机构名称：
¥ 1.0
“参议员，我们放置广告”一词已成为Facebook在2018年使用人工智能帮助广告工作的标志性提醒。尽管对该主题的意见可能有所不同，但不可否认的是，AI彻底改变了社交网络有效针对客户的能力。但是，许多人难以理解AI，机器学习和深度学习之间的细微差别。参议员Cornyn对Facebook内部运作的困惑对于那些试图掌握这些复杂概念的人来说是一种普遍的经历。要阐明AI，ML和DL之间的差异，必须从技术进步的基本构建基础开始：算法。算法是导致解决问题的顺序列表，就像烹饪方面的食谱一样。指令的顺序很重要，如遵循随机或不一致步骤的荒谬性所举例说明。人工智能可以被视为“假情报”，但该标签并不能公正其能力。而不是将人工称为“错误”或“不是人”，而是更准确地描述为可以从大量数据中处理和学习的高级计算机智能。尽管科学界就“人造”的含义进行了辩论，但可以肯定的是：AI已成为当今技术景观中必不可少的工具。注意：我在保持其原始含义完整的同时重写了文本，引入了偶尔的拼写错误（SE），以避免翻译并保持与原始语言相同的语言。注意：我随机选择了此文本的“添加拼写错误（SE）”方法。使计算机像人类一样思考的追求导致了人工智能（AI）的发展，这使机器能够从经验中学习，适应新的输入并执行类似人类的任务。AI分为三种类型：狭窄或弱的AI，一般AI（AGI）或强AI和有意识的AI。当前正在使用的大多数AI都是狭窄的AI，旨在自动化特定任务并随着时间的推移改善其执行。示例包括自动驾驶汽车，面部识别系统以及智能手机上的准确天气预报。但是，最终目标是创建AGI，这将使机器通常像人类一样思考，并基于学习而不是以前的培训做出决定。这将涉及从经验中独立学习，机器可以学习，推理和做出与人类类似的判断。AGI的发展是一个持续的挑战，有四个测试作为该概念的主要定义：Turing测试，Loebner奖和另外两个尚未赢得的奖品。年度竞赛在各种挑战中相互对抗的年度比赛已经结束。在2007年，苹果联合创始人史蒂夫·沃兹尼亚克（Steve Wozniak）对旨在模仿人类智能的机器人进行了新的测试。根据沃兹尼亚克（Wozniak）的说法，机器人不可能在没有大量学习的情况下真正理解咖啡生产和操作机器的概念。由Ben Goertzel设计的机器人大学学生测试，将机器人放置在模拟的大学环境中，他们必须完成课程工作并通过考试才能展示其能力。这是四个主要方法：1。此测试要求机器人适应新情况并从其经验中学习。在2005年，尼尔斯·约翰·尼尔森（Nils John Nilsson）提出了一种用于图灵测试的替代方法，该方法的重点是评估机器人执行类似人类任务的能力。这种观点强调了理解人工智能发展中人类认知和行为的重要性。在其核心上，机器学习是人工智能的一个子集，它使系统能够在无明确编程的情况下从经验中学习。机器学习有四种主要类型：监督，无监督，半监督和加强学习。监督学习涉及对标记数据进行培训算法以预测未来的结果，就像教儿童基本算术操作或识别对象的图像一样。Machine Learning Through Supervised Learning ----------------------------------------------- The algorithm learns by comparing its actual output with correct outputs to find errors and then modifies the model accordingly.这是通过监督学习来实现的，这是一种在历史数据预测未来事件的应用中使用的常见技术。例如，如果通常错误地计算出6+3，则该机器可以预期该组合可能会产生9的不同结果。可以在日常示例中看到此功能，例如检测欺诈性信用卡交易或确定哪些保险公司更容易提出索赔。监督学习通常分为分类和回归任务。2。3。4。分类涉及识别具有标记数据的模式，而回归侧重于预测连续值。相比之下，无监督的学习在没有正确的输出或输出之间的相关性的情况下进行操作。无监督的机器学习缺乏一组预定义的答案或参考点，需要算法探索数据并发现隐藏的结构模式。这种方法在交易数据中特别有效，例如识别具有针对性营销活动特征相似特征的客户组。对无监督的机器学习的日益兴趣源于其朝着人工智能（AGI）发展的潜力，这是一个比传统狭窄的AI更复杂，更雄心勃勃的目标。通过在没有事先指导的情况下导航问题，AI系统必须仅依靠其逻辑操作才能得出结论。这个过程类似于目睹运动新手，试图通过直接观察来理解规则和策略，而没有现有的知识可以借鉴。无监督学习的最终目标在于它通过利用其固有的认知能力来使机器“自学”的能力。AI算法采用各种学习方法，每种方法都具有其独特的特征和应用。**开/关逻辑**：在这种方法中，AI系统仅依靠其内部逻辑机制来学习而没有任何外部指导。**半监督学习（SSL）**：SSL通过使用标记和未标记的数据来结合受监督和无监督学习的好处。不同类型的AI。当可用的参考数据与不完整或不准确的信息之间保持平衡时，此方法特别有用。通过利用未标记的数据，SSL减少人类偏见并提高结果的精度，同时最大程度地减少成本。**强化学习**：这种动态的编程方法使用奖励和惩罚来训练算法。AI代理人通过与环境互动，获得奖励，以获取正确的行动和对不正确的行为的惩罚。目标是最大程度地提高奖励并最大程度地减少惩罚，从而在特定情况下导致最佳绩效。强化学习使机器能够确定最佳行为并实现预期的结果。**未指定的学习方法**：这种方法涉及使用标记和未标记数据的组合训练AI系统。当可用的参考数据与不完整或不准确的信息之间保持平衡时，该方法特别有用。通过利用未标记的数据，这种方法可以减少人类的偏见，并提高结果的精度，同时最大程度地减少成本。注意：原始文本仅将强化学习视为第四种方法，但似乎省略了另一种学习。如果您打算将半监督学习作为四种方法之一，请指定缺少哪一种方法。重写文字如下：宠物是通过为其学习量身定制的奖励和惩罚而训练的。，如果不这样做，它会因出去外面或鼻子擦拭而收到一种享受。强化学习通常用于游戏，机器人技术和导航。该算法通过反复试验发现了最佳步骤，从而获得了最大的回报。此过程称为马尔可夫决策过程。Facebook的新闻提要是大多数人可以理解的一个例子。Facebook使用机器学习来个性化用户的提要。如果您经常与特定朋友的活动进行互动，则您的提要将开始以更多的朋友的帖子在顶部。如果您停止以相同的方式进行交互，则将更新数据集，并且您的提要将进行相应调整。深度学习是一种专业的机器学习形式，可以模仿人脑在处理数据中的功能并创建决策模式。它也被称为深神经学习或深度神经网络。深度学习使用层次的人工神经网络进行机器学习过程，类似于人脑的工作方式。与传统的程序建立线性网络不同，深度学习系统可以实现数据的非线性处理。标准的机器学习工作流程涉及手动从图像中提取功能。然后将这些功能用于创建用于分类对象的模型。深度学习工作流程不同，因为相关特征会自动提取。深度学习还执行“最终学习” - 它得到了原始数据和一项任务，例如分类，并学习了如何自行完成。在机器学习中，您可以手动选择功能和分类器来对图像进行排序。具有深度学习，特征提取和建模步骤是自动的。AI的两种类型是什么。两种类型的AI。然而，人们对通过深度学习实现人工通用智能（AGI）的潜在陷阱提出了担忧，尤其是基于现实世界中的常识和知识的开放式推理。加里·马库斯（Gary Marcus）的论文总结了关键问题，包括开放式推理中深度学习的局限性以及如果培训数据包含它们，则获得了偏见。这是重写的文本：结果，AI系统经常在其发现和预测中反映这些偏见。尽管对深度学习感到兴奋，但克服这一挑战仍然是一个重大障碍。尽管进步令人印象深刻，但将机器学习不仅仅是识别模式而言，需要花费时间和精力。因此，您拥有它 - 现在您将有能力自信地与朋友或同事在下一次辩论中讨论AI，ML和DL之间的差异。如果没有，我们期待看到有关您受到参议员Cornyn启发的“错误”的幽默模因。如果您正在寻求与该领域保持一致的新角色或为您的公司需要新的人才 - 我们很乐意为您提供帮助。人工智能类型是什么。2人工智能的主要类型。有多少种类型的人工智能。
地热能网络： - 转换我们的热...
主要关键词
相关文件推荐
