คำถามติดแท็ก machine-learning

ในบล็อกโพสต์การสร้างรูปแบบการจำแนกภาพที่ทรงพลังโดยใช้ข้อมูลน้อยมากมีการกล่าวถึงคุณสมบัติของคอขวด ฟีเจอร์คอขวดคืออะไร? พวกเขาเปลี่ยนแปลงด้วยสถาปัตยกรรมที่ใช้หรือไม่ พวกมันเป็นผลลัพธ์สุดท้ายของเลเยอร์ convolutional ก่อนเลเยอร์ที่เชื่อมต่อเต็มที่หรือไม่? ทำไมพวกเขาถึงเรียกเช่นนั้น?

11 machine-learning  convolutional-neural-networks  terminology  definitions 

ฉันคิดเกี่ยวกับ AIs และวิธีการทำงานเมื่อฉันตระหนักว่าฉันไม่สามารถคิดวิธีที่ AI จะสอนภาษาได้ เด็กมีแนวโน้มที่จะเรียนรู้ภาษาผ่านการเชื่อมโยงของภาษาและรูปภาพไปยังวัตถุ (เช่นคนพูดคำว่า "สุนัข" ในขณะที่อยู่รอบ ๆ สุนัขและต่อมาตระหนักว่าผู้คนพูดว่า "สุนัข" และ "รถยนต์" และเรียนรู้ว่า " "หมายถึง ฯลฯ ) อย่างไรก็ตาม AI ที่ใช้ข้อความไม่สามารถใช้วิธีนี้ในการเรียนรู้เนื่องจากพวกเขาจะไม่สามารถเข้าถึงอุปกรณ์อินพุตประเภทใดก็ได้ วิธีเดียวที่ฉันสามารถทำได้คือการเขียนโปรแกรมในทุก ๆ คำและกฎในภาษาอังกฤษ (หรือภาษาใดก็ตามที่มีความหมายว่า 'พูด' ใน) อย่างไรก็ตามอาจต้องใช้เวลาหลายปีกว่าจะทำได้ ใครบ้างมีความคิดเกี่ยวกับวิธีการนี้สามารถทำได้? หรือถ้ามันได้ทำไปแล้วถ้าเป็นเช่นนั้นได้อย่างไร ในบริบทนี้ฉันใช้ AI เพื่อหมายถึงระบบปัญญาประดิษฐ์ที่มีความฉลาดใกล้มนุษย์และไม่มีความรู้ด้านภาษามาก่อน

11 machine-learning  natural-language-processing 

ฉันมีพื้นฐานด้านวิศวกรรมคอมพิวเตอร์และทำงานเกี่ยวกับการพัฒนาอัลกอริทึมที่ดีกว่าเพื่อเลียนแบบความคิดของมนุษย์ (หนึ่งในสิ่งที่ฉันโปรดปรานคือการจำลองแบบอะนาล็อกที่ใช้กับการประมวลผลภาษาและการตัดสินใจ) อย่างไรก็ตามยิ่งฉันค้นคว้ามากเท่าไหร่ฉันก็ยิ่งรู้ว่า AI ซับซ้อนแค่ไหน ฉันได้พยายามที่จะจัดการกับปัญหาต่าง ๆ ในสาขานี้ แต่บางครั้งฉันพบว่าฉันกำลังคิดค้นล้อใหม่หรือพยายามที่จะแก้ปัญหาที่ได้รับการพิสูจน์แล้วว่าไม่สามารถแก้ไขได้ (เช่นปัญหาการหยุดชะงัก) ดังนั้นเพื่อช่วยในการส่งเสริม AI ฉันต้องการเข้าใจอุปสรรคปัจจุบันที่ขัดขวางความก้าวหน้าของเราในสาขานี้ ยกตัวอย่างเช่นความซับซ้อนของเวลาและพื้นที่ของอัลกอริทึมการเรียนรู้ของเครื่องบางอย่างนั้นเป็นพหุนามขั้นสูงซึ่งหมายความว่าแม้จะมีคอมพิวเตอร์ที่รวดเร็วก็ตาม แม้กระนั้นอัลกอริธึมบางอย่างอาจรวดเร็วบนเดสก์ท็อปหรือคอมพิวเตอร์อื่น ๆ ในขณะที่จัดการกับชุดข้อมูลขนาดเล็ก แต่เมื่อเพิ่มขนาดของข้อมูลอัลกอริทึมจะกลายเป็นยาก ประเด็นอื่น ๆ ที่เผชิญกับการพัฒนา AI ในปัจจุบันคืออะไร?

11 machine-learning 

เมื่อเร็ว ๆ นี้ฉันกำลังพยายามแก้ไขปัญหาเพื่อทำการวิเคราะห์ต้นทุนการใช้จ่ายทรัพยากรบางอย่าง ฉันมักจะทำการตัดสินใจด้วยตนเองจากการวิเคราะห์และวางแผนตามลำดับ ฉันมีชุดข้อมูลขนาดใหญ่ในรูปแบบ excel และมีคอลัมน์นับร้อยรายการซึ่งกำหนดการใช้ทรัพยากรในกรอบเวลาและประเภทต่างๆ (การใช้รายละเอียดอื่น ๆ ที่หลากหลาย) ฉันยังมีข้อมูลเกี่ยวกับข้อมูล 4 ปีที่ผ่านมาและการใช้ทรัพยากรจริงและค่าใช้จ่ายที่เกิดขึ้นตามลำดับ ฉันหวังว่าจะฝึกอบรม NN เพื่อทำนายค่าใช้จ่ายล่วงหน้าและวางแผนแม้กระทั่งก่อนที่ฉันจะทำการวิเคราะห์ต้นทุนด้วยตนเอง แต่ปัญหาที่ใหญ่ที่สุดที่ฉันกำลังเผชิญคือความต้องการในการระบุคุณสมบัติสำหรับการวิเคราะห์ดังกล่าว ฉันหวังว่าจะมีวิธีการระบุคุณสมบัติจากชุดข้อมูล PS - ฉันมีความคิดเกี่ยวกับ PCA และเทคนิคการลดชุดคุณลักษณะอื่น ๆ สิ่งที่ฉันกำลังดูอยู่คือวิธีการระบุพวกเขาตั้งแต่แรก

11 neural-networks  machine-learning  datasets  feature-selection 

การเพิ่มเสียงในข้อมูลช่วยปรับปรุงความสามารถในการเรียนรู้ของเครือข่ายหรือไม่? มันสร้างความแตกต่างหรือไม่หรือขึ้นอยู่กับปัญหาที่กำลังแก้ไข? มันส่งผลกระทบต่อกระบวนการทั่วไปอย่างไร?

11 neural-networks  machine-learning  statistical-ai  generalization 

ในฐานะนักเรียนที่ต้องการทำงานเกี่ยวกับการเรียนรู้ของเครื่องจักรฉันต้องการทราบว่าเป็นไปได้อย่างไรที่จะเริ่มการศึกษาของฉันและวิธีการติดตามเพื่อให้ทันสมัย ตัวอย่างเช่นฉันยินดีที่จะแก้ไขปัญหา RL และ MAB แต่มีบทความมากมายในหัวข้อเหล่านี้ นอกจากนี้หัวข้อเหล่านี้ยังได้รับการศึกษาโดยนักวิจัยจากชุมชนต่าง ๆ เช่น AI และ ML, การวิจัยการดำเนินงาน, วิศวกรรมการควบคุม, สถิติและฉันคิดว่ามีการตีพิมพ์บทความจำนวนมากในหัวข้อเหล่านี้ทุกสัปดาห์ซึ่งทำให้ยากต่อการติดตาม ฉันจะขอบคุณถ้าใครสามารถแนะนำแผนที่ถนนเพื่อเริ่มศึกษาหัวข้อเหล่านี้ติดตามพวกเขาและฉันควรเลือกและศึกษาเอกสารเผยแพร่ใหม่ ๆ ได้อย่างไร ในที่สุดฉันยินดีที่จะทราบแนวโน้มใหม่ในปัญหา RL และ MAB

11 machine-learning  reinforcement-learning  research  markov-decision-process 

ฉันกำลังฝึกอบรมauto-encoderเครือข่ายด้วยAdamเครื่องมือเพิ่มประสิทธิภาพ (พร้อมamsgrad=True) และMSE lossสำหรับงานแยกสัญญาณเสียงช่องทางเดียว เมื่อใดก็ตามที่ฉันสลายอัตราการเรียนรู้โดยปัจจัยการสูญเสียเครือข่ายจะเพิ่มขึ้นอย่างกระทันหันและลดลงเรื่อย ๆ จนกระทั่งอัตราการเรียนรู้สลายตัวครั้งถัดไป ฉันใช้ Pytorch สำหรับการติดตั้งและใช้งานเครือข่าย Following are my experimental setups: Setup-1: NO learning rate decay, and Using the same Adam optimizer for all epochs Setup-2: NO learning rate decay, and Creating a new Adam optimizer with same initial values every epoch Setup-3: 0.25 decay in …

11 machine-learning  deep-learning  optimization  autoencoders  loss-functions 

ฉันมีชุดข้อมูลขนาดใหญ่ของยานพาหนะที่มีความจริงภาคพื้นดินตามความยาวของพวกเขา (ตัวอย่างมากกว่า 100k) เป็นไปได้ไหมที่จะฝึกเครือข่ายที่ลึกเพื่อวัด / ประเมินความยาวของยานพาหนะ? ฉันไม่ได้เห็นเอกสารใด ๆ ที่เกี่ยวข้องกับการประมาณขนาดวัตถุโดยใช้โครงข่ายประสาทเทียม

10 machine-learning  deep-learning  computer-vision 

ฉันพยายามที่จะพัฒนาโครงข่ายประสาทเทียมซึ่งสามารถระบุคุณสมบัติการออกแบบในแบบจำลอง CAD (เช่นสล็อต, หัวหน้า, หลุม, กระเป๋า, ขั้นตอน) ข้อมูลอินพุตที่ฉันต้องการใช้สำหรับเครือข่ายคือเมทริกซ์ anxn (โดยที่ n คือจำนวนใบหน้าในโมเดล CAD) '1' ในสามเหลี่ยมด้านขวาบนของเมทริกซ์แสดงถึงความสัมพันธ์ที่นูนระหว่างสองใบหน้าและ '1' ในสามเหลี่ยมล่างซ้ายแสดงถึงความสัมพันธ์แบบเว้า ศูนย์ทั้งสองตำแหน่งหมายความว่าใบหน้าไม่ได้อยู่ติดกัน ภาพด้านล่างเป็นตัวอย่างของเมทริกซ์ดังกล่าว ให้บอกว่าฉันตั้งค่าขนาดรุ่นสูงสุดไว้ที่ 20 ใบหน้าและใช้การเติมเต็มสำหรับสิ่งที่เล็กกว่านั้นเพื่อให้อินพุตกับเครือข่ายมีขนาดคงที่ ฉันต้องการที่จะรับรู้ถึง 5 คุณสมบัติการออกแบบที่แตกต่างกันและดังนั้นจึงมี 5 เซลล์ประสาทเอาท์พุท - [สล็อต, กระเป๋า, หลุม, เจ้านาย, ขั้นตอน] ฉันจะพูดถูกไหมว่านี่เป็นปัญหาของ 'การจดจำรูปแบบ' ตัวอย่างเช่นถ้าฉันจัดหาเครือข่ายด้วยรูปแบบการฝึกอบรมจำนวนมาก - พร้อมกับฉลากที่อธิบายถึงคุณลักษณะการออกแบบที่มีอยู่ในโมเดลเครือข่ายจะเรียนรู้ที่จะจดจำรูปแบบ adjacency เฉพาะที่แสดงในเมทริกซ์ซึ่งเกี่ยวข้องกับคุณสมบัติการออกแบบบางอย่างหรือไม่ ฉันเป็นผู้เริ่มต้นที่สมบูรณ์ในการเรียนรู้ของเครื่องและฉันพยายามที่จะเข้าใจว่าวิธีการนี้จะใช้งานได้หรือไม่ - หากต้องการข้อมูลเพิ่มเติมใด ๆ เพื่อทำความเข้าใจปัญหาแสดงความคิดเห็น ข้อมูลหรือความช่วยเหลือใด ๆ จะได้รับการชื่นชมขอบคุณ

10 neural-networks  machine-learning  convolutional-neural-networks  pattern-recognition  detecting-patterns 

ฉันได้มองหาตัวแทนที่ชาญฉลาดของVivในการพัฒนา ตามสิ่งที่ฉันเข้าใจ AI นี้สามารถสร้างรหัสใหม่และเรียกใช้งานโดยยึดตามแบบสอบถามจากผู้ใช้ สิ่งที่ฉันอยากรู้คือ AI นี้สามารถเรียนรู้การสร้างรหัสตามแบบสอบถามได้อย่างไร อัลกอริธึมการเรียนรู้ของเครื่องจักรชนิดใดที่เกี่ยวข้องในกระบวนการนี้ สิ่งหนึ่งที่ฉันพิจารณาคือการทำลายชุดข้อมูลของโปรแกรมทีละขั้นตอน ตัวอย่างเช่น: รหัสที่จะใช้ค่าเฉลี่ยของ 5 คำ 1 - เพิ่มทั้ง 5 คำด้วยกัน 2 - หารด้วย 5 จากนั้นฉันจะฝึกอัลกอริทึมให้แปลงข้อความเป็นรหัส นั่นคือเท่าที่ฉันได้คิดออก ยังไม่ได้ลองอะไรเลยเพราะฉันไม่แน่ใจว่าจะเริ่มที่ไหนดี ใครมีความคิดเห็นเกี่ยวกับวิธีการใช้ Viv? นี่คือการสาธิตของ Viv

10 neural-networks  machine-learning  deep-learning  ai-design  natural-language-processing 

ในบริบทของปัญญาประดิษฐ์ความเป็นเอกเทศหมายถึงการถือกำเนิดของปัญญาประดิษฐ์ทั่วไปที่สามารถพัฒนาตนเองแบบเรียกซ้ำได้ซึ่งนำไปสู่การเกิดขึ้นอย่างรวดเร็วของปัญญาประดิษฐ์ขั้นสูง (ASI) ข้อ จำกัด ที่ไม่เป็นที่รู้จัก . ดังนั้นปัญญาประดิษฐ์เหล่านี้จะสามารถแก้ไขปัญหาที่เราอาจไม่สามารถแก้ไขได้ จากรายงานการสำรวจความก้าวหน้าในอนาคตในด้านปัญญาประดิษฐ์: การสำรวจความคิดเห็นของผู้เชี่ยวชาญ (2014) การประมาณค่ามัธยฐานของผู้ตอบแบบสอบถามเป็นหนึ่งในสองโอกาสที่หน่วยสืบราชการลับของเครื่องจักรระดับสูงจะได้รับการพัฒนาประมาณปี 2040-2050 ซึ่งไม่ไกลมาก มีอะไรผิดปกติกับความคิดที่ว่า AI จะมีความสามารถในการสัพพัญญูเพราะมันจะเป็นประโยชน์ต่อเราโดยการแก้ปัญหามากมาย?

10 machine-learning  philosophy  singularity  cognitive-science 

ดูเหมือนว่าเครือข่ายประสาทลึกและแบบจำลองโครงข่ายประสาทเทียมอื่น ๆ มีอิทธิพลเหนือพื้นที่ปัจจุบันหลายอย่างเช่นคอมพิวเตอร์วิสัยทัศน์การจำแนกวัตถุการเรียนรู้การเสริมแรง ฯลฯ มีโดเมนที่ SVM (หรือรุ่นอื่น ๆ ) ยังคงให้ผลลัพธ์ที่ล้ำสมัยอยู่หรือไม่?

10 machine-learning  svm  state-of-the-art 

Autoencodersเป็นเครือข่ายประสาทที่เรียนรู้การบีบอัดข้อมูลที่นำเสนอเพื่อสร้างใหม่ในภายหลังเพื่อให้สามารถใช้สำหรับการลดขนาด พวกเขาประกอบด้วยตัวเข้ารหัสและตัวถอดรหัส (ซึ่งสามารถแยกเครือข่ายประสาทเทียม) การลดขนาดจะมีประโยชน์ในการจัดการหรือลดทอนปัญหาที่เกี่ยวข้องกับคำสาปของมิติซึ่งข้อมูลจะกระจัดกระจายและเป็นการยากที่จะได้รับ "นัยสำคัญทางสถิติ" ดังนั้นระบบเข้ารหัสอัตโนมัติ (และอัลกอริทึมอย่าง PCA) จึงสามารถใช้เพื่อจัดการกับคำสาปของมิติข้อมูล ทำไมเราถึงต้องใส่ใจกับการลดขนาดโดยเฉพาะการใช้ระบบเข้ารหัสอัตโนมัติ? เหตุใดเราไม่ใช้ PCA เพียงอย่างเดียวหากจุดประสงค์คือลดขนาด เหตุใดเราจึงต้องขยายการแสดงข้อมูลที่แฝงของอินพุทถ้าเราแค่ต้องการลดขนาดหรือทำไมเราจึงต้องมีส่วนของตัวถอดรหัสในตัวเข้ารหัสอัตโนมัติ? กรณีการใช้งานคืออะไร? โดยทั่วไปแล้วทำไมเราต้องบีบอัดอินพุตเพื่อขยายภายหลังหรือไม่ จะดีกว่าไหมถ้าใช้แค่อินพุตดั้งเดิม (เริ่มต้นด้วย)

10 machine-learning  autoencoders  dimensionality-reduction  curse-of-dimensionality 

มีฟังก์ชั่นการเปิดใช้งานหลายอย่างเช่น ReLU, sigmoid หรือ tanhtanh\tanh. จะเกิดอะไรขึ้นเมื่อฉันผสมฟังก์ชั่นการเปิดใช้งาน ฉันเพิ่งพบว่า Google ได้พัฒนาฟังก์ชั่นเปิดใช้งาน Swish ซึ่งเป็น (x * sigmoid) โดยการเปลี่ยนฟังก์ชั่นการเปิดใช้งานมันสามารถเพิ่มความแม่นยำให้กับปัญหาเครือข่ายประสาทขนาดเล็กเช่นปัญหา XOR ได้หรือไม่?

10 neural-networks  machine-learning  activation-function  relu  sigmoid 

ฉันกำลังเขียนเอ็นจิ้นเพื่อเล่นเกมการ์ดเนื่องจากยังไม่มีเอ็นจิ้นสำหรับเกมนี้โดยเฉพาะ ฉันหวังว่าจะสามารถแนะนำโครงข่ายประสาทเทียมให้กับเกมได้ในภายหลังและให้เรียนรู้ที่จะเล่นเกม ฉันกำลังเขียนเอ็นจิ้นในลักษณะที่เป็นประโยชน์สำหรับผู้เล่น AI มีจุดเลือกและที่จุดเหล่านั้นรายการของตัวเลือกที่ถูกต้องจะถูกนำเสนอ การเลือกแบบสุ่มจะสามารถเล่นเกม (แม้ว่าจะไม่ดี) ฉันได้เรียนรู้มากมายเกี่ยวกับเครือข่ายประสาท (ส่วนใหญ่ NEAT และ HyperNEAT) และสร้างการใช้งานของฉันเอง ฉันยังไม่แน่ใจว่าจะสร้าง AI ที่ดีที่สุดที่สามารถพิจารณาตัวแปรทั้งหมดในเกมประเภทใดประเภทหนึ่งเหล่านี้ได้ มีวิธีการทั่วไปหรือไม่? ฉันรู้ว่า Keldon เขียน AI ที่ดีสำหรับ RftG ซึ่งมีความซับซ้อนในระดับที่เหมาะสมฉันไม่แน่ใจว่าเขาจะสร้าง AI ได้อย่างไร คำแนะนำใด ๆ? เป็นไปได้ไหม มีตัวอย่างที่ดีของสิ่งนี้หรือไม่? อินพุตถูกแมปอย่างไร? แก้ไข: ฉันดูออนไลน์และเรียนรู้ว่าเครือข่ายประสาททำงานอย่างไรและโดยปกติแล้วพวกเขาเกี่ยวข้องกับการจดจำรูปภาพหรือควบคุมเอเจนต์ธรรมดา ฉันไม่แน่ใจว่าจะนำไปใช้กับการเลือกด้วยบัตรที่มีการทำงานร่วมกันที่ซับซ้อนหรือไม่ ทิศทางใดต่อสิ่งที่ฉันควรมองเข้าไปจะได้รับการชื่นชมอย่างมาก เกี่ยวกับเกม: เกมคล้ายกับ Magic: The Gathering มีผู้บัญชาการที่มีสุขภาพและความสามารถ ผู้เล่นมีกลุ่มพลังงานที่พวกเขาใช้เพื่อวางลูกน้องและคาถาบนกระดาน มิเนียนมีสุขภาพค่าโจมตีค่าใช้จ่ายและอื่น ๆ การ์ดยังมีความสามารถซึ่งไม่สามารถระบุได้อย่างง่ายดาย ไพ่จะถูกเล่นจากมือไพ่ใหม่จะถูกดึงมาจากสำรับ สิ่งเหล่านี้จะเป็นประโยชน์สำหรับการพิจารณาโครงข่ายประสาท

10 neural-networks  machine-learning  gaming  neat