Yapay zeka için algoritmalar
Yapay Zeka (AI) alanında çeşitli problem türleri için çok sayıda algoritma vardır. Bu bağlamda hangi temel algoritmaları sınıflandırabilmelisiniz?
Geçen hafta yapay zekanın çeşitli temel terimleriydi. Bazı temel algoritmaları yönetebileceğiniz temelleri temsil ederler. Tabii ki yapay zeka için sayısız algoritma var, ancak bazıları diğerlerinden daha önemli ve bu nedenle daha temel bir araç.
Verileri otomatik olarak kümelere bölen k-ortalama algoritması ile başlar, bu nedenle sadece sayı belirtilir, ancak küme türü değildir. Algoritma tamamen otonom olarak çalıştığından, denetlenmeyen bir algoritmadır.
K-ortalamaları sonunda üç adımdan oluşur. İlkinde K Küme bu kümeleri üretir ve yanlışlıkla atar. İkinci pasajda, ortalama her bir küme için hesaplanır, söz konusu “merkez ucu”. Üçüncü adımda, veriler yeniden kümedir, böylece ilgili kümenin merkezinde mümkün olduğunca benzerdir. O zaman değişiklikler olana kadar yinelemedir.
Bunun şaşırtıcı bir şekilde ateşli bir okulu vardır ve “zeka” ile ilgisi vardır, ancak gerçekte AI'ya giriş olarak öğretilen algoritmalardan biridir. Prensip olarak, K-Means, küçük bir istatistikle birlikte, taksitlerin ve aritmetiklerin akıllı bir kombinasyonundan başka bir şey değildir. Esasen, maalesef bu yapay zekanın pratik olarak algoritmasının çekirdeğidir, sadece hesaplamaların karmaşıklığı salınır.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
K-ortalamaları ile küme
Genetik algoritmalar
Optimizasyon problemlerini çözmek (veya yaklaşmak) için sıklıkla kullanılan “genetik algoritmalar” ile çok farklı değildir. Prensip olarak, burada bir başlangıç çözümü önerilmektedir, bu da daha sonra yinelemeli olarak geliştirilir. Genetik konusunda çeşitli önlemler mevcuttur.
Bu, örneğin, çözeltinin elemanlarının rastgele değiştirildiği ve rekombinasyonun, yeni bir kişinin farklı çözeltiler tarafından birleşmeler tarafından modellendiği mutasyonu içerir. Optimizasyon problemleri durumunda bir çözümü değerlendirmek genellikle zor olduğundan, kendinizi akrabalarla karşılaştırabilirsiniz: mutasyon, rekombinasyon ve Co. ile çözümün iyileştiği sürece, görünüşe göre doğru yönde ilerlersiniz.
Sonucu kötüleştiren çözümler genellikle reddedilir. Yani burada bir seçim var. Örneğin, yolda, TSP sorunu (seyahat satış çalışanı) için bir çözüm ele alınabilir, ancak sorunu klasik bir şekilde çözmeye çalışmaktan önemli ölçüde daha düşük bir aritmetik çaba ile.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Genetik algoritmalar
Sinir ağları
Sonuçta, sinir ağları ile biraz farklı görünüyor. Başarılı yapay zeka algoritmalarının ilk örneğidir, bu yüzden, son yıllardaki birçok gelişme nöronal ağlardaki ilerlemeye dayanmaktadır. Bununla birlikte, bu ilerleme temel araştırma sayesinde daha düşüktür, daha hızlı donanım için daha düşüktür.
Nöronal ağların temel kavramları, bugünkü 50 yıla kadar her zaman aynıdır- sadece bugün güçlü GPU'lara sahip, vektör ve kayıt faturasında uzmanlaşmış son derece hızlı suçlu çiplerdir ve sadece birkaç on yıl önce hayal edilen şeylere izin verir.
Prensip olarak, nöronal bir ağ, parametreleri aracılığıyla ağırlıklı bir toplamı hesaplayan bir işlev olan bir nöron ile nöronlardan oluşur. Giriş değerleri genellikle 0 ile 1 arasındadır, ancak ağırlıklı toplam 1'den büyük olabilir. Bu nedenle, sonuç hala normalleştirilir, örneğin sigmoid fonksiyonu ile. Ağırlıklar nedeniyle, münferit toplamlar daha fazla vurgulanabilir veya pişirilebilir.
Artık bu tür nöronları bir katmanda yan yana ve arka arkaya bu seviyelerin farklı seviyeleri varsa ve katmanları bağlarsanız, bir nöronal ağ elde edilir. Eğitim denetlenir, yani hataların hesaplanabileceği anlamına gelir. Arka yayılma adı verilen bir prosedür, hatayı azaltmak için ağırlıkların nasıl ayarlanacağına dair hatalarla belirlenebilir. Nöronal bir ağ yol boyunca “öğrenir”.
Sonunda, bir sinir ağı çok karmaşık bir işlevden başka bir şey değildir. Genellikle üç katmanla, bir giriş, biri gizlenen ve bir çıkış seviyesi ile çalışırım. Birinci ve üçüncü katmandaki nöron sayısı APUT'un şekli ve beklenen baskıya göre belirlenirken, gizli katman değişkendir.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Sinir ağları
Üretken, evrişim & Co.
Nöronal ağlar durumunda, verilerin her zaman sadece “ileri” seviyesine göre tabakalandırılması önemlidir. Bu nedenle, ileri yem ağlarından bahsediyoruz. Ama bu böyle olmamalı. Örneğin, geri bildirim devreleri, nöronların kendilerini doğrudan veya dolaylı yollarda etkileyerek kurulabilir. Bu durumda tekrar eden sinir ağlarından (RNN) bahsediyoruz.
Buna ek olarak, sadece bireysel veri değerlerini değil, aynı zamanda çevredeki ortamı da göz önünde bulunduran kamu sinir ağları (CNN) gibi başka sinir ağları da vardır. Bu özellikle görüntü ve vokal tanıma alanında yararlıdır, bu nedenle CNN'ler özellikle burada kullanılmaktadır.
Ek olarak, nöronal ağlar, örneğin geçerlilik için başka bir kişi tarafından kontrol edilen veriler oluşturarak da birleştirilebilir. Yolda yaratıcılık taklit edilebilir: bir ağ, örneğin, görüntülerin ilk ağı öğrendiği belirli kriterlere karşılık gelip gelmediğine karar veren görüntüler oluşturur. Burada Generativi ve Eleratif Ağlar (GAN) hakkında konuşuyoruz.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Üretken, evrişim & Co.
Derin öğrenme
Bir sinir ağına gizlenmiş birden fazla kat eklerseniz, derin öğrenme hakkında konuşuruz. Her şeyden önce, işleme çabası çok artar, ancak umut daha iyi sonuçlar elde etmektir. Bu aslında olabilir, ancak gizli katmanlardaki nöron sayısı sorunu artık daha zor olacaktır, çünkü her şeyden önce de gizli katmanların sayısı tanımlanmalıdır. Bu noktada çok fazla girişim ve terör var.
Yaklaşım, yukarıda belirtilen sinir ağları türleriyle birleştirilebilir, bu nedenle kesinlikle çok yüksek ses çıkaran derin meclis üyesi sinir ağları (DCNN) hakkında konuşulur, ancak gerçekte yukarıda açıklanan modelden başka bir şey değildir, sadece daha büyük bir hesaplama çabasıyla – sadece bugün mevcut olan güçlü donanımlar sayesinde mümkündür.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Derin öğrenme
Çözüm
Tüm bunlarla ortaya çıkan soru: Bizi hala nereye götürecek? Büyük ölçekte gerçek ilerleme hala azdır, insanlarla aynı olacak güçlü yapay zekadan, hala çok uzaktır. İlk hayal kırıklığı 80'lerde/90'larda meydana geldi. Bu o kadar ileri gitti ki, o anda çok çağrılan kışın konuşuldu.
Son on yılın tüm modern yapay zeka gelişmeleri bir yandan etkileyici, ancak diğer yandan, oldukları için değil, esas olarak hesaplama gücündeki artıştan kaynaklanıyorlar. Ne kadar süre çalışacağı ve ikinci kış yapay zekasını kullandığında görülüyor. Geleceği açıktır – tek soru ne zamandır.
()