人工智能时代最稀缺的是人才？

一张李开复与徐小平四目对视的照片，让李开复在微博、微信朋友圈上刷屏了。这是2017年3月4日李开复在三亚出席一场活动中被摄影师抓拍到的照片，当天他在大会上的演讲主题是“我不是李开复，我是人工智能”。周志华教授2017年提出了“深度森林”，吸引了很多研究者的关注，人工智能产业发展最核心的要素是什么？周教授认为真正需要的是人才。

入行人工智能该读什么书？文末下方小编精选了人工智能领域必需书单。

图1：李开复和徐小平四目对视，被网友加上“台词” （图片来源：投资界供图）

周志华教授2017年提出了“深度森林”，吸引了很多研究者的关注，这是一种基于决策树森林而非神经网络的深度学习模型。本月，周志华团队又提出了多层梯度提升决策树模型，它通过堆叠多个回归 GBDT 层作为构建块，并探索了其学习层级表征的能力。此外，与层级表征的神经网络不同，他们提出的方法并不要求每一层都是可微，也不需要使用反向传播更新参数。因此，多层分布式表征学习不仅有深度神经网络，同时还有决策树!

7月28日至29日中国人工智能大会（CCAI2018）将于深圳举行，届时周志华教授将发表题为《深度森林初探》的精彩报告，向国内外各界人士分享他对于深度学习要素探讨的最新观点。

在此之前，我们梳理了周志华教授在人工智能领域的主要思考和精华内容、帮助大家跟随周教授聚焦AI。

周志华，南京大学计算机科学与技术系主任、人工智能学院院长、欧洲科学院外籍院士、Fellow of the ACM, AAAI, AAAS, IEEE, IAPR, IET/IEE, CCF, CAAI

机器学习，从深度神经网络到深度森林

“现在我们处于一个大数据的时代，但是我想现在所有人都非常清楚，这个大数据并不意味着真正大的价值，要得到数据里面的价值，我们就必须要进行有效的数据分析，而今天我们要通过计算机来进行数据分析，就必须要进行机器学习。”周志华教授曾多次发表演讲阐述他对于机器学习的前沿思考。

关于深度学习是什么的问题，周志华教授曾通过一个案例向大家解释。这个例子描述的是，有一个很著名的学会“Siam”，它的旗舰报《Siam News》里面谈到机器学习深度学习就是一个“子女”。周教授进一步谈何为“深度”：生理学上能够得到一点基本的启发，那就是一个细胞可以得到很多的信号，这个现象在1943年被两位学者总结成简单的数学公式：几个加和，再减掉一个数，再用函数处理一下。这个公式一直到今天还在使用。今天看到这么复杂的深度学习系统，它的奥秘是什么呢？周教授认为，所谓的神经网络也好，深度神经网络也好，最基本的单元就是这样一个简单的函数。

周教授还在论文中指出，近十年来，深度神经网络在机器学习领域取得了显著进展。多层表征被认为是深度神经网络的关键要素，通过构建分层或「深层」结构，该模型能够在有监督或无监督的环境下从原始数据中学习良好的表征，这被认为是其成功的关键因素。成功的应用领域包括计算机视觉、语音识别、自然语言处理等。

同时，尽管不可微模型如梯度提升决策树（gradient boosting decision tree，GBDT）是建模离散或表格数据的主要方法，但是它们很难整合这种表征学习能力。周志华团队提出的多层 GBDT 森林（mGBDT），通过堆叠多个回归 GBDT 层作为构建块，探索学习层级表征的能力，该模型可以使用层间目标传播的变体进行联合训练，无需推导反向传播和可微性，实验和可视化均证明该模型在性能和表征学习能力方面的有效性。

人工智能产业发展，真正需要的是人才

除了研究机器学习的前沿课题，周志华教授也非常关注人工智能的产业发展。尽管人工智能技术已经在很多产业广泛应用，但在周教授看来，人工智能技术主要的应用领域就是互联网行业。他认为机器学习技术提供了利用数据的方法，可以解决由“人”这个主体在各行各业积累下的大量数据。“未来的人工智能技术就应该像电力一样，会进入所有的行业。”周教授指出。

人工智能产业发展最核心的要素是什么？周教授认为真正需要的是人才。

周教授表示，特别是和一般的软件产业比，人工智能产业是一个非常凸现个人才智的行业。人工智能是软件业的明珠，个别人的聪明才智在哪个方面取得算法上的突破，就会真的提高生产力。人工智能行业的特点，决定了人工智能的人才培养特别重要。在全球争抢人工智能人才的年代，高水平人工智能人才培养的造血能力会导致产业核心竞争力的差异，而人工智能人才培养基地也会直接促进人工智能产业人才积聚形成。

即将要举行的中国人工智能大会（CCAI2018）历经三届沉淀，已经成为国内人工智能领域产、学、研紧密结合的高端前沿交流平台，通过汇聚全球AI领域的顶级专家展开精彩演讲，助力国家培养高水平人工智能人才。周志华教授将在大会主报告中对深度学习的要素进行讨论，并认为深度学习未必一定要通过神经网络模型实现。周志华教授将介绍其在深度森林方面的初步探索，这是一种基于决策树森林而非神经网络的深度学习模型。

周志华教授的报告会有怎样别开生面的前沿观点呢？让我们屏气等待，共同见证AI大时代的每一次思想之花绽放！

入行人工智能，该读什么书？

除了了解人工智能人才的需求，该读哪些书才不会被社会所淘汰？

“深度学习”

《深度学习》

[美]Ian Goodfellow（伊恩·古德费洛）、[加]Yoshua Bengio（约书亚·本吉奥）、[加]Aaron Courville（亚伦·库维尔） 著

AI圣经！深度学习领域奠基性的经典畅销书！长期位居美国亚马逊AI和机器学习类图书榜首！所有数据科学家和机器学习从业者的必读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推荐！

《Keras深度学习实战》

[意大利]安东尼奥·古利 等著

本书用当前流行的Keras框架实现了大量深度学习算法，构建了众多深度学习模型，并且介绍了深度学习在游戏等实际场合中的应用，特别是本书还介绍了当前火热的生成对抗网络（GAN）的应用。全书通俗易懂，强调实际案例，适合广大的机器学习从业者和爱好者入门与实践。

《TensorFlow技术解析与实战》

李嘉璇 著

领导“谷歌大脑”的工程师Jeff Dean发来寄语；李航、余凯等人工智能领域专家倾力推荐； 基于TensorFlow1.1，包揽TensorFlow的新特性； 技术内容全面，实战案例丰富，视野广阔；人脸识别、语音识别、图像和语音相结合等热点一应俱全

《Python 深度学习》

[英] 尼格尔·刘易斯（N.D.Lewis） 著

本书是使用Python 进行深度学习实践的一本初学指南。本书并未罗列大量的公式，而是通过一些实用的实际案例，以简单直白的方式介绍深度神经网络的两项任务——分类和回归，解析深度学习模型中的一些核心问题，以期让读者对深度学习的全貌有一个清晰的认识。

《精通数据科学：从线性回归到深度学习》

唐亘 著

数据科学入门到实战，介绍数据科学常用的工具——Python、数学基础及模型，讨论数据科学的前沿领域——大数据和人工智能，包括机器学习领域经典的模型、分布式机器学习、神经网络和深度学习等。

《Python神经网络编程》

[英] 塔里克·拉希德（Tariq Rashid）著

本书用轻松的笔触，一步一步揭示了神经网络的数学思想，并介绍如何使用Python编程语言开发神经网络。本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。

本书为美亚五星畅销书，备受关注。基于Python3.5，全彩印刷，如果只选一本神经网络图书，他是首选。

《文本上的算法——深入浅出自然语言处理 》

路彦雄 著

本书结合作者多年学习和从事自然语言处理相关工作的经验，力图用生动形象的方式深入浅出地介绍自然语言处理的理论、方法和技术。本书抛弃掉繁琐的证明，提取出算法的核心，帮助读者尽快地掌握自然语言处理所必备的知识和技能。

《Python机器学习实践指南》

【美】Alexander T. Combs 著

机器学习正在迅速成为数据驱动型世界的一个bi备模块。许多不同的领域，如机器人、医学、零售和出版等，都需要依赖这门技术。通过阅读Python机器学习实践指南 ，你将学习如何一步步构建真实的机器学习应用程序。

Python机器学习实践指南 以通俗易懂，简洁明了的方式，教你如何使用机器学习来收集、分析并操作大量的数据。通过易于理解的项目，本书讲解如何处理各种类型的数据、如何以及何时应用不同的机器学习技术，包括监督学习和无监督学习。本书中的每个项目都同时提供了教学和实践，你将学习如何使用聚类技术来发现低价的机票，以及如何使用线性回归找到一间便宜的公寓。

《Python机器学习 预测分析核心算法》

【美】Michael Bowles（鲍尔斯）著

机器学习关注于预测，其核心是一种基于数学和算法的技术，要掌握该技术，需要对数学及统计概念有深入理解，能够熟练使用R 语言或者其他编程语言。

本书通过集中介绍两类可以进行有效预测的机器学习算法，展示了如何使用Python 编程语言完成机器学习任务，从而降低机器学习难度，使机器学习能够被更广泛的人群掌握。

《人工智能（第2版）》

人工智能领域百科全书

(2018年8月出版)

图文详细、示例丰富，同时配备诸多附加资源，非常适合作为自学和教学指南。 被誉为人工智能领域百科全书。

本书总共分为6章，讲述了如何多样化探索人工智能领域，原书在亚马逊上收到众多高校老师和学生的好评。书中不仅介绍了人工智能的基础理论，还介绍了机器学习、神经网络、自然语言处理等热门话题，帮助读者全方位了解人工智能领域的方方面面。

本文转载自异步社区

原文链接：https://www.epubit.com/articleDetails?id=N917b0cdb-8c49-4112-b5e2-6b7fab172d46