Искусственный интеллект – это концепция машин, делающих «умные» решения. Искусственный интеллект применяет то, что называется машинным обучением. Машинное обучение относится к обучению программы, чтобы сделать точные прогнозы, когда они снабжены соответствующим набором данных. Идея состоит в том, что вы поставляете свою программу информацию о моделях, которые вы хотели бы узнать. Это может занять время, вычислительные энергии и много данных.
Машинное обучение в настоящее время является одним из самых насыщенных областей исследований. Каждый месяц на тему около 100 новых академических публикаций. Оставаясь в курсе последних оптимизаций для вашей функции активации, а также функции активации и модельной архитектуры может быть исчерпана.
Машинное обучение также является горячей темой в стране научной фантастики. Людям нравится спекулировать о всевременном АИ, который либо захватит мир и уничтожает человечество или помощь и, возможно, работать с нами. Реальность далека от спекуляций. AI хорош в предсказывании чего-либо, когда дали данные о предыдущих вещах. В целом мировых явления представляет множество переменных, которые составляют данные непостижимы для текущих машин. Мы едва способны обрабатывать целые геномы, тем не менее, все их.
CS445.
Около года назад я принял введение на машинное обучение, класс, предлагаемый в моем университете. Я был взволнован в классе. Я знал, что изучение машины сильно зависит от линейной алгебры, и я взял линейную алгебру 1 и 2 в мою программу бакалавриата. Линейная алгебра – это все о матрицах и их свойствах, от умножения их для выполнения исчисления с ними. Поскольку машинное обучение занимается так много данных, он часто представлен в матрицах чисел. Числа представляют собой вес данных. Вес – это мера того, сколько эффекта будет иметь данные на переменной, вы пытаетесь предсказать.
В классе обучения машины мы построили элементарную сверточную нейронную сеть, которая классифицирует письменные номера. Класс демистифицировал термин «искусственный интеллект». Я узнал о сетевой архитектуре, скоростях ошибок и как программа использовала данные для создания прогнозов и классификаций. Математика машинного обучения не слишком сложна. С линейной алгеброй предпосылкой, он требуется только многомерный исчисление (исчисление 3).
Хотя в машинном обучении много разных модельных архитектур. Теория заднего распространения заключается в том, что в качестве данных проходит через вашу модель, и она делает прогнозы. Модель должна иметь некоторое количество обратной связи для улучшения его предсказаний. Отсюда ~ тренировка ~. Что произойдет, ваша модель измеряет ошибку своего прогнозирования и отправляет его обратно через архитектуру, так что соответствующие веса индикаторов могут быть отрегулированы. Это происходит снова и снова, пока ваша модель не достигнет желаемой скорости ошибок.
Альфага
Одним из самых приятных открытий в моем воспитании машинного обучения является Алфаз. Go – одна из старейших стратегических игр в мире, и в то время как правила просты, игра невероятно сложная. По этой причине многие люди думали, что никогда не будет машиной, которая могла бы побить гроссмейстер и игроки мира. Альфад – это название АИ, которое стремилось сделать именно это. Есть красивый документальный фильм на истории бесплатно на YouTube, который я настоятельно рекомендую. Может быть, я большой ботаник, но фильм привел слезы на глаза.
Для сравнения, шахматная игра имеет около 35 возможных перемещений каждый поворот (называется разветвленным коэффициентом), и каждая игра длится около 80 ходов (глубина). Таким образом, количество возможных ходов в типичной шахматной игре составляет 35 ^ 80 или 10 ^ 123, что значительно. В игре пойти, есть около 250 возможных движений каждый ход, а глубина игры обычно 150. Количество возможностей в игре Lo 250 ^ 150 или 10 ^ 360. Аналитически, сложность прохождения – сотни величин более значительных, чем у шахмат. 1996 год был впервые в истории, что компьютер победил гроссмейстера Гарри Каспарова.
Я рос играл в шахматы с моим отцом рано каждое утро, и, следовательно, построил любовь к стратегической игре. Тем не менее, после просмотра документального фильма Alphago я получил себе доску и начал играть с моим соседом по комнате каждое утро. С тех пор я влюбился в игру. Это красивая, древняя игра и часто описывается в притвах. Если какие-либо читатели заботятся о том, чтобы узнать или поделиться игрой, я свяжу мою учетную запись OGS (Online-Go-Server) ниже. Я рад играть или учить людям любого уровня квалификации.
– Построить сверточную нейронную сеть за пять минут -Играть в Идти со мной Математика Нейронные сети – Альфага Документальный фильм – CS 445 Ресурсы (включая код).
Оригинал: “https://dev.to/0xjepsen/demystifying-artificial-intelligence-1egf”