mesin Pembelajaran

Tidak bertajuk × px

mesin Pembelajaran

AI (ML) ialah penyiasatan pengiraan PC yang boleh berfungsi akibatnya melalui pengalaman dan dengan penggunaan data. Ia dilihat sebagai sebahagian daripada kesedaran buatan manusia. Pengiraan AI mengumpulkan model memandangkan maklumat ujian, yang dikenali sebagai menyediakan maklumat, untuk menyelesaikan jangkaan atau pilihan tanpa diubah suai secara nyata untuk berbuat demikian. Pengiraan pembelajaran mesin digunakan dalam pelbagai jenis penggunaan, contohnya, dalam ubat, penapisan e-mel, pengakuan wacana dan penglihatan PC, yang menyusahkan atau tidak boleh digunakan untuk memupuk pengiraan biasa untuk melaksanakan tugas yang diperlukan.

Subset AI berkait rapat dengan cerapan pengiraan, yang berpusat di sekitar membuat jangkaan menggunakan PC; namun tidak semua AI adalah pembelajaran fakta. Penyiasatan peningkatan berangka menyampaikan teknik, hipotesis dan kawasan aplikasi kepada bidang AI. Perlombongan maklumat adalah bidang pengajian yang berkaitan, memusatkan perhatian pada penyiasatan maklumat penerokaan melalui pembelajaran tanpa bantuan. Sesetengah pelaksanaan AI menggunakan maklumat dan organisasi saraf sedemikian yang menyamar sebagai kerja otak semula jadi. Dalam penggunaannya merentasi isu perniagaan, AI juga disebut sebagai peperiksaan prescient.

AI (ML) ialah penyiasatan pengiraan PC yang boleh berfungsi akibatnya melalui pengalaman dan dengan penggunaan data. Ia dilihat sebagai sebahagian daripada kesedaran buatan manusia. Pengiraan AI mengumpulkan model memandangkan maklumat ujian, yang dikenali sebagai menyediakan maklumat, untuk menyelesaikan jangkaan atau pilihan tanpa diubah suai secara nyata untuk berbuat demikian. Pengiraan pembelajaran mesin digunakan dalam pelbagai jenis penggunaan, contohnya, dalam ubat, penapisan e-mel, pengakuan wacana dan penglihatan PC, yang menyusahkan atau tidak boleh digunakan untuk memupuk pengiraan biasa untuk melaksanakan tugas yang diperlukan.

Subset AI berkait rapat dengan cerapan pengiraan, yang berpusat di sekitar membuat jangkaan menggunakan PC; namun tidak semua AI adalah pembelajaran fakta. Penyiasatan peningkatan berangka menyampaikan teknik, hipotesis dan kawasan aplikasi kepada bidang AI. Perlombongan maklumat adalah bidang pengajian yang berkaitan, memusatkan perhatian pada penyiasatan maklumat penerokaan melalui pembelajaran tanpa bantuan. Sesetengah pelaksanaan AI menggunakan maklumat dan organisasi saraf sedemikian yang menyamar sebagai kerja otak semula jadi. Dalam penggunaannya merentasi isu perniagaan, AI juga disebut sebagai peperiksaan prescient.

 

 

Sejarah dan hubungan dengan bidang lain

Istilah AI dilahirkan pada tahun 1959 oleh Arthur Samuel, seorang IBMer Amerika dan pelopor dalam bidang permainan PC dan perisikan palsu. Juga PC paparan diri yang setara telah digunakan dalam tempoh masa ini. Buku ejen penyelidikan AI pada tahun 1960-an ialah buku Nilsson tentang Mesin Pembelajaran, menguruskan AI untuk klasifikasi reka bentuk. Minat yang berkaitan dengan pengakuan reka bentuk diteruskan ke tahun 1970-an, seperti yang digambarkan oleh Duda dan Hart pada tahun 1973. Pada tahun 1981 laporan telah diberikan menggunakan teknik persembahan supaya organisasi saraf memikirkan cara melihat 40 aksara (26 huruf, 10 digit dan 4 imej luar biasa) daripada terminal PC.

Tom M. Mitchell memberikan makna yang dipetik secara umum dan lebih konvensional tentang pengiraan yang dipertimbangkan dalam bidang AI: “Sebuah program PC dikatakan mendapat keuntungan sebenarnya E mengenai beberapa kelas tugasan T dan langkah pelaksanaan P jika tidak berkesempatan. bahawa pembentangannya di perusahaan dalam T, seperti yang dianggarkan oleh P, bertambah baik dengan pengalaman E.” Makna tugasan yang berkaitan dengan AI ini menawarkan takrifan fungsi tahap yang sangat asas dan bukannya mencirikan bidang itu dari segi mental. Ini mengikuti cadangan Alan Turing dalam makalahnya "Mendaftar Jentera dan Perisikan", di mana pertanyaan "Bolehkah mesin berfikir?" digantikan dengan pertanyaan "Bolehkah mesin melakukan apa yang kita (sebagai bahan membayangkan) boleh lakukan?".

AI lanjutan mempunyai dua matlamat, satu adalah untuk menyusun maklumat berdasarkan model yang telah dibuat, reka bentuk lain adalah untuk membuat jangkaan untuk hasil masa depan berdasarkan model ini. Pengiraan teori yang jelas untuk mencirikan maklumat mungkin menggunakan penglihatan PC tahi lalat digabungkan dengan pembelajaran terurus untuk menyediakannya untuk mengumpulkan tahi lalat berbahaya. Manakala, pengiraan AI untuk pertukaran saham mungkin menerangkan peniaga berkenaan ramalan potensi masa hadapan.

Teori

Sasaran pusat pelajar adalah untuk merumuskan daripada pengalamannya. Generalisasi dalam tetapan ini ialah kapasiti mesin pembelajaran untuk melaksanakan dengan tepat pada model/usaha baharu yang tidak mencolok selepas menemui koleksi maklumat pembelajaran. Model penyediaan datang daripada beberapa peruntukan kemungkinan yang lazimnya tidak jelas (pemikiran tentang ejen ruang peristiwa) dan pelajar perlu mencipta model keseluruhan berkenaan dengan ruang ini yang memberi kuasa untuk mencipta jangkaan tepat yang secukupnya dalam kes baharu.

Penyiasatan pengiraan pengiraan AI dan pamerannya adalah sebahagian daripada kejuruteraan perisian hipotetikal yang dikenali sebagai hipotesis pembelajaran pengiraan. Memandangkan penyediaan set adalah terhad dan perkara yang akan datang dipersoalkan, hipotesis pembelajaran biasanya tidak menghasilkan pensijilan pembentangan pengiraan. Semua perkara dipertimbangkan, had kebarangkalian pada pembentangan adalah sangat normal. Disintegrasi turun naik kecenderungan adalah satu kaedah untuk menilai kesilapan spekulasi.

Untuk pameran terbaik berkaitan spekulasi, kerumitan teori harus sepadan dengan kerumitan kapasiti menyembunyikan maklumat. Sekiranya teori kurang membingungkan daripada kapasiti, model telah kurang memasang maklumat. Sekiranya kerumitan model dikembangkan dengan sewajarnya, kesilapan penyediaan berkurangan. Walau apa pun, sekiranya teori itu terlalu membingungkan, model itu boleh dikenakan overfitting dan spekulasi akan menjadi lebih buruk.

Tanpa mengambil kira had pelaksanaan, sarjana pembelajaran menumpukan pada kerumitan masa dan praktikal pembelajaran. Dalam hipotesis pembelajaran pengiraan, pengiraan dilihat sebagai boleh dilakukan dengan mengandaikan bahawa ia cenderung dilakukan dalam masa polinomial. Terdapat dua jenis keputusan kerumitan masa: Hasil positif menunjukkan bahawa kelas kapasiti tertentu boleh dipelajari dalam masa polinomial. Hasil buruk menunjukkan bahawa kelas tertentu tidak boleh dipelajari dalam masa polinomial.