คำถามติดแท็ก machine-learning

ขณะนี้ฉันกำลังทำโปรเจ็กต์ที่เกี่ยวกับการสร้าง AI เพื่อเล่นเกม Gomoku (มันเหมือนกับเกม Tic Tac Toe แต่เล่นบนกระดาน 15 * 15 บอร์ดและต้องการ 5 แถวเพื่อชนะ) ฉันประสบความสำเร็จในการนำ tic tac toe ที่สมบูรณ์แบบมาใช้โดยใช้การเรียนรู้ Q และมีสถานะเกม / การกระทำที่เก็บไว้ในโต๊ะ แต่สำหรับบอร์ด 15 * 15 สถานะของเกมที่เป็นไปได้ก็ใหญ่เกินไป คำถามของฉันคือฉันควรใช้เครือข่ายประสาทหรืออัลกอริทึมทางพันธุกรรมสำหรับปัญหานี้หรือไม่? และโดยเฉพาะอย่างยิ่งฉันจะใช้สิ่งนี้ได้อย่างไร

9 neural-networks  machine-learning  genetic-algorithms  combinatorial-games 

ตั้งแต่ปีที่แล้วฉันได้เรียนวิชาต่าง ๆ เพื่อที่จะเข้าใจวิทยานิพนธ์ที่สำคัญที่สุดของการเรียนรู้ของเครื่องเช่น S. Hochreiter & J. Schmidhuber (1997) หน่วยความจำยาวระยะสั้น การคำนวณทางประสาท, 9 (8), 2278-2323 อย่างไรก็ตามเนื่องจากความจริงที่ว่าฉันไม่มีภูมิหลังทางคณิตศาสตร์ฉันจึงเริ่มเรียนวิชาต่างๆเช่น แคลคูลัส แคลคูลัสหลายตัวแปร Anaylsis ทางคณิตศาสตร์ พีชคณิตเชิงเส้น สมการเชิงอนุพันธ์ Anaylsis จริง (ทฤษฎีการวัด) ความน่าจะเป็นเบื้องต้นและสถิติ สถิติทางคณิตศาสตร์ ตอนนี้ฉันไม่สามารถบอกได้ว่าฉันเรียนวิชาเหล่านี้อย่างจริงจัง แต่ฉันรู้ว่าวิชาด้านบนต้องการรับมือกับอะไร สิ่งนี้คือฉันไม่รู้ว่าฉันต้องทำอะไรในจุดนี้ มีหลายวิชาที่การเรียนรู้ของเครื่องใช้ในการแก้ปัญหามากมายที่นั่นและฉันไม่รู้วิธีการใช้อย่างถูกต้อง ยกตัวอย่างเช่นการเรียนรู้การเสริมกำลังเป็นหนึ่งในหัวข้อที่ได้รับความนิยมมากที่สุดที่นักวิจัยหลายแสนคนกำลังทำการวิจัยเพื่อสร้างความก้าวหน้าของคำสาปของมิติ แต่ในฐานะพนักงานในอนาคตที่จะทำงานใน บริษัท ไอทีงานบนโต๊ะจะไม่เป็นสิ่งที่ฉันคาดหวัง การมีความเชี่ยวชาญของตัวเองในการทำงานในสาขาต่าง ๆ เป็นสิ่งสำคัญหรือไม่ ถ้าเป็นเช่นนั้นฉันต้องเรียนวิชาอะไร เพื่อความสะดวกของคุณฉันต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับกระบวนการมาร์คอฟและกระบวนการตัดสินใจมาร์คอฟ

9 machine-learning  getting-started 

เครื่องจักรที่ทรงพลังในการเอาชนะแชมป์ผู้เล่นโป๊กเกอร์เมื่อเร็ว ๆ นี้มีพลังแค่ไหน?

9 neural-networks  machine-learning 

เพิ่งดูวิดีโอ WIRED ล่าสุดเกี่ยวกับประสิทธิภาพของผู้ช่วยเสมือนในการเล่าเรื่องตลก พวกเขาแต่งโดยมนุษย์ แต่ฉันอยากรู้ว่า AI นั้นดีพอที่จะเขียนไหม

9 machine-learning 

ขณะศึกษาวิธีการขุดข้อมูลฉันได้เข้าใจว่ามีสองประเภทหลัก: วิธีการทำนาย: การจัดหมวดหมู่ การถอยหลัง วิธีการบรรยาย: การจัดกลุ่ม กฎการเชื่อมโยง เนื่องจากฉันต้องการทำนายความพร้อมใช้งานของผู้ใช้ (ผลลัพธ์) ตามสถานที่ตั้งกิจกรรมระดับแบตเตอรี่ (อินพุตสำหรับแบบจำลองการฝึกอบรม) ฉันคิดว่ามันชัดเจนว่าฉันจะเลือก "วิธีการทำนาย" แต่ตอนนี้ฉันไม่สามารถเลือกได้ระหว่าง การจำแนกและการถดถอย จากสิ่งที่ฉันเข้าใจในตอนนี้การจำแนกประเภทสามารถแก้ปัญหาของฉันได้เนื่องจากผลลัพธ์คือ "พร้อมใช้" หรือ "ไม่พร้อมใช้" การจำแนกประเภทสามารถให้ความน่าจะเป็น (หรือความน่าจะเป็น) แก่ผู้ใช้ได้หรือไม่? ในเอาต์พุตไม่เพียงแค่ 0 (ไม่พร้อมใช้งาน) หรือ 1 (สำหรับว่าง) แต่มันเป็นดังนี้: 80 %80%80\% ใช้ได้ 20 %20%20\% ไม่ว่าง ปัญหานี้สามารถแก้ไขได้ด้วยการถดถอยหรือไม่ ฉันได้รับการถดถอยที่ใช้สำหรับการส่งออกอย่างต่อเนื่อง (ไม่เพียง 0 หรือ 1 เอาท์พุท) แต่ไม่สามารถเอาท์พุทเป็นค่าต่อเนื่องของความพร้อมใช้งานของผู้ใช้ (เช่นเอาท์พุทเป็น 808080 ความหมายของผู้ใช้คือ 80%80%80\% ที่มีอยู่โดยนัยผู้ใช้คือ 20%20%20\% สามารถใช้งานได้)

9 machine-learning  ai-design  classification  prediction  regression 

ดังนั้นฉันจึงพยายามที่จะเข้าใจเครือข่ายประสาทเทียมนับตั้งแต่ฉันเจอบล็อกของ Adam Geitgeyเกี่ยวกับการเรียนรู้ของเครื่อง ฉันอ่านมากที่สุดเท่าที่จะทำได้ในเรื่องนี้ (ที่ฉันสามารถเข้าใจได้) และเชื่อว่าฉันเข้าใจแนวคิดที่กว้างขวางทั้งหมดและผลงานบางส่วน (แม้จะอ่อนแอมากในวิชาคณิตศาสตร์) เซลล์ประสาทซินน้ำหนักน้ำหนักฟังก์ชั่นต้นทุน เป็นต้นอย่างไรก็ตามฉันไม่สามารถหาวิธีการแปลปัญหาในโลกแห่งความจริงเป็นโซลูชั่นเครือข่ายประสาท ในกรณีนี้ Adam Geitgey ให้ตัวอย่างการใช้งานซึ่งเป็นระบบการทำนายราคาบ้านที่ได้รับชุดข้อมูลที่มีจำนวนห้องนอน , Sq ฟุต , พื้นที่ใกล้เคียงและราคาขายที่คุณสามารถฝึกอบรมเครือข่ายประสาทเพื่อให้สามารถคาดการณ์ราคาของบ้าน อย่างไรก็ตามเขาหยุดสั้น ๆ ของการนำโซลูชันที่เป็นไปได้ในรหัส ตัวอย่างที่ใกล้ที่สุดที่เขาได้รับคือพื้นฐานของฟังก์ชันที่แสดงให้เห็นว่าคุณใช้น้ำหนักอย่างไร: def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): price = 0 # a little pinch of this price += num_of_bedrooms * 1.0 # and a big pinch of that price += sqft …

9 neural-networks  machine-learning 

ดังนั้นการเรียนรู้ของเครื่องจักรจะช่วยให้ระบบเป็นแบบอัตโนมัติในแง่ที่ว่ามันสามารถทำนายสถานะในอนาคตตามสิ่งที่เรียนรู้มาจนถึงปัจจุบัน คำถามของฉันคือเทคนิคการเรียนรู้ของเครื่องเป็นวิธีเดียวที่ทำให้ระบบพัฒนาความรู้ด้านโดเมนหรือไม่?

9 machine-learning  knowledge-representation 

ฉันกำลังพยายามหาอัลกอริธึมที่เหมาะสมสำหรับระบบที่ผู้ใช้ป้อนอาการสองสามอย่างและระบบต้องคาดเดาหรือกำหนดโอกาสที่อาการบางอย่างที่เลือกจะสัมพันธ์กับที่มีอยู่ในระบบ จากนั้นหลังจากเชื่อมโยงพวกเขาผลลัพธ์หรือผลลัพธ์ควรเป็นโรคเฉพาะสำหรับอาการ ระบบประกอบด้วยชุดของโรคที่ได้รับมอบหมายให้แต่ละอาการเฉพาะซึ่งยังมีอยู่ในระบบ สมมติว่าผู้ใช้ป้อนอินพุตต่อไปนี้: A, B, C, and D สิ่งแรกที่ระบบควรทำคือตรวจสอบและเชื่อมโยงอาการแต่ละอย่าง (ในกรณีนี้แสดงด้วยตัวอักษรตามตัวอักษร) ทีละตัวกับตารางข้อมูลของอาการที่มีอยู่แล้ว และในกรณีที่ไม่มีข้อมูลเข้าระบบควรรายงานหรือส่งข้อเสนอแนะเกี่ยวกับข้อมูลนั้น และสมมุติว่ามันA and Bอยู่ในตารางข้อมูลเรามั่นใจ 100% ว่ามันถูกต้องหรือมีอยู่จริงและระบบสามารถให้โรคตามอินพุตได้ แล้วขอบอกว่าการป้อนข้อมูลที่ตอนนี้เป็นC and Dที่Cไม่อยู่ในข้อมูลตาราง แต่มีความเป็นไปได้ที่Dมีอยู่ เราไม่ให้Dคะแนน 100% แต่อาจจะต่ำกว่านี้ (สมมุติว่า 90%) จากนั้นCก็ไม่มีอยู่ในตารางข้อมูล ดังนั้นCได้รับคะแนน 0% ดังนั้นระบบควรมีการเชื่อมโยงและเทคนิคการทำนายหรือกฎบางอย่างเพื่อส่งออกผลลัพธ์โดยการตัดสินอินพุตของผู้ใช้ สรุปการสร้างผลลัพธ์: If A and B were entered and exist, then output = 100% If D was entered and existed …

9 algorithm  machine-learning  prediction 

ตัวแทน AI มักจะคิดว่ามี "เซ็นเซอร์" "หน่วยความจำ" "หน่วยประมวลผลการเรียนรู้เครื่อง" และ "ปฏิกิริยา" อย่างไรก็ตามเครื่องที่มีสิ่งเหล่านี้ไม่จำเป็นต้องกลายเป็นเอเจนต์การโปรแกรมด้วยตนเอง นอกเหนือจากส่วนที่กล่าวถึงข้างต้นมีองค์ประกอบหรือรายละเอียดอื่น ๆ ที่จำเป็นในการทำให้เครื่องสามารถเป็นตัวแทน AI แบบตั้งโปรแกรมเองได้หรือไม่? ตัวอย่างเช่นกระดาษจาก 2011ประกาศว่าการแก้ปัญหาการเพิ่มประสิทธิภาพของการเพิ่มความฉลาดเป็นคุณสมบัติที่ต้องมีสำหรับกระบวนการเขียนโปรแกรมด้วยตนเองดังที่แสดงด้านล่าง: ระบบบอกว่าจะทำตัวอย่างของการเขียนโปรแกรมด้วยตนเองเมื่อได้รับการเรียนรู้เกี่ยวกับองค์ประกอบของ "โครงสร้างพื้นฐานทางปัญญา" บางส่วนของมันซึ่งหลังถูกกำหนดให้เป็นชุดของคุณสมบัติ "ปัญญา - วิกฤติ" ที่คลุมเครือของระบบ; และความสำคัญของข่าวกรองของคุณลักษณะของระบบนั้นถูกกำหนดให้เป็น "คุณสมบัติของคุณลักษณะ" ซึ่งพิจารณาจากมุมมองของการแก้ปัญหาการหาค่าเหมาะที่สุดเพื่อเพิ่มความฉลาดของระบบมัลติฟีเจอร์ให้สูงสุด อย่างไรก็ตามคำอธิบายของ "การเพิ่มประสิทธิภาพของความฉลาด" นี้ไม่ชัดเจน ใครสามารถให้คำจำกัดความที่ชัดเจนหรือสรุปที่ดีกว่าสำหรับองค์ประกอบที่จำเป็นสำหรับตัวแทนการเขียนโปรแกรมด้วยตนเอง? คำถามนี้มาจากเบต้าปิดปี 2014 โดยผู้ถามมี UID 23

9 machine-learning  computer-programming 

เราสามารถอ่านในหน้า Wikipediaว่า Google สร้างชิป ASIC แบบกำหนดเองสำหรับการเรียนรู้ของเครื่องและปรับแต่งสำหรับ TensorFlow ซึ่งช่วยเร่ง AI เนื่องจากชิป ASIC ได้รับการปรับแต่งเป็นพิเศษสำหรับการใช้งานเพียงอย่างเดียวโดยไม่สามารถเปลี่ยนวงจรได้จึงต้องมีอัลกอริทึมคงที่ซึ่งถูกเรียกใช้ ดังนั้นการเร่งความเร็วของ AI โดยใช้ชิป ASIC ทำงานอย่างไรถ้าอัลกอริทึมไม่สามารถเปลี่ยนแปลงได้? ส่วนไหนของการเร่งความเร็ว

9 neural-networks  machine-learning  hardware  neuromorphic-engineering