“人工智能+機器學(xué)習(xí)”在本文縮寫為AIML。
2018年FRM二級考綱史無前例地引入了三篇“機器學(xué)習(xí)+人工智能”論文，而2019年的新考綱則囊括了四篇AIML論文。FRM考綱歷來以風(fēng)格激進著稱：將最前沿、最具前途的金融黑科技毫不猶豫地納入當(dāng)年的新考綱。由此可見，席卷全球的AIML風(fēng)潮不僅絲毫不見褪色，反而愈加大紅大紫。
2017年12月，當(dāng)我拿到2018年的FRM考綱，第一次見到AIML的考試要求時，內(nèi)心是忐忑不安的。AIML在我2001年讀研時便早有接觸，那時還叫“模式識別”。因此我深知：AIML不是區(qū)區(qū)幾個輕薄的知識點，而是浩如煙海的鴻篇巨作，花上幾年的苦功都未必掌握。若在短短兩個月間，便要求老師精熟課程并且能夠堂而皇之地向同學(xué)們布道，這項任務(wù)不簡單!
于是從2017年12月至今，我陷入了瘋狂的、無法停歇的學(xué)習(xí)大戰(zhàn)。除了工作、訓(xùn)練、居家生活，整個2018年我的生活主題只有八個字：學(xué)習(xí)機器、機器學(xué)習(xí)。去北京、深圳出差時帶著電腦在學(xué)習(xí)，去浙江山區(qū)訓(xùn)練時帶著電腦在學(xué)習(xí)，去文萊、日本度假時依然帶著電腦在學(xué)習(xí)。
2018年我學(xué)完的“網(wǎng)易云課堂”微專業(yè)：
機器學(xué)習(xí)工程師(在學(xué))
Linux高端運維工程師
MySQL數(shù)據(jù)庫工程師
人工智能數(shù)學(xué)基礎(chǔ)
吳恩達：深度學(xué)習(xí)工程師
2018年我在“網(wǎng)易云課堂”完成的AIML相關(guān)課程(部分)：
2019美國大學(xué)生數(shù)學(xué)建模競賽培訓(xùn)(在學(xué))
2017年數(shù)模獲獎?wù)撐木?/span>
數(shù)模國賽參賽技巧與MATLAB應(yīng)用
數(shù)模競賽臨門一腳沖刺課程
AI前奏必備-數(shù)據(jù)結(jié)構(gòu)與算法課
深度學(xué)習(xí)-GAN專題論文研讀(在學(xué))
深度學(xué)習(xí)-GAN專題代碼復(fù)現(xiàn)(在學(xué))
10小時搞定LaTeX排版
大鵬教你玩數(shù)據(jù)
機器學(xué)習(xí)A-Z：全部五季課程
新版Linux視頻教程零基礎(chǔ)學(xué)習(xí)Linux
李明老師講Linux
吳恩達機器學(xué)習(xí)
Hinton機器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)中文課程
如今2019年的新FRM考試大綱就放在手邊，F(xiàn)RM考綱中繼續(xù)保有四篇AIML論文。與一年前相比，我早已將忐忑之情甩在天邊，吳下阿蒙成長為訓(xùn)練有素、兵強馬壯。雖然現(xiàn)在我正在歡度兩星期的寒假，每日卻還在悠閑且高效地撰寫2019年版Henry Liang's FRM Guide(FRM二級Current Issues部分)。
2月24日即將迎來新學(xué)期的FRM二級Current Issues課程，雖然課程只有短短6小時，屆時我一定會體現(xiàn)出這一年來厚積薄發(fā)的學(xué)習(xí)成果，向大家展示一堂難忘的AIML課程。
接下去我向大家簡單介紹一下2019年新考綱中四篇AIML論文。
=== 題材新穎，樂趣橫生 ===
首先，這些論文毫不枯燥，反而樂趣橫生。
某篇論文給出了泰坦尼克號1310名乘客的完整個人信息：包括姓名、年齡、性別、艙位、隨行乘客人數(shù)、登船港、下船港、死亡與否、尸體袋編號、救生船編號、船票費用……隨后用機器學(xué)習(xí)算法(決策樹)讓計算機自主學(xué)習(xí)哪些因素與乘客死亡密切相關(guān)。在2月24日的授課中，我會用Python當(dāng)堂演示全過程——輸入這些乘客的個人信息，讓計算機學(xué)會并預(yù)測某一位乘客究竟是活下來還是葬身大海。
論文中還有一則案例：長期以來美國盛傳房屋貸款的發(fā)放中存在種族歧視，即黑人更容易被不公正地拒絕給與貸款。這一次我們掌握了美國房屋貸款的數(shù)據(jù)，讓計算機動用AIML算法，找一找究竟膚色會不會影響放貸結(jié)果?
通過在課堂演示這類有趣且小中見大的案例，我希望能讓大家感受到FRM的美學(xué)與樂趣：FRM不等于背公式、題海戰(zhàn)術(shù)、紙上談兵——這些焚琴煮鶴的玩意兒，而是一套極具實戰(zhàn)價值、且富有詼諧趣味的偉大體系。
=== 大數(shù)據(jù)與人工智能的聯(lián)姻 ===
在21世紀(jì)的前十年，人工智能、機器學(xué)習(xí)這些名詞并不代表時髦、前沿、高科技。那個年代(甚至直到2010年)，AIML專業(yè)的畢業(yè)生幾乎找不到工作。寫“神經(jīng)網(wǎng)絡(luò)”的論文與寫多元回歸的論文一樣，被視作夸夸其談的垃圾，極難在頂級刊物發(fā)表，并且淪為“通不過論文答辯”的重災(zāi)區(qū)。
什么時候AIML變得如此火爆?應(yīng)該是2010年之后“大數(shù)據(jù)”這根雷管引爆了AIML這顆炸彈。AIML的核心算法幾十年前就已經(jīng)定型且足夠強大，只是苦于缺乏足量數(shù)據(jù)來擬合模型，并且缺乏強大的計算能力用來計算。“大數(shù)據(jù)”的興起正好填補了“缺數(shù)據(jù)”的短板。
幾十年來，各國當(dāng)局一直受困于無法獲知上網(wǎng)者的真實身份，很多國家因此紛紛推行“上網(wǎng)實名制”，用來監(jiān)控上網(wǎng)者的行為，但是無一例外招致了民眾的強烈抵觸。
但是，現(xiàn)在“上網(wǎng)實名制”早已兵不血刃地全面實現(xiàn)了。每天清晨，我們用“滴滴打車”叫出租上班;白天用微信或釘釘討論工作;中午用“餓了么”訂餐;晚上用“淘票票”訂電影票……這一切過程，我們無一例外且心甘情愿地用手機、姓名、住址、身份證、銀行卡等實名信息注冊。只要我們上網(wǎng)，無論通過電腦還是手機，都會產(chǎn)生大量數(shù)據(jù)——這就是大數(shù)據(jù)。這些海量數(shù)據(jù)對普通用戶很瑣碎，甚至毫無意義;但對情報機構(gòu)、監(jiān)察機構(gòu)、別有用心的企業(yè)而言，卻是千真萬確、絕無造假、應(yīng)有盡有的數(shù)據(jù)。
通過分析過去三年淘寶的購物記錄，你的性別、收入、學(xué)歷、家庭住址都能被識別，從而勾勒出你的基本形象。甚至誰是你的太太都無從隱瞞，因為你們分享同一個收貨地址。電信公司通過實時監(jiān)測手機信號的密度(每個人都隨身攜帶一臺手機)，可以及時避免某個地區(qū)因人員過于擁擠而發(fā)生踩踏事故。螞蟻金服在瞬間就能根據(jù)借款者的淘寶消費歷史判斷出其違約概率，并且在一秒鐘內(nèi)就決定向借款者發(fā)放數(shù)額恰當(dāng)?shù)馁J款。
未來一旦這些看似孤立的網(wǎng)站——打車網(wǎng)站、購物網(wǎng)站、訂餐網(wǎng)站、通訊網(wǎng)站——實施合并，你的全部生活就將無所遁形。
借錢時，你可能拿收入撒謊;相親時，你可能拿婚史撒謊;求職時，你可能拿簡歷撒謊。但在大數(shù)據(jù)面前，你就是一個透明人。你無法對淘寶隱瞞你的資產(chǎn);你無法對滴滴隱瞞你的行蹤;你無法對餓了么隱瞞你的口味。
Big Data: New Tricks for Econometrics
On the Fintech Revolution
這兩篇FRM考綱論文闡述的就是這樣一個事實：在海量的大數(shù)據(jù)的支持下，AIML算法如魚得水，通過強大的計算機運算能力挖掘出人類主觀無法偵知的事物潛在規(guī)律。
=== AIML的局限性 ===
在AIML火爆的同時，我們發(fā)現(xiàn)：計算機智能還沒有超出機械智能的范疇，機器學(xué)習(xí)不是“理解”而是“窮舉”，是基于模擬人類神經(jīng)網(wǎng)絡(luò)的假設(shè)設(shè)計的不同學(xué)習(xí)方式、不同初始值等組成的系數(shù)矩陣。
阿爾法狗等應(yīng)用的深度學(xué)習(xí)技術(shù)本質(zhì)僅是神經(jīng)網(wǎng)絡(luò)的“權(quán)重調(diào)整”，計算結(jié)構(gòu)并沒有翻天覆地的變化。撥開層層面紗，AIML技術(shù)背后始終沒有離開計算機科學(xué)那些經(jīng)典的模型、范式和語言。
在AIML應(yīng)用領(lǐng)域，目前看上去人類的步伐邁得又大又快。但我們也應(yīng)看到：計算機科學(xué)CS的突破才是真正具有跨時代顛覆級能量的創(chuàng)新，而目前這一領(lǐng)域的創(chuàng)新進展還非常緩慢。
Machine Learning: A Revolution in Risk Management and Compliance?
這篇FRM考綱論文描述道：AIML在金融領(lǐng)域攻城拔寨的同時，依然存在嚴(yán)重的缺憾，比如其運算過程都是黑箱，無法解釋，因而難以應(yīng)對金融監(jiān)管的要求。
=== AIML與傳統(tǒng)統(tǒng)計學(xué)的融合 ===
人工智能產(chǎn)業(yè)蓬勃發(fā)展的最大隱憂在于：許多年輕學(xué)子已經(jīng)被這股熱潮沖昏頭腦，他們不愿意踏實學(xué)習(xí)基礎(chǔ)的計算機科學(xué)、數(shù)學(xué)，而是急于掌握各種現(xiàn)成軟件工具的操作，因為“調(diào)參數(shù)”同樣能夠獲得一些“看上去很美”的“成果”，同樣能夠在人才大戰(zhàn)中收獲高薪。
真正理解、掌握AIML技術(shù)背后的計算機、數(shù)學(xué)模型的人才鳳毛麟角、萬里挑一，絕大部分所謂的人才，無非只是熟練掌握程序軟件，善于“調(diào)參數(shù)”罷了。但是真正要實現(xiàn)顛覆式的創(chuàng)新，沒有扎實的根基如何獲得巨大突破?
Artificial Intelligence and Machine Learning in Financial Services
這篇論文提出了先進的AIML應(yīng)該與傳統(tǒng)的計量經(jīng)濟學(xué)融合起來。兩者既不是互相敵視，也不是互相取代，而是取長補短、共同發(fā)展。
19年金程FRM基礎(chǔ)段體驗課程，掃描下面圖片二維碼，一鍵拿走。FRM課程詳情在線咨詢
.png)
相關(guān)推薦：FRM報名 FRM是什么考試 FRM成績 FRM是什么
2019年FRM備考群 835405115 FRM資訊&資料隨時分享，與眾多FRM持證人交流考試經(jīng)驗。
