上個月 Google 的學者來系上演講,題目很有趣,講 machine learning 技術如何影響了 human learning,再如何影響了 human innovation。
講者用幾個 machine learning 的要訣來類比 human learning,非常有趣,也與我學習 machine learning 之後的感想不謀而合:
1. Good training instance
Machine learning 要有好的 training data;人類需要好的教材。
2. Diverse traning instance
Training instance 要多、要雜,才能讓 machine 處理廣泛多元的 input instance;人類也需要從各種角度、各種來源的教材取得全面性的知識。一家之詞,重覆的訓練,只能增進的速度,卻不能啟發創造力。
3. Do not overfitting
Machine 要預測的是未知的 input instance,過度逼近 training instance,往往變得鑽牛角尖,不知變通。對人類來說,讀死書,對知識過度詮釋,也會變成不知變通,不能舉一反三,無法適應未知的狀況。
4. Balance exploring and exploiting
不能只從正面的教材學習,也要有負面的教材來作比較。經過正面、負面的交互比對,才能學會辨別對與錯之間的界線。
第四項,恰好讓我想到國內的音響論壇。MyAV 這等大型論壇上,遍佈似事而非的言論,各種武斷不堪一擊的論述,正好是最佳的反面教材,處處發人省思。
然而,國內的 DIY 論壇卻又不如 MyAV 了。MyAV 的論述是反面教材,DIY 論壇卻連論述也沒有,只有「聽感由人」這種不敢為自己品味負責的囈語。前面四項 human learning 的訣竅,台灣的 DIY 論壇一項也不具備。缺乏良好的教材,台灣的 DIYer 假如不從國外論壇吸收知識,不接觸第三方的資訊,單憑 DIY 討論區想學到些本事或眼光,無異緣木求魚。
沒有留言:
張貼留言