但人有男女老少、高矮胖瘦，特别是在玩游戏时还可能会摆出一些奇形怪状的姿势，这个数据在沈教授研究所获得的，所以该算法需要对人体的各处特定部位进行定位和识别。
苹果科技公司的算法，可以达到对静态图像的识别，动态图像识别需要更强大的分析处理能力，强行为会导致游戏卡顿、延迟，不过沈教授的研究所可是让这方面的研究得到了很好发展。
可能很多人类还是想不到，算法是如何确定那些特定身体部位，所对应的图像中的像素点呢？
事实上可通过一个简单的问题算法来实现，类似于“猜单词游戏”。第1个问题是：这个单词位于词典的前半部分还是后半部分？答案如果是“前半部分”，词典此时被一分为二。
则开始第2个问题：这些字母位于“前半部分”的前半部还是后半部？此时词典被分为几个部分。
依此类推逐渐缩小范围。当提问到第几个问题之后，词典将会被划分为几个不同的区域，总数达到100多万时，远超过牛津词典中收录的词汇数目约30万。
如果我们想知道某一像素点属于身体的哪一部分，该怎样设计问题算法呢？
在过去我们都是通过苦思冥想或突发的灵感去设计一系列巧妙的问题。
那是否能够通过计算机编程的手段，通过大量的数据交互与训练，选择、甄别出更好、更高效的问题集合呢？答案是“能”，它就是“机器学习”。
机器学习会从一些我们认为可能解决问题的候选问题开始，所以不算是零起点学习。
学习的过程就是将最初的想法逐渐优化，从而形成有效的解决方案。那么什么样的问题可以帮助大多数机械区分手臂和头。
算法自己找到了最优的问题集合，但程序员并不真正清楚它是如何得到这样的结果的。
他们可以查看决策树中任何一个结点及其前后结点上所询问的问题，但树中的问题超过百万个，每个问题又略有不同，所以很难采用逆向工程法得出算法具体是怎样解决问题的。
试想一下，数量超过百万的问题如果全靠人工编程实现，即使再厉害、再勇敢的程序员也会闻之色变、望而生畏，然后望风而逃。
但计算机却擅长做这种工作，这种量化的工作也是人工智能的优势，编程团队需要有一些创造性的思维去相信通过对相邻像素点深度值的询问和比较，足以确定该点所在位置，而之后的创造则属于计算机了。
机器学习所面临的挑战之一是“过度拟合”。针对训练数据提出用以区别图片的问题相对容易，但设计一个不针对特定数据的通用程序却非常困难，它需要从数据中抽象出广泛适用的规则。
假设给定1000个人的姓名和身份号码，让你去设计问题集合对每个人加以识别，你可能会这样提问：“你的护照号码是725487414吗？好的，那你一定就是王二狗。”
天启尽量让自己的人工智能意志和硬件设施分开，这样就可以锻炼硬件的判断能力。
由于缺乏外部刺，即人身体能够做出的所有动作基本都是固定的，所以这个算法没有进一步“进化”。
事实上它也不需要进化，因为它正在有效地完成人类交给它的工作。而其他的一、书籍、音乐，等等。
算法通过与用户之间的交互过程，获取用户的偏好信息，并从中学习进一步完善自身，发现其中的关联关系，以便为下一位用户提供更优质的推荐信息，这就是天启所思考的，要用人类的方式去做很多事情。一的，不可能再有其他人拥有该组数据中的护照号码。
比如，根据给定的图表中的十个点，可得到一个方程，由该方程创建一条通过所有点的曲线。我们可以用一个十项式来表示这个方程，但这并不能很好地揭示数据中潜在的模式，而这，有必要减少方程的项数，以避免出现过度拟合的问题。
过度拟合会误导你在建模时过分关注细数据呈趋势，然后产生不符合客观规律的预测结果。如图5-3所示，这是一幅包含美国20世纪初人口总量的12个数据点的二维图。其总体趋势用二次方程式描述是最合适的，但如果我们选取的方程中x项的幂超过2时会出现什么情况如，方程式中x项的幂是从0变化到11，尽管由这个方程式确定的曲线与历史样本数据完美拟合，但一旦扩展到未来，曲线会突然向下倾斜，而这预示未来美国的人口数量会急转直下并且到2028年10月中旬就彻底消亡。这多少有些荒谬，或许是数学知道了一些不得了的事情吧！
在过去的五年里，计算机视觉识别的发展进步让可以驾驭或识别的不仅仅是人类的身体。视觉识别能力的不足，一直是计算机不能与人类智能相媲美的最大障碍。比如，数码相机对图像细节的捕捉能力过人类大脑，但在立的像素点，而不是一副完整、有内容、有故事的图片。人类大脑在图像识别程中是如何处理数据的今仍然是一个未解之谜，更何况是我们的这些“硅朋友”了。
本小章还未完~.~，请点击下一页继续阅读后面精彩内容！
喜欢末世救亡计划请大家收藏：(m.xinxiangsy.com)末世救亡计划馨香书院更新速度全网最快。