คำถามติดแท็ก artificial-intelligence

คำถามเกี่ยวกับการออกแบบและคุณสมบัติของตัวแทนที่ทำหน้าที่ในสภาพแวดล้อมแบบไดนามิกและตัดสินใจไปสู่เป้าหมายบางอย่างโดยผู้ใช้ไม่สามารถควบคุมได้

1
อัลกอริทึมการเรียนรู้ของเครื่องใดที่สามารถใช้สำหรับการพยากรณ์อนุกรมเวลา
ขณะนี้ฉันกำลังเล่นกับการคาดการณ์อนุกรมเวลา (โดยเฉพาะสำหรับ Forex) ฉันได้เห็นเอกสารทางวิทยาศาสตร์เกี่ยวกับเครือข่ายของรัฐที่ใช้กับการพยากรณ์ Forex มีอัลกอริทึมการเรียนรู้ของเครื่องที่ดีสำหรับจุดประสงค์นี้หรือไม่? นอกจากนี้ยังน่าสนใจที่จะแยกรูปแบบ "ทำกำไร" จากอนุกรมเวลา

2
เหตุใด C ประเภทโมฆะจึงไม่คล้ายกับประเภทที่ว่าง / ด้านล่าง
Wikipedia ตลอดจนแหล่งข้อมูลอื่น ๆ ที่ฉันได้พบรายการvoidประเภทC เป็นหน่วยประเภทซึ่งตรงข้ามกับประเภทที่ว่างเปล่า ฉันพบว่ามันสับสนเพราะฉันคิดว่าvoidเหมาะกับนิยามของประเภทที่ว่าง / ล่าง ไม่มีค่านิยมใด ๆ อยู่voidเท่าที่ฉันจะบอกได้ ฟังก์ชั่นที่มีประเภทคืนค่าเป็นโมฆะระบุว่าฟังก์ชั่นจะไม่ส่งคืนสิ่งใดดังนั้นจึงสามารถทำงานได้เพียงผลข้างเคียงเท่านั้น ตัวชี้ชนิดvoid*เป็นชนิดย่อยของชนิดตัวชี้อื่นทั้งหมด นอกจากนี้การแปลงไปยังและจากvoid*ใน C นั้นเป็นนัย ผมไม่แน่ใจว่าถ้าจุดสุดท้ายมีบุญใด ๆ ที่เป็นข้อโต้แย้งสำหรับvoidการเป็นประเภทที่ว่างเปล่าเป็นมากหรือน้อยเป็นกรณีพิเศษที่มีความสัมพันธ์ไม่มากที่จะvoid*void ในทางกลับกันvoidตัวมันเองไม่ใช่ประเภทย่อยของประเภทอื่นทั้งหมดซึ่งเท่าที่ฉันสามารถบอกได้ว่าเป็นข้อกำหนดสำหรับประเภทที่จะเป็นประเภทด้านล่าง
28 type-theory  c  logic  modal-logic  coq  equality  coinduction  artificial-intelligence  computer-architecture  compilers  asymptotics  formal-languages  asymptotics  landau-notation  asymptotics  turing-machines  optimization  decision-problem  rice-theorem  algorithms  arithmetic  floating-point  automata  finite-automata  data-structures  search-trees  balanced-search-trees  complexity-theory  asymptotics  amortized-analysis  complexity-theory  graphs  np-complete  reductions  np-hard  algorithms  string-metrics  computability  artificial-intelligence  halting-problem  turing-machines  computation-models  graph-theory  terminology  complexity-theory  decision-problem  polynomial-time  algorithms  algorithm-analysis  optimization  runtime-analysis  loops  turing-machines  computation-models  recurrence-relation  master-theorem  complexity-theory  asymptotics  parallel-computing  landau-notation  terminology  optimization  decision-problem  complexity-theory  polynomial-time  counting  coding-theory  permutations  encoding-scheme  error-correcting-codes  machine-learning  natural-language-processing  algorithms  graphs  social-networks  network-analysis  relational-algebra  constraint-satisfaction  polymorphisms  algorithms  graphs  trees 

3
ฉันควรเรียนรู้ปัญญาประดิษฐ์เมื่อใด [ปิด]
ปิด คำถามนี้เป็นคำถามความคิดเห็นตาม ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ อัปเดตคำถามเพื่อให้สามารถตอบข้อเท็จจริงและการอ้างอิงได้โดยแก้ไขโพสต์นี้ ปิดเมื่อปีที่แล้ว ตรงประเด็น: ฉันต้องการเรียนรู้ AI จริงๆ แต่ฉันต้องการคำแนะนำจากพวก CS ที่มีประสบการณ์ว่าเมื่อใดฉันควรเข้าสู่ปัญญาประดิษฐ์ จำเป็นต้องมีข้อกำหนดเบื้องต้นอะไรบ้างเพื่อให้ฉันเข้าใจแนวคิด AI ได้ดีขึ้น

3
วิธีการใช้ปัญญาประดิษฐ์ในหมากรุกคอมพิวเตอร์
ในบางเอกสาร (ประวัติศาสตร์) หมากรุกถูกเรียกว่า drosophila ของปัญญาประดิษฐ์ ในขณะที่ฉันคิดว่าในการวิจัยปัจจุบันการประยุกต์ใช้อัลกอริทึมการค้นหาเป็นวิทยาศาสตร์คอมพิวเตอร์ขั้นสูงที่ดีที่สุดแต่ฉันเชื่อว่ายังมีพื้นที่ที่สามารถนำไปใช้ (และฝึกฝน) เทคนิค AI ตัวอย่างง่ายๆคือการเปิดการเรียนรู้หนังสือโดยที่คนหนึ่งสามารถสอนโปรแกรมว่าจะใช้หรือไม่ใช้การเคลื่อนไหวบางอย่างในการเปิดเพราะโปรแกรมไม่ได้อยู่ในตำแหน่งบางประเภท เราสามารถใช้รูปแบบของการเรียนรู้การ inforce ใหม่และทำให้สิ่งนี้เป็นแบบอัตโนมัติ: ฉันคิดว่าฉันสามารถเล่นโปรแกรมกับตัวเองและเพิ่มความน่าจะเป็นในการชนะเส้นและลดโอกาสในการสูญเสียเส้น ตัวอย่างที่ซับซ้อนมากขึ้นคือการใช้ฟังก์ชั่นการประเมินการเรียนรู้(ตัวอย่างเช่นหนึ่งสามารถปรับค่าของตารางชิ้นสี่เหลี่ยม ) อย่างไรก็ตามฉันคิดว่า: ให้เสียงทั้งหมดเนื่องจากมีตำแหน่งจริงจำนวนมหาศาล (ตรงข้ามกับจำนวนบรรทัดเปิดจริง) และด้วยราคา (ระยะเวลา) ของเกมหมากรุกคอมพิวเตอร์และความต้องการในการเล่น เราจะทำสิ่งนี้ได้อย่างมีประสิทธิภาพได้อย่างไร (หรือฉันควรดูเทคนิคอื่น ๆ เช่นโครงข่ายประสาทเทียม)

4
'Eugene Goostman' ผ่านการทดสอบทัวริงจริงหรือไม่
มีการกล่าวกันว่า 'Eugene Goostman' โปรแกรมคอมพิวเตอร์ที่พัฒนาขึ้นเพื่อจำลองเด็กชายอายุ 13 ปีพยายามโน้มน้าวผู้พิพากษาร้อยละ 33 ว่าเป็นมนุษย์และผ่านการทดสอบทัวริง โปรแกรมคอมพิวเตอร์หรือที่รู้จักกันในชื่อ chatbot ถูกแกล้งทำเป็นเด็กชายชาวยูเครนอายุ 13 ปีซึ่งภาษาอังกฤษเป็นภาษาที่สองซึ่งมีความแตกต่างกันมาก สำหรับฉันแล้ว Eugene ฟังดูเหมือน chatbot ธรรมดา ๆ ควร: ซ้ำซากไร้สาระและเกลื่อนไปด้วยผู้ไม่เสแสร้ง ฉันไม่รู้ว่ามันทำให้ผู้พิพากษาตัดสินอย่างไร (ซึ่งดูไม่เป็นมืออาชีพ) หลายคนวิพากษ์วิจารณ์ยูจีนเหมือนศาสตราจารย์ Stevan Harnad ที่กล่าวว่า "มันไร้สาระ" และ "เราไม่ได้ผ่านการทดสอบของทัวริง ความคิดเห็นที่แตกต่างกัน แต่ฉันอยากจะรู้ว่ามันผ่านการทดสอบอย่างเป็นทางการ? มันก็ถูกกล่าวว่า: สองรางวัลแบบครั้งเดียวเท่านั้นที่ไม่เคยได้รับ 25K นั้นถูกนำเสนอสำหรับผู้พูดคุยคนแรกที่ผู้พิพากษาไม่สามารถแยกความแตกต่างจากมนุษย์จริงและสามารถโน้มน้าวผู้พิพากษาว่ามนุษย์เป็นโปรแกรมคอมพิวเตอร์ $ 100,000 เป็นรางวัลสำหรับนักแชตบ็อตคนแรกที่ผู้พิพากษาไม่สามารถแยกความแตกต่างจากมนุษย์จริงในการทดสอบทัวริงซึ่งรวมถึงการถอดรหัสและการทำความเข้าใจข้อความภาพและการรับฟัง การแข่งขันประจำปีจะสิ้นสุดลง หมายความว่ายูจีนได้รับรางวัล $ 25,000 หรือไม่?

2
วิธีการให้คะแนนฝ่ายตรงข้ามคอมพิวเตอร์ที่ต้องการความสมดุล
คำถามนี้เกี่ยวกับวิธีการที่คู่ต่อสู้ของคอมพิวเตอร์ที่ฉันสร้างขึ้นและกำลังถูกใช้อยู่หรือกำลังวางแผนที่จะใช้ในเกมคอมพิวเตอร์หลายเกม พื้นหลัง เมื่อปีที่แล้วเมื่อพยายามปรับปรุงฝ่ายตรงข้ามคอมพิวเตอร์สำหรับเกมที่เรียกว่า "Minesweeper Flags" (คำอธิบายสั้น ๆ : Minesweeper เวอร์ชันที่มีผู้เล่นหลายคนแบบเลี้ยวตามที่คุณต้องใช้เวลามากกว่าเหมืองของฝ่ายตรงข้าม)ฉันเปลี่ยนวิธีการทำงานของอัลกอริทึม . แทนที่จะใช้วิธีเช่น if-else-if-else ฉันใช้ชุดของ "ผู้ทำสกอร์" ที่มีน้ำหนักที่ระบุเพื่อกำหนดว่าการเคลื่อนไหวที่ดีที่สุดคืออะไร คุณอาจคิดว่าสำหรับเกมอย่าง Minesweeper Flags เป็นเพียงการเคลื่อนที่ที่ให้โอกาสในการขุด แต่มันไม่ง่ายอย่างนั้น การย้ายที่คอมพิวเตอร์จะทำมักขึ้นอยู่กับฟีเจอร์ต่าง ๆ สำหรับการย้ายเฉพาะในสถานะเกมปัจจุบัน ตัวอย่างของคุณสมบัติ: ความน่าจะเป็นของการเคลื่อนไหวนี้ให้คะแนนเหมืองคืออะไร? ความน่าจะเป็นที่จะเปิดเผยสิ่งใด ๆ กับคู่ต่อสู้ของฉันที่นี่คืออะไร คำอธิบายของระบบ ระบบทำงานโดยทั่วไปดังนี้: "ผู้ทำประตูก่อน": ทำการวิเคราะห์ล่วงหน้าบางอย่างสำหรับสถานะเกมปัจจุบัน (ในแง่ของ Minesweeper Flags นี่เป็นปกติ: การคำนวณความน่าจะเป็นทั้งหมด) "Scorers": ชุดของผู้ทำประตูธรรมดาจะถูกถามเพื่อกำหนดคะแนนสำหรับการเคลื่อนไหวที่เป็นไปได้แต่ละครั้งผู้ทำคะแนนแต่ละคนจะใช้คะแนนตามเกณฑ์ของตัวเอง ผู้ทำคะแนนสามารถตรวจสอบผลลัพธ์ของการวิเคราะห์ล่วงหน้าที่ทำ คะแนนที่คำนวณในขั้นตอนข้างต้นจะถูกนำมารวมเข้าด้วยกันและกำหนดให้เป็นคะแนนสำหรับการย้าย การเคลื่อนไหวจะถูกจัดเรียงตามคะแนนของพวกเขาและจัดอันดับเพื่อให้การเคลื่อนไหวทั้งหมดที่มีคะแนนเดียวกันได้รับอันดับเดียวกัน "Post-scorers": ผลลัพธ์ของข้างต้นสามารถส่งไปยัง "Post-scorers" ที่มีความเป็นไปได้ที่จะแก้ไขคะแนนของฟิลด์ใด ๆ ในแบบที่พวกเขาต้องการตามกฎของโพสต์ - …

2
ฮิวริสติกที่ยอมรับได้ช่วยให้มั่นใจได้ว่าเป็นทางออกที่ดีที่สุดได้อย่างไร
เมื่อใช้ A * (หรืออัลกอริทึมการค้นหาเส้นทางที่ดีที่สุดอื่น ๆ ) เราบอกว่าการฮิวริสติกที่ใช้ควรยอมรับได้นั่นคือไม่ควรประเมินค่าความยาวของเส้นทางการแก้ปัญหาที่แท้จริง (หรือย้าย) ฮิวริสติกที่ยอมรับได้ช่วยให้มั่นใจได้ว่าเป็นทางออกที่ดีที่สุดได้อย่างไร ฉันกำลังมองหาคำอธิบายที่ใช้งานง่าย หากคุณต้องการคุณสามารถอธิบายการใช้ฮิวริสติกระยะทางแบบแมนฮัตตันของปริศนา 8 ตัว

4
วิธีประดิษฐ์อัลกอริทึมที่แนะนำสูตรการทำอาหารที่เป็นไปได้?
ฉันเคยมีประสบการณ์ในหลักสูตรที่สร้างอัลกอริทึมที่จะแนะนำสูตรการทำอาหาร ตอนแรกสูตรอาหารบ้าทุกประเภทจะออกมา จากนั้นเธอจะฝึกอัลกอริทึมการปรุงอาหารด้วยสูตรอาหารจริงและในที่สุดก็จะแนะนำสูตรอาหารที่ดีมาก ฉันเชื่อว่าเธอใช้บางสิ่งที่เกี่ยวข้องกับทฤษฎีบทของเบย์หรือการทำคลัสเตอร์ แต่เธอหายไปนานและเป็นอัลกอริทึม ฉันค้นหาทางอินเทอร์เน็ต แต่กำลังมองหาสูตรการทำอาหารจะให้ผลลัพธ์แบบใดก็ได้ แต่ไม่ใช่สิ่งที่ฉันกำลังมองหา ดังนั้นคำถามของฉันคือ: เทคนิคใดที่สามารถใช้ในการคิดอัลกอริทึมที่ (สุ่ม) แนะนำสูตรที่เป็นไปได้ (โดยไม่ต้องใช้ฐานข้อมูลของสูตรคงที่) ทำไมฉันถึงต้องมองหาอัลกอริทึมการทำอาหาร? มันเป็นตัวอย่างที่ดีมากของการประยุกต์ใช้แนวคิดพื้นฐานจริง ๆ ในโลกและอัลกอริธึมดังกล่าวอาจมีประโยชน์ในการตั้งค่าต่าง ๆ ที่ใกล้เคียงกับโลกแห่งความเป็นจริงมากขึ้น

6
การหาค่า XOR สูงสุดของตัวเลขสองตัวในช่วงเวลาหนึ่ง: เราจะทำได้ดีกว่าสมการกำลังสองหรือไม่?
สมมติว่าเรากำลังได้รับสองหมายเลขและและที่เราต้องการที่จะหาสำหรับL \ le i, \, J \ le Rlllrrrmax(i⊕j)max(i⊕j)\max{(i\oplus j)}l≤i,j≤rl≤i,j≤rl\le i,\,j\le r อัลกอริทึมnaïveเพียงตรวจสอบคู่ที่เป็นไปได้ทั้งหมด เช่นในทับทิมเรามี: def max_xor(l, r) max = 0 (l..r).each do |i| (i..r).each do |j| if (i ^ j > max) max = i ^ j end end end max end ฉันรู้สึกว่าเราสามารถทำได้ดีกว่าสมการกำลังสอง มีอัลกอริทึมที่ดีกว่าสำหรับปัญหานี้หรือไม่?

2
อะไรคืออัลกอริธึมที่ล้ำสมัยสำหรับการค้นหาเส้นทางบนแผนที่ต่อเนื่องของโลก?
สมมติว่าฉันมีเรือสำเภาด้วยตนเองที่ใช้พลังงานแสงอาทิตย์อยู่ที่ไหนสักแห่งในฟยอร์ดของนอร์เวย์ซึ่งมาพร้อมกับแผนที่ชุดล่าสุดตัวรับสัญญาณ GPS และไม่มีคำสั่งรายละเอียดเกี่ยวกับการลิงก์จากฉัน เรือลำนี้ต้องไปถึงให้ได้ถึงเกาะไหหลำในช่วงเวลาที่เร็วที่สุดเท่าที่จะเป็นไปได้ อะไรคืออัลกอริทึมที่กำหนดไว้สำหรับการค้นหาเส้นทางการเดินเรือในโลก? ความซับซ้อนของเวลาและหน่วยความจำคืออะไร ยกตัวอย่างเช่นฉันสามารถใช้ A * หลังจากเปลี่ยนแผนที่ของโลกเป็นแผนภาพที่มีรูปหลายเหลี่ยมที่เชื่อมต่อกัน (เช่น Delaunay triangulation บนทรงกลม / ทรงรี) และอะไรคือวิธีการอื่นที่เป็นไปได้? คำตอบควรให้การอ้างอิงไปยังเอกสารด้วยการอภิปรายคำถามที่กล่าวถึงข้างต้น ตามที่Rob Langชี้ให้เห็นอัลกอริทึมจะต้องตรงกับเกณฑ์ปกติ: ในกรณีที่ไม่มีเวลา จำกัด นำไปสู่เส้นทางที่สั้นที่สุดระหว่างจุดสองจุดใด ๆ บนมหาสมุทรและทะเลของโลกหรือบ่งบอกถึงความล้มเหลวในการหาเส้นทาง มีหัวข้อย่อยที่น่าสนใจที่นี่ (ซื้อขายเวลาคำนวณล่วงหน้า / พื้นที่เก็บข้อมูลสำหรับการคำนวณออนไลน์ให้เส้นทางที่ไม่ดีเล็กน้อยก่อนที่จะถึงกำหนดส่งใน ฯลฯ ) แต่สิ่งเหล่านี้เป็นส่วนเสริมของปัญหาหลัก

2
อุณหภูมิเริ่มต้นในขั้นตอนวิธีการอบจำลอง
ฉันได้ทำการทดสอบอุณหภูมิเริ่มต้นที่แตกต่างกันในขั้นตอนวิธีการอบแบบจำลองและสังเกตว่าอุณหภูมิเริ่มต้นมีผลต่อประสิทธิภาพของอัลกอริทึม มีวิธีการคำนวณอุณหภูมิเริ่มต้นที่ดีหรือไม่?

2
วิธีเข้ารหัสวันที่เป็นอินพุตในเครือข่ายประสาทเทียม
ฉันกำลังใช้โครงข่ายประสาทเทียมเพื่อทำนายอนุกรมเวลา คำถามที่ฉันกำลังเผชิญอยู่ในขณะนี้คือฉันจะเข้ารหัสวันที่ / เวลา / หมายเลขซีเรียลได้อย่างไร ของแต่ละอินพุตกำหนดให้เป็นอินพุตไปยังเครือข่ายประสาทเทียมหรือไม่ ฉันควรใช้การเข้ารหัส 1 จาก C (ใช้สำหรับการเข้ารหัสหมวดหมู่) ตามที่อธิบายไว้ที่นี่หรือไม่ หรือฉันควรจะให้อาหารเวลา (ในมิลลิวินาทีตั้งแต่ 1-1-1970)? หรือกำลังป้อนเวลาที่ไม่จำเป็นตราบใดที่ฉันป้อนส่วนที่เหลือของข้อมูลตามลำดับเวลา?

1
Google DeepDream อธิบายแล้ว
ฉันเคยเห็นคำถามสองสามข้อเกี่ยวกับ Deep Dream ในเว็บไซต์นี้ แต่ดูเหมือนว่าไม่มีใครพูดถึง DeepDream ได้ว่าทำอะไรโดยเฉพาะ เท่าที่ฉันรวบรวมพวกเขาดูเหมือนจะเปลี่ยนฟังก์ชั่นวัตถุประสงค์และยังเปลี่ยน backpropagation เพื่อให้แทนที่จะอัปเดตตุ้มน้ำหนักที่พวกเขาอัพเดทภาพอินพุต ฉันสงสัยว่าถ้าใครรู้ว่าสิ่งที่ Google ทำ พวกเขากล่าวถึงหนึ่งในบทความของพวกเขาที่เรียกว่านักบวชชาวเบย์เมื่อพวกเขาทำการหาค่าเหมาะที่สุดและด้วยเหตุนี้ฉันสามารถจินตนาการได้ว่าการใช้โครงข่ายประสาทเทียมเพื่อพ่นภาพสำหรับแต่ละฉลากนั้นไม่ใช่เรื่องยาก - เราสามารถกำหนดป้ายแล้ว ปรับเวกเตอร์อินพุตให้เหมาะสม อย่างไรก็ตามส่วนที่น่าสนใจของความฝันที่ลึกล้ำก็คือมันทำแบบนี้ต่อเลเยอร์และในเรื่องนี้ฉันไม่ค่อยแน่ใจว่ามันจะเน้นรายละเอียดอย่างไรต่อเลเยอร์ แน่นอนว่าการป้อนภาพจะให้คุณค่ากับคุณในแต่ละเซลล์ประสาท แต่ถ้าเช่นนั้นเราจะใช้ข้อมูลนั้นเพื่ออธิบายรายละเอียดที่เกินจริงในภาพต้นฉบับได้อย่างไร ฉันพยายามหารายละเอียดเพิ่มเติมเกี่ยวกับเรื่องนี้ การอ้างอิง: ที่นี่ vzn ตอบคำถามที่คล้ายกัน: https://cs.stackexchange.com/a/44857/49671 จากลิงก์นั้นมีการนำ Deepdream มาใช้ที่นี่: http://auduno.com/post/125362849838/visualizing-googlenet-classes ยกเว้นว่ามันจะไม่มีคุณสมบัติที่พูดเกินจริงตามที่กล่าวไว้ที่นี่: http://googleresearch.blogspot.com/2015/06/inceptionism-going-deeper-into-neural.html ที่ซึ่งทั้งคู่แสดงการสร้างภาพข้อมูลของคลาสเฉพาะและเลเยอร์เฉพาะและพูดว่า: แทนที่จะกำหนดคุณสมบัติที่เราต้องการให้เครือข่ายขยายแน่นอนเราสามารถปล่อยให้เครือข่ายตัดสินใจได้ ในกรณีนี้เราเพียงแค่ป้อนรูปภาพหรือรูปภาพตามอำเภอใจของเครือข่ายและให้เครือข่ายวิเคราะห์รูปภาพ จากนั้นเราเลือกเลเยอร์และขอให้เครือข่ายปรับปรุงสิ่งที่ตรวจพบ

1
พื้นที่รัฐที่เข้าถึงได้ของปริศนา 8 ตัว
ฉันเพิ่งเริ่มเรียนปัญญาประดิษฐ์และสงสัยว่าทำไมพื้นที่รัฐที่เข้าถึงได้ของปริศนา 8 ตัวคือ9!/29!/29!/2 2 ฉันเห็นว่าจำนวนการเรียงสับเปลี่ยนของกระเบื้องคือ9!9!9!แต่ไม่ชัดเจนในทันทีว่าทำไมรัฐครึ่งปริศนาที่เป็นไปได้ถึงไม่สามารถเข้าถึงได้ในสถานะที่กำหนด ทุกคนสามารถทำอย่างละเอียด? รูปภาพของปริศนา 8 ตัวสำหรับการอ้างอิงด้วยการกำหนดค่าแบบสุ่มทางด้านซ้ายและสถานะเป้าหมายทางด้านขวา:

2
วิธีการที่ไม่ใช้พารามิเตอร์เช่น K- เพื่อนบ้านที่ใกล้ที่สุดในพื้นที่คุณลักษณะมิติสูง
แนวคิดหลักของk- ใกล้เคียงที่สุด - เพื่อนบ้านจะคำนึงถึงคะแนนใกล้ที่สุดและตัดสินการจำแนกข้อมูลโดยการโหวตเสียงข้างมาก ถ้าเป็นเช่นนั้นไม่ควรมีปัญหาในข้อมูลมิติที่สูงขึ้นเนื่องจากวิธีการเช่นการแฮชที่มีความละเอียดอ่อนในพื้นที่สามารถค้นหาเพื่อนบ้านที่ใกล้ที่สุดได้อย่างมีประสิทธิภาพkkk นอกจากนี้การเลือกคุณสมบัติด้วยเครือข่ายแบบเบย์สามารถลดขนาดของข้อมูลและทำให้การเรียนรู้ง่ายขึ้น อย่างไรก็ตามการทบทวนรายงานนี้โดย John Lafferty ในการเรียนรู้ทางสถิติชี้ให้เห็นว่าการเรียนรู้ที่ไม่ใช่พารามิเตอร์ในพื้นที่คุณลักษณะมิติสูงยังคงเป็นความท้าทายและยังไม่แก้ เกิดอะไรขึ้น?

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.