※ 引述《ripple0129 (perry tsai)》之銘言：
: 深度學習透過讓機器大量的參與可以擁有歸納規則的能力，
: 設計模式中也只是透過大量遇到code常見的問題所歸納產生的解決方法。
: 換而言之，讓軟體大量觀察程式碼或許未來真的可以靠機器自己寫軟體？
43
最近在研究深度學習
有去上了一天搞懂深度學習
https://www.youtube.com/watch?v=ZrEsLwCjdxY
原本以為machine learning是很神的東西
上完之後，發現也沒多神
不只沒多神，還有許多困難要突破
後來我跟我弟（machine learning的博士）聊了一下天
才知道原來所謂deep learning算是這幾年比較新興的一個方法
回歸原本問題：或許未來真的可以靠機器自己寫軟體？
的確有可能，但在目前deep learning也只能從圍棋上證明是有機會超越人腦
而且需要一個很好的演算法及好的資料以及大量機器
要到能夠取代工程師，我看還要很久
可能到NP-complete都解出來了的時候～ML都不見得能取代工程師(一樣都是演算法的問題)

一天就懂了 超神

本來就沒新東西，通常都是換個名稱再出發

現在ML只是歸納跟try error 距離生物的學習還有一道本質上不同的牆 生物會為了得到獎勵或者為了滿足自身需求去做出一些行為 而這些行為不需要被定義scope 所以才有了創意 創造力

其實真的做到無定義下就能產code才是可怕的地方，或許還是必須規範在定義出需求才能產code比較妥當。

去年的pointer network可解決簡單的售貨員問題(NP-Hard)跟本不需產出code啊…直接給結果就好

簡單解決是指?若TSP 可以非指數時間被解出,表示NP=P但這等大事沒新聞, 就表示??

碼農的新聞年代之類的應該不屑看吧，或許不知道哪邊的有

將NP=P這等大事當小事看，就真的是只有碼農了。

"簡單"指的是在點<50時比某些近似演算法來得強另外P?=NP只有理論上有那麼一點點價值，算不上什麼大事把這個當重要指標才是死讀書的碼農

碼農的點果然是不同凡響。

噗 我把論文的標題都告訴你了，還在拿神龕亂噴在書上看到這np這幾個難字就以為是cs最重要的事了？

一步步走 每個點都突破後會有新的點要突破.取代到負責創造的工程師? 這不知道要幾千年的演化了吧 =_=

CS什麼都不重要，你的"簡單"最重要囉。

書呆子以管窺天. nn 都能解掉比 np-hard 更難的圖形辨認和語音辨認了, 模擬個 np-hard 算什麼大事重點在於現在 nn "似乎"可以計算離散的邏輯問題, 而不是要證明或否證那個虛無飄渺的理論問題

假設 P=NP 而且解 NPC 問題的複雜度常數夠小的話可知的是大部分的加密法都可以輕易破解(例如 RSA)除此之外不知還有什麼有趣的現象會發生 (?)https://goo.gl/4tODf3 這裡好像是說在數學上會比較有用因為任何存在長度不大的證明的 theorem 都可以被電腦解決所以數學家就不用一直找證明了，不過乍看之下也無法理解這樣的重要性

P=NP 只是說所有NP問題都"存在"個P時間的解法, 至於怎麼那個解法是另一個問題. 而且這個P時間還要是"非確定型圖靈機"才能夠實現, 現在跟本就沒這種機器. 若 P!=NP，最多只能確定"存在一個NP問題它不屬於P問題", 其他的還是要一一檢驗, 但這不需要P?=NP的結論也可以做.而就算你確定某個問題沒有P時間的解, 演算法還是需要改進, 還是需要研究找出更好的近似. 所以我說 P?=NP 的價值只在理論上, 重要性很低.拿P?=NP來驗證某個成果更是蠢到爆炸

假設 P=NP 就表示確定型圖靈機可以在 polynomial time模擬非確定型圖靈機了吧(只是說就像你說的，只是存在這模擬方法，距離找到還有距離因此只要P=NP 且找到那個存在的 P 時間演算法只要用目前的機器就可以實現了，因為他們可以模擬 NTM相反的，如果有人做出神奇的「非確定型圖靈機」就算P!=NP，用非確定型圖靈機還是可以在 P 時間解NP問題因為實在很難想像 DTM 怎麼在 P 時間模擬 NTM所以真的覺得如果 P=NP 還滿厲害的 !

哇，扯好遠呢，NP=P重不重要，CaptianH你就來一篇高論說，解了也不重要吧。省得你在這NN解什麼的，扯一堆。TSP 是NP 問題。

感覺是NP的問題不過她有個Heuristic的解法 而不是真的解掉

笑死了PNP重要性只在理論上XDDDD這已經不是有沒唸書的問題

nn 可以解比np hard 還難的問題。嗯。我也還可以提出一個常數時間解所有 np hard 的演算法，只是都亂解而已。