qū)做出了技術(shù)貢獻(xiàn)，計(jì)算機(jī)視覺研究人員可能非常重視此事。” 但也有人對(duì)這項(xiàng)技術(shù)的用途提出質(zhì)疑，畢竟它與人類的學(xué)習(xí)方法存在很大差異。例如，哈佛大學(xué)腦科學(xué)系副教授山姆·格什曼（Sam Gershman）表示，人類通常是通過(guò)理解一張圖像的組成元素來(lái)學(xué)習(xí)的，這需要一些實(shí)際的知識(shí)或嘗試。例如，“賽格威可能看上去與自行車或摩托車大不相同，但它卻可以使用相同的零件。” 不過(guò)，格什曼和Sang Wan Lee都表示，機(jī)器要在學(xué)習(xí)能力上比拼人類仍然要經(jīng)過(guò)一段時(shí)間的發(fā)展。“我們遠(yuǎn)遠(yuǎn)沒(méi)有揭開人類單次學(xué)習(xí)的秘密。”他說(shuō)Sang Wan Lee說(shuō)。 (mbbeetchina)