SOSC1960-L1心理学简介(3个学分)秋季2024课程概述课程描述本课程从心理角度研究了人类的思维和行为过程,并说明了心理见解与社会改善的相关性。它旨在帮助学生获得对心理学作为科学学科的基本理解,并为将来的心理学课程做好准备。预期的学习成果(ILO)在成功完成课程后,您将能够(1)认识到有关人类思想和行为的一些基本科学概念; (2)参考这些概念,分析各种社会环境中的人类绩效和福祉; (3)解释如何进行人类思想和行为的科学研究。教导团队Kevin Tam,Kevintam@ust.hk(讲师)Vivien Pong,vivienpong@ust.hk(TA) *电子邮件将尽快回复。通过电子邮件与我们联系时,请始终将消息的主题行前缀使用课程代码(例如“ SOSC1960 |考试”)。仅使用您的大学电子邮件帐户。告诉我们您在电子邮件中是谁;没有透露身份的电子邮件将不会回复。不要通过画布发送消息。学习活动 *有关评估活动的详细信息可以在单独的文档中找到。*将使用标准引用进行评估;分数和成绩不会在曲线上分配。1。讲座。作为您在本课程中学习的基础,讲座通过各种活动介绍了人类思想和行为的科学。2。3。(ILOS#1至3) *不会记录讲座。必需和可选读数。所需的读数补充了讲座,并将在考试中涵盖。可选的读数是想要进一步探索感兴趣主题的学生的建议。(ILOS#1至3) *请参阅下面的类日历以获取读数列表。可以在NOBA项目平台(https://nobaproject.com)或画布上的“可选读数”文件夹中找到读数。参与(5%)。积极参加课堂的活动可以帮助您和您的同龄人更有效地学习。每个讲座都包括一些学习活动,预计您的参与。对于随机选择5次讲座(您将不知道提前哪些讲座),您将被要求完成一些任务并提交您的输出;根据其质量,每个提交的质量将为您的课程成绩贡献0%或1%。(ILOS#1至#3)4。研究经验(5%)。对您了解如何进行心理学研究很重要。您可以选择作为参与者参加真正的研究研究,或者在研究研究方面查看视频,然后回答一些问题。(ILO#3)
在计算最佳策略时使用较短的计划范围的折扣正则化是一个流行的选择,可以避免面对稀疏或嘈杂的数据时过度使用。通常将其解释为脱颖而出或忽略延迟的影响。在本文中,我们证明了折扣正则化的两种替代观点,这些观点暴露了意外后果并激发了新颖的正则化方法。在基于模型的RL中,在较低的折现因子下计划的行为就像先前的,具有更强的州行动对,并具有更多的过渡数据。从数据集中估算过过渡矩阵时,跨州行动对的数据集估算了不均匀的数据集时,这会导致性能。在无模型的RL中,折扣正则化等同于计划使用加权平均贝尔曼更新,在该计划中,代理计划似乎所有州行动对的值都比数据所暗示的更接近。我们的等价定理促使简单的方法通过在本地设置个人状态行动对而不是全球的参数来概括常规ization。我们证明了折扣正则化的失败以及如何使用我们的州行动特定方法在经验示例中使用表格和连续状态空间进行纠正。
分解:分解是将复杂问题分解为较小的较小复杂部分。这些问题将接一个地解决,直到解决较大的问题为止。分解很重要,因为分别处理许多不同的步骤,而不是解决一个大问题可以使更快,更开放的解决方案(S),此外,它也可以提高效率,并可以使开发人员以更详细的方式看待问题。抽象:抽象是指仅关注相关和最重要的信息,而忽略了无助于开发的任何细节。忽略无关的特征对于达到所需的解决方案是有益的。模式识别:将问题分解为较小的较小复杂部分,下一步就是查看问题共享的相似之处。每个问题共享的这些相似之处将允许开发人员创建一个适用于许多问题的解决方案。模式识别将
以任务为导向的对话(TOD)系统是预先设计的,该系统由多个功能模块组成(例如,对话状态跟踪器,对话策略,自然语言生成),无论是管道还是端到端的档案。然而,这种模块化设计不仅在很大程度上依赖于大量的全通知数据,而且还遭受了许多固有的抽签,例如严重的误差积累,较差的概括能力,高定制成本和低容错率。In this paper, we rethink the architecture of the task-oriented di- alogue systems and propose a novel fully zero- shot autonomous TOD agent, named AutoTOD, where all the delicate modules in traditional TOD systems are deprecated and all it needs is a general-purpose instruction-following lan- guage model (e.g.GPT-4)。 Autotod仅利用一个简单的指令模式包含了任务和外部API的描述,并且可以自主决定在每个对话时要做什么,包括询问信息,调用API,汇总API恢复,并纠正先前的错误。 更重要的是,我们提出了一个基于模拟的评估框架,以更好地验证在现实生活中的TOD模型的能力。 在多沃兹和SGD数据集上进行的实验实验表明,Autotod的卓越任务能力和灵活的语言技能。 1GPT-4)。Autotod仅利用一个简单的指令模式包含了任务和外部API的描述,并且可以自主决定在每个对话时要做什么,包括询问信息,调用API,汇总API恢复,并纠正先前的错误。更重要的是,我们提出了一个基于模拟的评估框架,以更好地验证在现实生活中的TOD模型的能力。在多沃兹和SGD数据集上进行的实验实验表明,Autotod的卓越任务能力和灵活的语言技能。1
• 准确性和信任:有偏见的算法也会导致不准确的结果。如果生成式人工智能系统接受反映历史偏见的数据训练,它将在其输出中延续这些偏见。这可能会导致不可靠的结果,并导致对整个生成式人工智能的信任丧失。这是一个比喻:想象一个法官总是对穿某种颜色衬衫的人判处更严厉的刑罚。这位法官的决定是不公平和不准确的。如果不解决生成式人工智能算法的偏见,它们也会陷入同样的陷阱。通过考虑和减轻生成式人工智能中的偏见,我们可以确保这些强大的工具公平有效地用于每个人。您可能想阅读这篇关于文化偏见和人工智能的发人深省的文章。人工智能和美国微笑。人工智能如何通过……歪曲文化 | 作者:jenka | Medium
自动语音识别(ASR)系统近年来见证了显着的进步。上下文化的ASR任务需要识别语音不是孤立的话语,而是在更广泛的情况下。常规方法经常采用第二通范式来重新排列初始转录,但它们有可能在候选假设中遇到预测错误,从而损害了识别精度。在这项研究中,我们引入了一个新颖的框架,该框架与典型的第二频繁撤退方法不同。给出了n-最佳假设,我们利用大型语言模型来提示上下文化的第二通过。除了追求更高的准确性外,我们还旨在探索性能边界,而无需实质上改变潜在的预培训的语言和语言模型。我们通过零拍的提示和战略性的低级适应调整来提高所提出的范式的有效性。在多个价值的口语阅读理解基准基准SRC上,促使模型和微调模型的表现优于1好的ASR假设,分别达到了13.6%和45.9%的明显相关性单词错误率(WER)改善。结果表明,提出的方法增强了转录准确性和上下文理解。
摘要。磁共振成像 (MRI) 是一种广泛用于临床诊断和外科手术计划的成像方式。加速 MRI 试图通过减少图像重建所需的原始 k 空间数据量来减轻长扫描时间的固有限制。最近,深度展开模型 (DUM) 通过使用深度神经网络截断和展开传统的迭代重建算法,已证明对 MRI 重建具有显着的有效性和更高的可解释性。然而,DUM 在 MRI 重建中的潜力尚未得到充分利用。在本文中,我们首先增强了 DUM 迭代阶段内和迭代阶段之间的梯度和信息流,然后我们强调了使用各种相邻信息进行准确且内存高效的敏感度图估计和改进多线圈 MRI 重建的重要性。在几个公共 MRI 重建数据集上进行的大量实验表明,我们的方法大大优于现有的 MRI 重建方法。代码可以在https://github.com/hellopipu/PromptMR-plus上找到。
13652729,2024,4,从https://onlinelibrary.wiley.com/doi/10.1111/jcal.12972下载,由国家健康与医学研究委员会,Wiley Online Library,Wiley在线图书馆[05/09/2024]。有关使用规则,请参见Wiley Online Library上的条款和条件(https://onlinelibrary.wiley.com/terms-and-conditions); OA文章由适用的Creative Commons许可
人工智能 (AI) 是指机器能够表现出与人类相同的能力,例如推理、学习、创造力和规划能力。它的未来应用预计将带来巨大的变化,但尽管不当使用人工智能可能带来风险,但它已经存在于我们的生活中。因此,联合国教科文组织 (UNESCO) 指出,我们应该将精力集中在 a) 使用人工智能学习、b) 学习人工智能和 c) 为人工智能做准备。他们还指出,人工智能在开发创新教学和学习实践方面具有巨大潜力。出于所有这些原因,并考虑到人工智能为教学创新提供的机会,我们认为应该在课堂上引入人工智能,让学生更接近这项新技术,它可以成为批判性思维的好工具。该项目的目标是通过人工智能加强农业工程专业学生的批判性思维能力 (G15),使用一手和二手信息来源,让他们能够反驳/认可人工智能为解决给定问题提供的解决方案。我们使用了线性方法,在这样做的过程中,我们向学生提出了一个真正的问题。然后,学生使用人工智能信息源寻找给定问题的解决方案。然后他们收到解决问题的指示。最后,他们应该使用批判性思维拒绝或接受人工智能提供的解决方案。翻转课堂被用作一种方法,使用人工智能寻找给定工程问题的解决方案。通过检查、验证和确认结果,他们对比了人工智能提供的结果,加强了 G15 批判性思维能力。使用电子评分标准评估目标,将评估与学生要获得的能力相结合。结果显示学生对人工智能技术的熟悉程度不同。硕士生对人工智能的了解程度高于学位生。此外,我们首次向学生和教师教授甚至展示人工智能技术。学生们对人工智能着迷,并表示这项技术可以为他们在学习过程中面临的许多活动带来巨大的机遇。两个优势学生(不是大多数)甚至开始向人工智能发出指令并利用其结果。一些教师也是第一次接触这项技术,并对未来的教学和学习过程表示了许多疑虑和担忧,考虑到人工智能以及如何评估学术活动,可以通过人工智能快速解决,例如书目审查,编辑等。我们得出的结论是,这项技术将把教学过程转移到一个新的环境,教师必须使他们的评估适应这个新的领域。