手机网站
手机网站
我最近在制定股票量化交易的战略时首次使用了支持向量机，但是支持向量机是用Python语言写在机器学习库中，只要直接调用就可以了。
支持向量机的算法是Python机学习算法的一个重要部分，可以对大量数据进行分类和预测，无需人为监督即可自我学习，因此股票分析通常支持向量机的回归算法来预测指数。
我开始使用支持向量机的时候，感觉这个工具很方便，把影响股价的因素给予训练集学习，机器自主地进行股价回归分析，消除了一系列人为的干扰因素，也感觉到了人工智能的便利性。
有人担心人工智能会像我们所知道的那样结束文明，也有人认为可以解决所有的问题。
几年前，在电脑上挑战中国古代棋类游戏“围棋”的专业棋手被认为是徒劳的，人类很容易获胜。 在国际象棋、国际象棋、后卫加兽中，机器可能打败了最优秀的人类对手，但是围棋的复杂性和微妙性是不一样的。 人类的优越感因阿尔法go和李世石的对决而崩溃。 在2016年首尔比赛中，阿尔法go计划以4比1的比分击败了韩国李世石。 李世石被广泛认为是世界上最优秀的棋手。
阿尔法go的胜利使许多围棋迷惊讶，它证明了人工智能( AI )技术的威力，称之为更深入的学习。 Google伦敦子公司DeepMind设计的alpha go中，有问题的数据集被用来编码主板配置，选择软件的胜负。 但是，数据有各种各样的形式，在过去的数年中，该技术被用于图像识别、语音识别、汽车驾驶等许多其他传统程序中的困难任务的自动化。
现在强大的计算机硬件、几乎无限的在线数据、更好的算法已经能够确保深入的学习，引起了人工智能的新兴兴趣。 从某种意义上说，像电影中威胁人类生存的终结者一样，引起了关于该技术可能构成的威胁的新讨论。
物理学家斯蒂芬·霍金在2014年警告说，人工智能可能意味着人类的末日。 但是，这给不同行业带来了巨额的资金注入，许多高科技企业投资生产移动设备和其他更多的智能功能和人类品质的消费品。 从1980年代开始，人工智能领域没有网络，当时还没有到大数据时代，很难得到大量的数据，很多数据都没有被机器识别。
但是，现在不同的是，不仅可以简单地获得大量的数据，而且随着计算机的计算速度的提高，处理大量的数据并不是问题，而且，各种数据都被机器识别出来，例如，脸是一种数据，而以前的机器不能识别脸数据，人工智能的大幅度发展
人工神经元可以和大脑的神经元匹敌
人工智能包括研究模拟智能各个方面的机器的制造方法。
有些科学家认为主要目标是实现人类的智能，也有像福尔摩斯说的那样“做得更好”。 1956年，在新罕布什尔州的科学研讨会上人工智能诞生，创造了许多机械智能的方法。 心理学家Frank Rosenblatt在1950年代和60年代，在被称为传感器的机器人脑中首次证明了神经网络是深入学习的基础。
神经网络由被称为单元的模拟神经元构成，这些单元是分层排列的。 像真正的神经元那样，每个单元连接到相邻层的其他单元，并且每个连接具有各自的权重。 一个单位仅发送信号，换言之，仅在高层的加权信号之和超过某一阈值的情况下，向低层发送信号。
其思想是在输入目的地的数据集群中生成特定的输出。 换句话说，作为特定示例，这些数据集可以被认为是猫、椅子或人脸。 在上述的支持向量机的量化交易中，股价系数是输入数据，输出的是股价的回归值，所有的过程中机器都处理。
培训网络的方式是为每个对象提供一些示例，并观察如何接近生成正确输出的方式。 正确答案和实际给出的答案的不同，用于调整权重，使下一个答案更接近。 以这种方式，网络学习识别不同的对象。
如果使用新的未标记数据释放网络，则应该能够正确识别对象或其中的对象。 语音识别就是这样。 机器首先识别上千种语音数据，下次对机器说话时机器会把你的语音分类处理。
数十年来，研究人员一直致力于建立可靠、高效的神经网络。 他们要做的是建立多层次的网络。 由于层处于较抽象的描述对象的上层，例如，第一层量化亮图像和暗图像的像素，第二层确定边缘像素内的基本形状，第三层可以使用这些信息来标识对象。
遗憾的是，调整权重的过程包括将信息从设备输出传输到连续层，这些信息在从一个层传输到另一个层时会变坏。 也就是说，在那个阶段不可能使用多层深度学习。
这个问题在本世纪初的几年，多伦多大学的杰弗里·辛顿等众多科学家提出。 解决方案包括在学习过程中清晰分离神经元层，避免权重调整退化。 这是一个重大突破，添加了大型数据可用性和廉价、高速的处理器，促进了我们现在看到的众多人工智能的实用化。
人工智能可能会欺骗人类
无人驾驶汽车是讨论最多的应用之一。 特斯拉汽车公司采用深度学习的方法，首先观察人类驾驶的无数时间情况，然后用传感器记录汽车不断变化的环境，特别是附近车辆的速度和位置，驾驶员的反应。 然后，环境数据与驾驶者数据相匹配，作为深度学习模型的输入，后者作为标签构筑模型，为了像人的驾驶者那样表现车辆，需要调整权重以使模型的期待输出与实际的输出最终一致。
不仅驾驶，深度学习也用于提高图像识别。 2012年，谷歌培训了10亿个连接的神经网络后，YouTube报告了16%的成功率，能够区分数百万个随机选择的视频中包含的2.2万个不同对象。 与此同时，DeepMind通过制作深入的学习算法显示其多功能性，该算法能够玩包括典型的“宇宙入侵者”在内的49种不同的游戏，机器从头开始学习，打败了专业玩家。
在学习人类语言的基础上，所谓的聊天机器人在移动设备和家庭生活中成为越来越普遍的功能。 使用预定义的脚本和深入的学习来回答查询并进行简单的对话。 苹果的Siri和亚马逊的Echo扬声器有两个例子，可以报告体育比赛的比分，推荐餐厅和转送时间表，但我非常喜欢vivo的jovi。
与此同时，俄罗斯3位科学家开发的聊天机器人ustoman于2014年通过了图灵测试，在伦敦皇家学会进行了5分钟的打字会话，说服了30%以上的审查员相信是人类，这一成果实在令人惊讶，在图灵测试中使用了计算机
人工智能也被用于改进其它类型的语言处理。 另一位深入学习的先驱，瑞士德尔莫尔人工智能研究所主任尤尔根施密特领导了开发“短时记忆”的团队。 该技术目前在谷歌的机器翻译和智能手机的语音识别软件中使用，使用包含能够存储数据的反馈电路的所谓递归神经网络。
0
奇迹的递归神经网络
施密特目前的目标是建设一种被称作通用或真正的人工智能的机器。 该设备深受科幻作家的喜爱，具有人类智能的一切重要属性。 包括推理、目标探索、好奇心和创造力。
他的想法是将深度学习递归神经网络与递归神经网络相结合，以便递归神经网络的工作是设计实验，第一个算法尽可能的多地理解世界。 20世纪70年代以来，施密特·休伯的《座右铭》建造了比人类聪明的人工智能机器，使人类能够退休。
施密特·胡贝尔说，能够产生真正智力的只有递归神经网络系统的大脑。 在一个设备中，将尽可能多的处理器连接到规定体积和更短的导线上，将这些处理器连接起来，节省能源，有氧通信。 他认为在接下来的25年中，这种会唱歌跳舞的装置会出现在我们的生活中。
他的结论是基于电脑处理器的价格每5年下降10倍，而脑内神经元的数量是现在最大的人工神经网络的10万倍这一事实。 因此，人工智能的潜力仍然很大。 结果脑神经元数量是机械神经网络单元的10万倍。
科学家们了解人脑的工作方式，特别是脑现象的时间特性，还有很长的路要走。 与人不同，人工智能软件不能同时进行多个复杂的操作。 深度学习改变了视觉和语音识别等应用的游戏规则。 因为可以利用几乎无限数量的数据。
但是人工智能技术不能对其他数据难以获取的领域产生很大影响，人工智能运行首先需要数据。 现在，人工智能的数据是人工提供的，使机器能够自主检索并获取数据是很大的突破。
机器通过复制人类的行为可以有用，但福斯汀对机器执行复杂的计划和协调等人类不能完成的任务感兴趣。 他希望用明确的逻辑推理来训练软件，并且这个方法在包括医学在内的很多领域都能成功。 他在这里说明，使用概率模型可以为特定症状找到最佳的治疗方案。
也是谷歌自动驾驶车采用的方法。 每辆车都使用多个传感器监视周围的交通，将数据输入到能够预测附近的车、骑自行车的人、步行者的下一步行动的概率模型中。 福斯指出，特斯拉在深刻的学习技术上与谷歌形成鲜明对比，特斯拉利用深刻的学习技术绕过多年的困难设计工作，可以使自己的车更快地投入市场。
但这种方法也有缺点，可能发生致命事故。 特斯拉汽车是s型的，直接把车开到拖车前，挡在拖车前。 这种情况下，明显是司机没有遇到过，普通司机也不会在拖车前开自己的车，因此缺少数据的情况。 由于没有基本模型，软件不能保证能够根据数据进行准确的预测。
机器面对伦理问题也存在困境
斯坦福大学人工智能未来趋势研究表明，自动驾驶汽车可以带来显着优势，如消除交通拥堵和停车问题。 特斯拉事件的宣传强调了人类对人工智能构成的危险很敏感。 因此，他强调了人类对于电脑中人类以外的人类引起的崩溃的容忍度是多么的低。 本质上，如果一个人有错误或者车有问题的话，那就是另一个问题了。 因为你有失控感。
人工智能也带来伦理问题，一个典型的问题是，列车前面有两条线路，一条线路连接四个陌生人，一条线路连接恋人，如果列车必须前进，那么该走哪条线路？如果列车是由机器操纵的，那么机器呢 人类从未作出过这样的选择，因此没有这样的数据支持。
为了保护很多人的生活，我们必须做什么？ 人们有可能因为人工智能而失去工作。 随着机械智能在越来越多的生活领域开始与人类智能竞争，科学家们越来越意识到人工智能对社会的潜在影响。
一些研究者，例如施密德·胡贝尔，认为人工智能的终极挑战“技术特点”。 也就是说，机械智能超越人的智能，迅速地加速消灭。 慕尼黑工业大学的聊天机器人专家西蒙·海格里奇认为，技术特点只有在我们更好地理解人脑之后才会出现。
但是人工智能，特别是机器学习的最近进展，认为在未来10年或15年内，必要的突破可能会发生，给大脑的智慧带来巨大的冲击。 关于可能的结果，他显然很乐观。 他认为，要使人工智能机器变成真正的智能，必须有共鸣，所以不会对人造成威胁。
对别人来说，这种讨论是多馀的。 福尔廷表示，人们对深入学习的期待太高，他引起了“机器人和计算机会取代人类”的错误发言。 “在人工智能领域，我们笑这些事情。 “但他急于积极评价最近的成就。 即使我们不能达到技术的特点，人工智能还能发生惊人的事情。 人们意识到那是件好事。
人工智能是人类的春天
1950年，英国数学家阿兰·图灵创作了区别人与机器的测试。 有人用键盘和屏幕和别人机器交流。 谈话后，审问者如果相信机器可能是人，机器就赢了。 但是，现代科学家指出，图灵测试是否具有人类的智能还不能实际判断。 机器为了假装自己是人类需要学习探索技术，也说明了模仿人类的行动来伪装自己。
瑞士洛桑联邦理工学院使用配备小型高光谱照相机的农业无人机监视农作物。 这是人工智能在农业领域释放潜力的一个例子。 该软件应用人工智能，将植物波长谱特征转化为有关作物状况的重要信息，有助于农民决定何时使用化学物质和化肥。 算法也可以根据分析的模型预测结果，这大大提高了食品生产效率。
人工智能在智力上超过人类，但人工智能需要同情心，如果能让机器知道什么是爱，机器就会成为人类生产力和幸福力的天堂。
