吴恩达最新问答：深度学习泡沫何时会破？
如何学习机器学习/深度学习？如何从事机器学习方向工作？最近，吴恩达在Quora做了一次最新session。他认为，复现他人发表的结果是一个掌握机器学习非常有效的方式，但作用却被低估了；任何人都能成为机器学习专家，无论目前的知识水平如何，要做的只是不断学习。
Q
深度学习泡沫何时会破？
大约100年前关于电力也有很多炒作。那个泡沫现在也还没破，我们发现电力很有用！
讲真，深度学习已经创造了大量的价值——用于网络搜索，广告，语音识别，推荐系统等等——这些显然是不会消失的。深度学习，还有更广泛的其他AI工具（图模型，规划，KR等），现在都有一个明确的路径在引导行业转型。深度学习的影响将超越科技界。
话虽如此，我认为在核心技术界之外，有一些过分夸张的对「有感知力的AI」（sentient AI）的期望；我也和很多CEO交流过，他们似乎认为AI是所有技术问题的灵丹妙药。所以，在深度学习中是有一些不必要的泡沫，我希望这些较小的泡沫破掉——在它们有时间发展壮大之前，越早破掉越好。
Q
学完你在Coursera上的机器学习课以后可以做些什么项目？
想新项目的一个好方法是花时间研究以前的老项目。
大脑很神奇。当你学习一类工作（例如ML项目）的许多例子后，你能学习概括并想出这类问题新的例子。这也是为什么很多艺术家通过复制大师作品来学习绘画——如果你参观美术馆，你有时会看到艺术生坐在地板上临摹墙上展示的艺术作品。同样，很多研究人员通过复现旧研究论文的结果来学习发明新的算法。对于我来说，正是因为在不同的公司看到了很多实际的ML案例，我现在才能定期为ML转型公司找到新的机会。
所以，如果你想知道如何做有趣的项目，阅读（也许复现）你喜欢的以前的旧项目，你会开始产生你自己的想法。你可以参考我斯坦福大学的学生最近的这个项目：
CS 229机器学习最终项目，2016年秋
（http://cs229.stanford.edu/projects2016.html）
最后，当你完成一个有趣的项目时，请写一篇Arxiv论文或博客文章，也许在Github上开源代码，并与社区分享！这样，其他人现在可以反过来学习你。此外，你还可以获得更多的反馈，从而加速你的学习。
除了研究以前的例子，我还花时间和人聊天，包括ML以外的领域专家（例如，我花费了大量时间与医疗保健专家进行交谈），这通常会激发新项目在ML和医疗保健等领域。
Q
机器学习的初学者，学完了机器学习和深度学习MOOC，怎样才能更进一步，提升到一个新的水平，能够阅读研究论文，并在行业中有贡献？
课程是非常有效的学习方式，作为开始很好。学完以后，下面是你可以采取一些额外的步骤：
关注Twitter上的ML大V，看看他们关注哪些研究论文/博客文章等。去看这些论文和文章。
复现他人发表的结果。这是一个掌握ML非常有效但却被低估的方式。看到很多新的斯坦福大学博士生成长为很棒的研究人员，我可以自信地说，复现他人的成果（不只是阅读论文）是最有效的方式之一，这样能确保你了解最新的细节算法。许多人大步跃进试图发明新的东西，当然这也值得一试，但实际上发明新东西反而是学习和建立知识基础比较慢的方式。
当你看完足够多的论文/博客，并复现足够多的结果后，很奇妙地，你会开始产生自己的意见和想法。当你自己建立新的东西时，发表一篇论文或博客文章，并考虑开源代码，与社区分享！这将有助于你从社区获得更多反馈，并进一步加速你学习的过程。
参加任何其他帮助你学习的活动，如在线比赛，线下讨论会，参加（或观看在线视频）好的AI/ML/视觉/NLP/语音学术大会，比如ICML，NIPS和ICLR等会议。
找朋友跟你一起做。你可以自己取得很大的进步，但跟朋友交换意见和想法将有助于你学习，并使学习过程更有趣。如果你认识教授，博士生或优秀研究人员，也可以与他们多交流。有时候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun这些人交流5分钟就学到一大堆的东西，当然，跟来自我在斯坦福博士的博士生，deeplearning.ai的团队成员，还有我参观的各个公司的工程师交流，也能得到很多启发。
尽管跟朋友有合作很重要，但如果你朋友不同意你的想法，有时候你仍然应该去做，自己尝试去实现。Geoff Hinton在接受deeplearning.ai采访中说过类似的话。
我知道的每个世界级的ML研究员都花了很多时间来实现算法，调整超参数，阅读论文，以及自己找出什么有用什么不起作用。我觉得这种类型的工作也很有趣，希望你也会这样。
Q
我想从事机器学习相关工作，但不知道自己是否够格。有什么检测的方法吗？
你肯定够格的！无论目前的知识水平如何，只要你不断努力，继续学习，你就可以成为机器学习的专家，并且有很好的职业发展。
任何对机器学习感兴趣的人，请从学习编程开始。当你掌握编程基础后，可以考虑机器学习课程（比如Coursera的机器学习），然后考虑深度学习专门课程（比如deeplearning.ai）。
再进一步，你可以阅读研究论文（关注Twitter上的ML大V，看看他们感兴趣的论文）。尝试复现研究论文的结果就更好了。试着去复现他人的结果是掌握AI最有效的方法之一，可惜很少有人用。你还可以考虑参加在线ML竞赛和学术会议等活动，并继续阅读书籍/博客/论文。
你是不是有资格在机器学习领域工作真的不重要——我确定你肯定够资格！你要做的只是要去学习，让你越来越适合而已。
Q
数学不好，该掌握哪些数学知识才能学好机器学习和AI？
我认为机器学习中最重要的数学依次是：
线性代数
概率和统计
微积分（包括多变量微积分）
优化
这以后其他的相关度都快速降低。我发现信息理论也有帮助。你可以在Coursera或大多数大学找到所有这些课程。
我认为有机会学习相关数学和机器学习的博士已经减少了，因为机器学习已经变得更偏向经验（基于实验），较少理论，特别是深度学习的兴起，让这一趋势更加明显。
我在读博士的时候，很喜欢真实的分析，也研究了微分几何，测量理论和代数几何。你如果能了解这些领域当然更好，但如果时间有限，你可以考虑用更多的时间学习机器学习本身，甚至研究一些建立AI系统的其他技术基础，例如正在建设大型数据系统和如何组织巨型数据库以及HPC（高性能计算）的算法。
Q
AI该受管制吗？
AI作为基本技术不应受到管制。政府阻止你在笔记本电脑上实现神经网络也是不现实的。然而，有的AI应用，例如无人驾驶，是需要监管的。AI在国际对反垄断（监管垄断）领域也有新的影响，监管机构尚未对此有深入思考，但他们应该对此有深入探讨。
关于人工智能管制的讨论大部分来源于对「有智慧的AI」（sentient AI）或「邪恶杀手机器人」的不理性的恐惧，而不是更深入地了解自己能做和不能做的事情之后的结果。今天的AI还不成熟，处于迅速发展期，任何国家的强硬监管都会阻碍该国的AI发展。
然而，一些人工智能的应用需要监管来保护个人，并加速其采纳进程。汽车行业已受到严格监管来确保人的安全，这将有助于整个行业发展。其他领域也相同，包括制药，军控，金融市场等。但是，监管应该是针对某一个行业的，并且基于对用例的深思熟虑，以及我们在特定产业而不是基本技术上看到的结果。
政府也可以发挥重要的作用，帮助在不远的未来那些受AI影响而失去工作的人，例如提供基本收入和再培训。
最后，AI的兴起正在为公司竞争创造新的途径，各家竞相争夺主导权，打击竞争对手。反垄断监管机构远远不如企业对这一点理解深刻，需要做的还有很多。
Q
我女儿刚刚学会走路，我应该如何让她准备好迎接15年后的AI世界？我应该教她Python吗？
是的，请教她编码。更重要的是，培养她能够继续学习的能力。
在CS世界中，我们所有人都习惯于每5年就要跳到新技术和思维模式（互联网→云→移动→AI/机器学习），因为新技术以这样的速度发明。所以，CS人也一直习惯于不断学习新的事物。
现在CS几乎感染了所有其他的行业。所以，现在不仅仅是CS世界每几年都要改变。这就是为什么现在每个人都需要改变。这就是为什么能够持续学习将是你能教你女儿最重要的职业技能。
我也认为（差不多）每个人都应该学习编码。曾经我们以为是不是不需要每个人都会读书写字。是不是只有几个僧侣能诵经就好了，大多数人不需要读/写？是不是只要少数人写出畅销书就好了，其他人不需要会写？我们发现，随着读写能力的提高，人与人之间的沟通变得更好：我们能写电子邮件，即使读者只有一个人，这样也有价值。
今天我们处于一个很少人可以编码的时代。但是，如果每个人都可以编写代码，也许经营一家小商店的夫妻俩可以编写几行代码来定制他们的LCD显示屏，用于本周的促销活动；或许丈夫可以写一个简单的应用程序，唯一的观众将是他的妻子，就像他今天可以发送一封邮件，唯一的读者是他的妻子一样。
广泛的扫盲改变了人与人之间的交流。 现在，人机交流也变得越来越重要，编码能力将成为可以预见的未来最深层次的人机交流的基础。 所以，我不同意那些认为世界只需要几百万程序员的人；我认为几乎每个人都应该学习编程，就像几乎每个人都应该学习阅读/写作一样。
来源：Quora，编译：文强，版权归原作者所有，如有侵权请联系小编删除。
📚往期文章推荐
🔗周末读书 |《创造自然》：亚历山大·冯·洪堡的科学发现之旅
🔗人工智能名人堂第52期 | SHRDLU系统之父：Terry Winograd
德先生公众号 ｜ 往期精选
在公众号会话位置回复以下关键词，查看德先生往期文章！
人工智能｜机器崛起｜区块链｜名人堂
虚拟现实｜无人驾驶｜智能制造｜无人机
科研创新｜网络安全｜数据时代｜人机大战
……
更多精彩文章正在赶来，敬请期待！
点击“阅读原文”，移步求知书店，可查阅选购德先生推荐书籍。
相关内容
微信扫码咨询专知VIP会员