深度Nature论文详解概率机器学习
选自Natur
作者：ZoubinGhahramani
机器之心编译
参与：QuantumChs、微胖、李亚洲、盛威、黄清纬、杜夏德、吴攀
机器如何从经验中学习？概率建模提供了一个框架，帮助我们理解什么是学习，也因此成为了设计可从经验数据中学习的机器的主要理论和实践办法。这种描述了如何表征和控制模型和预测的不确定性的概率框架，在科学数据分析、机器学习、机器人技术、认知科学以及人工智能领域中扮演着中心角色。这篇评论介绍了这种框架，并讨论了该领域的最新进展——即概率编程、贝叶斯优化、数据压缩以及自动模型发现。
机器学习概率框架的核心思想是：学习可被看作是推理合理模型以用于解释被观测到的数据的过程。一台机器可以利用此模型去预测未来数据，并基于这些预测理性决策。不确定性在这一切中都起到了基础的作用。观测数据可以符合多个模型，因此哪个模型适用于给定数据是不确定的。相似的，未来数据的预测和未来活动的结果是不确定的。概率理论提供了一个对不确定性建模的框架。
这篇论文回顾从对机器学习概率方法和贝叶斯推理的介绍开始，然后将讨论一些该领域的最新进展。学习和智能的许多方面都十分依赖于谨慎的不确定性概率表征。概率方法仅在最近才发展成人工智能[1]、机器人[2]和机器学习[3,4]的主流方法。即使到现在，这些领域在完全表征不确定性的重要性方面仍存争议。例如，使用深度神经网络来解决模式识别问题（如语音识别[5]、图像分类[6,7]和文本预测[8]）的新进展中没有在这些神经网路的结构或参数中明显表征不确定性。然而，我不会白癜风怎样治疗好得快北京中医治白癜风医院
