人工智慧與個人學習
人工智慧是時下熱門的話題，人們對於人工智慧的關注主要集中在兩個方面，一方面是人工智慧所做出的超乎人類觀念的成果，比如阿爾法狗戰勝李世石；另外一方面是人工智慧對未來幾年的各行業影響，人們擔心人工智慧替代掉自己的工作。
有些行業已經明顯感受到人工智慧和大資料的影響。大資料和智慧演算法運算能力的提升，取代了很多原本需要人類完善的工作，比如資料分析，及基於資料分析的決策判斷。比如，早期電商運營人員通過資料分析來達到對市場的瞭解，對預期做判斷，這就對個人資料分析能力要求很高，但是隨著大資料的處理能力的增強，之前需要人工去統計及做判斷的行為都可以通過大資料來完成，這樣相關運營人員的價值感就降低了。
由於目前還只是人工智慧發展的前期，我們不用過度擔心人工智慧對於工作會形成致命的影響。人工智慧還有很長的路要走，今天來聊聊人工智慧的學習特點中有哪些是我們可以借鑑和學習的。
這就不得不提到阿爾法狗，阿爾法狗大戰李世石轟動了世界。阿爾法狗的身上到底隱藏著什麼樣的學習演算法，讓世界排名第一的李世石都輸了。
阿爾法狗在對戰李世石時使用到了三種的演算法，第一種是深度學習，它把三千萬戶六段選手以上的棋局進行學習和記憶，機器學習人每一步是怎樣走的，但是這樣的學習只能讓機器達到六段的水平。
所以就引進了第二種演算法，叫做空間搜尋法，俗稱暴力演算法，當阿爾法狗拿不準哪步走法更好的時候，他會進行模擬，自己跟自己下，把每一個走法都走一遍，同時模擬對手一直走下去，但是空間搜尋法有一個難點在於，每一步棋都有若干個走法，當走到三五步後就逐漸呈現出指數級數量的走法，計算機無法勝任這樣的計算量。
在此就又引入了第三種演算法，強化學習演算法，強化學習指的是沒有現成的演算法，只給到機器初始條件和最終結果，讓機器自己去試錯，在經驗中學習，在反覆試錯中讓贏面最大化。讓兩個機器很傻的走下去，只要告訴機器結果，讓機器開始倒推往回計算，贏得路徑做一個引數的加權，輸的路徑相應做降權處理，然後反覆進行迭代，最後機器的走法就更接近於贏。
這就是阿爾法狗用到的三種演算法，那我們可以從這三種演算法中學到什麼樣的學習方法呢，
第一種，我們要廣泛學習前人經驗，多向周圍的人學習，通過閱讀等途徑積累知識。同時，要向比自己優秀的人學習，只要向比自己優秀的人學習你才能成長，並且要不斷對自己進行挑戰，不能停留在舒適區中，不然你只會原地踏步，而白白浪費時間和精力。
第二種演算法，也叫做決策樹演算法，在遇到不知道如何選擇或者如何處理事情的時候，這種思維很有幫助，把不同選擇可能遇到的全部結果都羅列出來，再看看各種結果會導致的情況又是如何，以這樣的方式選出最好的一個選擇。
第三種演算法是在指導我們必須多去經歷，讀萬卷書不如行萬里路，不僅要學習現成的知識，關鍵還要靠自己去經歷，經歷各種情況後對每一種情況進行深度剖析和歸納，再遇到類似的情境，我們就能快速的做出明智的判斷。
