摘要：?深度特征融合是一項能夠克服機器學習不足，為機器學習打開通往未來大門的新技術。新技術要不要了解一下？

即使是最敏銳的技術布道師也無法預測大數據對數字革命的影響。因為他們最初的關注點都聚焦在了擴大基礎設施以構建現有服務上。
在提高對現有數據的處理能力時，許多的新技術被提出。關于機器學習的概念最早誕生于科幻小說中，它的新功能很快被人們發現并應用，但隨之而來的是無法避免的局限性。

機器學習的局限性

當數據被恰當地概念化時，復雜的AI算法可以做出最細致巧妙的洞察。一個能夠訪問正確數據的算法看上去是無所不知的。但事實上，在真實環境中的輸出并不總能輕松為這些算法依賴的數據類型所處理。

機器學習的核心是數據。遺憾的是，一些定性數據并不容易被轉換成可用格式。相比于被寄希望取代人類的AI算法，能夠理解不易分解的變量間的細微差別是我們自身的優勢。而為我們所稱贊的人工智能尚未掌握這一概念。

驅動人工智能的二進制語言自最初設想以來已有半個多世紀沒有發生變化，并且在未來也不可能很快發生改變。這意味著所有機器學習都必須以數字輸入為中心。
AI如何掌握聲學、光波和其他現實應用中的細微差異呢？有關這些系統的信息必須經過處理并轉換為二進制語言。這不是不可能的，但有幾件事情必須完成：

• 系統工程師必須開發出精確的系統來測量這些輸入。這對于某些應用來說可能非常困難。通過分辨顏色的微小差異，人類可以輕松觀察到光波之間的差異。但對于AI來說，通過光學傳感器以足夠的精度發現差異并傳達是一件非常困難的任務。
  
• 這些輸入必須被分解并翻譯為二進制代碼。
  
• 必須對AI進行編程以了解并響應這些輸入。
  

123FormBuilder的創始人指出，當數據科學家需要模擬人類行為時，這可能極具挑戰性。同時，這是監控在線參與的關鍵。

---

“量化人類行為非常復雜，尤其是因為不同的人口統計數據反應不同。由于原始的機器學習算法的缺陷，處理來自熱力圖和其他報告的輸入是一項具有挑戰性的任務。“

---

機器學習必須在此之前得到發展。深度特征融合是一項可以克服這些障礙新技術，它為新的機器學習打開了復習的大門。

深度特征融合將會用一種令人著迷的方式發展機器學習

深度特征融合是一種新的解決方案，可以處理復雜的數據并將其分解為數字組件。2014年，兩位麻省理工學院的工程師開發了深度特征融合。然而直到最近，這項技術還處于起步階段，數據科學家才開始研究其在機器學習中的應用。

Donnelly表示，機器學習算法必須克服的最大技術障礙是依賴于處理數據才能工作。他們只能根據數據做出預測，而這些數據由相關變量組成，稱為”特征“。如果計算的特征不能清晰地顯示預測的信號，那么偏置就不會將模型帶到下一個層次。提取這些數字特征的過程稱為“特征工程”。

深度特征合成的關鍵優勢：

• 單個數據集中數據點之間的關系可以推斷出重要的特征
  
• 數據可以很容易地在不同的數據集之間合成
  
• 識別不同個體之間的關系可以幫助獲得新特征

以上為全部譯文

作者信息：

Ryan Kh, Octocs科技首席執行官

文章原標題Deep Feature Synthesis Is the Future of Machine Learning，

譯者：Anchor C.，審閱：虎說八道。

原文鏈接

干貨好文，請關注掃描以下二維碼：

總結

以上是生活随笔為你收集整理的机器学习的未来——深度特征融合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。