利用神经网络的机器学习算法负责当今社会做出许多决策。在上一篇文章中，我讨论了AI和神经网络(尽管其名称)如何以与人类不同的方式“思考”。然而，尽管我们之间存在许多差异，但神经网络还可以使我们对大脑的工作原理有一些了解。
监督学习方法是一种基于数据进行预测的方法，通常用于机器学习算法中。在最近的论文在心智与机器，大卫·沃森牛津大学互联网研究所和艾伦旅游研究院总结了监督学习方法可以使以类似的方式来人类心灵的预测三种方式。 信息的时代以大量的数据为标志。在海量数据集中，许多数据可能不相关或与您期望的结果无关。以基因组建模为例。基因组中有20,000个基因，每个基因都有数百至数百万个碱基。如果您想了解一种遗传性疾病，这些基因中的大多数与个人是否会患上该疾病无关。这就是所谓的稀疏数据集-具有许多参数的数据集，其中大多数与您的结果无关。拉索罚分是一种用于增加最重要的参数的重要性，同时减少与最终结果无关的参数的重要性的技术。 沃森指出，人类一直在做类似的事情。这就是感觉门控，它可以帮助我们避免被周围的刺激所淹没。如果您正在嘈杂的咖啡馆里与朋友交谈，您自然可以过滤掉身后夫妻的交谈，讨论他们的结婚请柬的颜色，从而专注于朋友告诉您的内容。 处理大量数据时，不可能对所有人进行采样。例如，假设您想预测总统竞选的获胜者。询问每个人所投票的对象几乎是不可能的。相反，您可以抽取一小部分人口。但是样本中的统计误差是多少?为了弄清楚这一点，您可以提出一个大型的模拟数据集。在模拟数据集中，有47%的支持候选者A和53%的支持候选者B。然后，您可以像轮询现实生活中那样，通过轮询较小的总体子集来“采样”您的模拟数据集。执行此操作时，将有45%的支持者候选者和55%的支持者候选者B。同样，您可以对模拟数据集的子集进行抽样，在该样本中，有49%的支持者候选者A和51%的支持者候选者B。实际上，您将单个数据点(在这种情况下，有政治见解的人)放入“袋子”或子集样本中。您拥有的“袋子”越多，您对错误的理解就越多。 尽管这可能与个人的行为方式不同，但这是理解沃森所说的“人群的智慧”的有用技术。这就是为什么我们在陪审团中有多个陪审员。陪审团人数越多，样品就越多。您更有可能做出正确的决定，甚至可能了解您的陪审团做出错误决定的机会。 助推 Boosting被描述为机器学习中最强大的技术之一。套袋依赖于数据收集，而提升则创建模型的收集。在增强每个模型的基础上，改进了以前的模型出错的地方。 这类似于发生在人脑中的“预测编码”。大脑不是在准确地可视化我们用眼睛看到的东西，而是创建了一种预测，一种“心理模型”。我们没有看到实际存在的东西-我们看到了大脑的想法。如果提供了新的感官信息，我们的大脑就会接受这些信息，从而更新我们的心理模型。人脑根据新的感觉输入不断地对物体或情况进行分类。 |
