人工智能帮助我们发现数据中那些隐含的、不确定的模式和结构

　　最为重要的是，这并非渐进式的改善，而是性能上的跳跃性提升。2012年，深度学习在 ImageNet 挑战赛首次惊艳亮相，这一赛事是图像目标识别领域的旗舰性年度竞赛。与当时最好的其他方法相比，深度学习方法的误差率几乎减小了一半。此后，深度学习算法的性能快速逼近人类水平。在围棋和日本将旗等策略游戏、强调合作的多人电子游戏和经常要虚张声势的得州扑克游戏等场景中，深度学习的表现甚至已经超越了人类专家。深度学习在 2018年的CASP会议上的表现为它又赢得了一枚超越人类表现的奖章：它在预测蛋白质的3D结构方面打败了所有的科学家。 　　简而言之，人工智能帮助我们发现数据中那些隐含的、不确定的模式和结构。这些模式对于人类而言是易于发现的（例如，在一幅图像中，猫的位置），但是对于计算机而言一直是很困难的。更为精确的表述是，人们通常难以把这类任务转换为计算机任务，而人工智能让机器可以用一种奇特的方式自己来做这种转换。 　　尽管人工智能浪潮席卷全球，近期的主要进展其实都有赖于一个方法：监督学习。该方法要求只给算法提供两组信息：大量的输入，也被称作“训练数据”

人工智能帮助我们发现数据中那些隐含的、不确定的模式和结构最先出现在Python成神之路。