core component of "computational thinking," 複雜系統的大量資訊處理 neural network

Digital Domain

Computer Science for the Rest of Us

By RANDALL STROSS

Many computer science professors said they think all college students should learn "computational thinking," but they disagree on its core components.

在心理學和複雜資訊處理系統 即AI

Simon 和他的朋友的所謂 " 卡內基學派" 當然自成一格

Simon說 科學無School

我告訴他別人對他們的看法

****複雜系統的大量資訊處理

 Google研究發表╱電腦裝「神經」 學會辨識貓

〔編譯張沛元／綜合報導〕發明自駕車與擴增實境（AR）眼鏡的 Google X實驗室，在利用電腦模擬人腦的技術研發上有重大進展！透過連結1萬6000個電腦處理器並使其上網自學，Google的機器神經網絡（neural network）在看過大量YouTube影像後，自行創造出貓的概念。此一研究成果將有助於提升影像搜尋、語音辨識、機器語言翻譯品質。
連結1萬6000個處理器 任其上網自學
Google 研究人員本週將在蘇格蘭愛丁堡的一場會議上，發表這項研究成果。Google科學家與程式設計師屆時將會強調，儘管網路上隨處可見與貓有關的影片，但電腦 模擬人腦自學的能力仍令他們深感訝異，因為這套機器腦的表現超乎原本預期，面對2萬種不同物件，辨識率要比過去其他類似計畫高出1倍。
為了 讓機器能夠辨識與找到貓，由美國史丹福大學電腦科學家安德魯˙吳（Andrew Y. Ng，譯音）與Google科學家狄恩領導的研究團隊，利用多達1萬6000個電腦處理器，創造出多達10億個連結的機器神經網絡，然後讓這個神經網絡觀 看隨機擷取自1000萬段YouTube影片的影像縮略圖。
結果，研究人員驚訝地發現，這個以軟體為基礎的人造機器神經網絡，顯然充分印證了生物學家的理論，即個別神經元可經過大腦內的訓練，獲得辨識特定物體的能力。
現 行較商業化的機器視覺科技，是藉由標示特徵的方式，由人類來「監督」機器的學習過程；但在Google這項研究中，人類並未以標註特徵的方式來幫助機器辨 識物體。安德魯˙吳說，研究人員將一大堆資料丟給機器演算，讓軟體自行從中學習。狄恩也說，他們在訓練過程中從沒告訴機器神經網絡「這是貓」，是神經網絡 自行創造出貓這個概念。
儘管規模遠遜於生物大腦，但Google這項研究仍提供全新證據，表明海量資料有助於大幅改善現有的機器學習演算法。拜運算成本降低之賜，電腦在機器視覺、語音辨識與語言翻譯等領域獲致重大進展；機器學習對改善翻譯規則與語義理解特別有用。