Yapay zekanın temel şartları
Yapay Zeka (AI) son yılların en önemli konularından biridir. En azından temel bir anlayış, bazı konuları doğru ışığa koyabilmek için yararlıdır. Yapay zekanın hangi temel şartlarını bilmelisiniz?
“Yapay zeka” (AI) terimini tanımlamak zordur çünkü “zeka” teriminin tanımlanması zaten zordur. KLA'lar, IA'nın, hedefi akıllı davranışları ve öğrenmeyi yapay olarak yeniden üretmek olan bir bilgisayar altı alanıdır. Bilgisayarlar bağımsız olarak gelişmeli ve elle planlanmadan değişen durumlara uyum sağlamalıdır.
Güçlü ve zayıf yapay zeka arasında bir ayrım yapılır. Birincisi insanlar için aynı ve jenerik olsa da, zayıf IA sadece özel görevleri ele alıyor. Bununla birlikte, en azından güçlü yapay zeka son yıllarda önemli bir ilerleme kaydetmemiştir. Zayıf yapay zeka ile, akıllı davranışların simülasyonundan memnunsınız – bu nedenle dünyayı bilincine veya anlayışına sahip “gerçek” bir zeka değildir.
Herhangi bir yapay zeka için özel bir zorluk, bulanıklık ve belirsizlikle yüzleşmek zorunda kalır, bu nedenle olasılık hesaplaması genellikle yapay zekada önemli bir rol oynar. Bu yetenek, aşağı akış yönünde bir düşünce değil, sistemde başlangıçta oluşturulmalıdır. Zayıf yapay zekadan memnunsanız, gelişmelerin son on yılda üretmesi oldukça dikkat çekicidir.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Yapay Zeka (AI) nedir?
Denetimli, denetlenmemiş ve co.
KIS öğrenimi hakkında konuşursak, iki tür öğrenmeyi ayırt etmek önemlidir. Bir yandan, AI geri bildirimlerinin dışarıdan aldığı ve yönlendirilebileceği ve uyarlanabileceği denetimli öğrenme vardır. Bu, IA'nın yalnız olduğu denetimli olmayan bir öğrenmedir. Bunu farklı tipik AI problemlerinde göstermesi kolaydır.
İlk sorun türü, belirli kategorilere verilerin atanması ile ilgili olan bu şekilde adlandırılan sınıflandırmadır. Bunun örnekleri kanser hücrelerinin, bitkilerin veya benzeri saptamalardır. Yapay bir zeka hangi ödevin mantıklı ve hangilerinin anlamlı olmadığını bilemediğinden, bu ilk olarak dışarıdan belirtilmelidir: algoritma “eğitimli”. Yani sınıflandırma “denetlenir”.
Aynı zamanda “denetlenen” başka bir sorun türü regresyon analizidir. Bu, değerleri tahmin etmek, örneğin bir evin satılacak en yüksek fiyatını tahmin etmektir. Hedef sınıflandırmadan farklı olsa da, prosedür benzerdir: burada da algoritma, tahminler yapabilmek için bilinen veri ve sonuçlarla eğitilir.
Durum, verilerin kategorilerde de sipariş edilmesi gereken kümeleme ile farklıdır – sınıflandırmanın aksine, kategoriler belirtilmez, sadece sayıları. Bu nedenle IA kategorileri bağımsız olarak bulmalıdır. Bunun veriler üzerinde bildirim yapabileceği ancak anlambilim uygulayamayacağı açıktır.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Yapay Zekanın Önemli Temel Kavramları (AI)
Tren algoritmaları
Daha önce de belirtildiği gibi, yapay zeka algoritmaları “eğitilmeli” olmalıdır. Bu, algoritmanın, bu düzenlemenin otomatik olarak gerçekleştirildiği zaten bilinen verilere uyarlanması anlamına gelir. “Somun” yalnızca verilerle algoritma ve bu nedenle algoritmanın öğrenilenler üzerinde “modellenmesi” için harcayın. Algoritmayı doğru yönde yönlendirmek için denetimli bir prosedür seçebilirsiniz, ancak belirtilen soruna ve açıkçası verilere bağlıdır.
Eğitim sırasında deterministik ve stokastik prosedür arasında bir ayrım yapılır. Aynı başlangıç noktası ve aynı veriler ile deterministik eğitim her zaman aynı sonuca varacak olsa da, Chantal eğitim devreye girer. Stokastik olarak eğitimli algoritmaları değerlendirmek daha zordur, ancak genellikle daha verimlidir.
Yapay zeka algoritmalarının veri ayrıntılı olması için, veriler önce uygun bir formata dönüştürülmelidir, bu da genellikle bunları özellikle sayılara, özellikle taşıyıcılara ve matrislere dönüştürmek anlamına gelir. Bu nedenle, diller, kitaplıklar ve donanım, Python, Numpy ve GPU gibi vektörleri ve matrisleri iyi yönetebilen IA için özellikle uygundur.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Yapay Zeka için Tren Algoritmaları (AI)
Verileri normalleştirin
Ayrıca, örneğin çeşitli boyutları yönetmek için verileri ortak bir paydaya getirmek de önemlidir. Bu nedenle, eğitim ve uygulamadan önce verileri normalleştirmek önemlidir. Çalışma şekli ilgili ölçeğe bağlıdır. Bununla birlikte, sonuçta, her zaman verileri 0 ile 1 arasındaki aralıkta normalleştirmekle ilgilidir (veya algoritmaya bağlı olarak -1 ve 1 arasındaki aralıkta).
Bunu yapmak için veri türünü düşünmelisiniz. Örneğin, nominal merdivenler sıralı merdivenlerden farklı şekilde normalleştirilir ve ayrıca menzil ve ilişki merdivenleri farklı yönetilir. Örneğin, nominal merdivenler, yüzde değerler olarak sıcak, sıralı merdivenlere kodlanarak eşlenebilir. Aralık ve ilişki merdivenlerindeki değerler, prensip nedeniyle rakamlar olarak zaten mevcuttur, sadece istenen aralıkta gösterilmelidir.
Giriş verilerini sayılara dönüştürürken, veri miktarının çok büyük olmadığına dikkat edilmelidir. Örneğin, 1000 x 1000 piksel bir görüntüyü dönüştürmek istiyorsanız, üç milyon veri noktası (kırmızı, yeşil ve mavi kanal için bir milyon piksel) alacaksınız. Bu nedenle, genellikle çözünürlüklerindeki görüntülerin veya diğer giriş verilerinin azaltılması tavsiye edilir.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Yapay Zeka için Verileri Normalleştirin (AI)
Aşırı uygun ve alt dolgu
Yapay bir zeka algoritması artık hazırlanan verilerle karşı karşıya kalırsa, geri bildirim vermek önemlidir (en azından denetimli bir algoritma durumunda). Bu amaçla, gerçek sonuç ile beklenen arasındaki fark hesaplanır. Bu sapmaya “hata” denir, zamanla minimum seviyeye düşürülmelidir. Bununla birlikte, pozitif ve olumsuz hataların birbirine Ugrian olmadığına dikkat edilmelidir, bu yüzden hatalar genellikle hala filodur.
Kare hataları eklerseniz, karelerin (SSE) hatasının toplamını alırsınız. Bununla birlikte, bu sadece sınırlı bir anlamdır, çünkü bariz nedenlerle büyük miktarlarda veri için daha büyük olacaktır. Bu nedenle, ortalama sıklıkla alınır, bu nedenle orta kare hata (MSE) olarak adlandırılır. Bazen, kök de kökün ortalama karesini (RMS) sunan bu değerden çıkarılır. Ancak pratikte, çalışma genellikle MSE ile yapılır.
Bir algoritmanın kalitesi artık bu değerler temelinde değerlendirilebilir, ancak yine de dikkat etmek önemlidir: Sonuçta bu algoritmayı (veya algoritmanın yapılandırmasını) en düşük hatayla seçersiniz, bunun iyi bir seçim olması muhtemeldir. Bu durumda, bu çağrının fazlalığının etkisi etkisi vardır.
Algoritma eğitim sırasında genelleşmedi, ancak kesin değerleri öğrendi, bu nedenle yalnızca “gördüğü” ni yeniden üretebilir. Bunun tam tersi alt fameredilir, yani algoritma verileri doğru bir şekilde sınıflandırmayı öğrenmemiştir ve sonunda ayrım gözetmeyen her şeyi az çok kabul eder.
Bu sorunları önlemek için, giriş verileri üç alt gruba ayrılır: birinci grup birinci grupla eğitilir, ikincisi en yakın görünüm almak istediğinize ve nihayet algoritmayı test etmek için üçüncüsüne karar vermek için kullanılır. Algoritmanın kendi “tarafsız” verilerine tepki vermesi için bu üç miktarın karıştırılmaması önemlidir.
Önerilen editoryal içerik
Rızanızla, burada harici bir YouTube videosu (Google Ireland Limited) burada davet edilir.
YouTube videosu her zaman yüklenir
YouTube videosu artık yüklüyor
Aşırı uygun ve alt dolgu
Çözüm
Yapay zeka işlerini ve yapay zeka algoritmalarını anlamak ve anlamak için, bazı temel terimlerin bilmek tavsiye edilir. Burada, özellikle yeni başlayanlar için bazı tuzaklar var, çünkü veri seçimi ile ilgili bir deneyim yok, algoritmaları normalleştiriyor ve değerlendiriyor.
Bununla birlikte, bu terimleri bilmek iyidir, çünkü bu AI'nın daha iyi anlaşılması için ilk adımdır. Bu ön bilgiyle donatılmış, artık K-Mean, genetik algoritmalar veya sinir ağları gibi ilk algoritmaları yönetebilirsiniz.
()
