XiaoMi-AI文件搜索系统
World File Search System人手
1。与语言的视觉互动
我的目标是构建可以帮助实现现实任务的人的交互式AI系统，例如使机器人能够根据语言教学“洗衣服”执行家庭任务，或者允许数字助手通过与他们交谈来帮助盲目的视觉挑战。为了构建类似的系统，我进行了跨学科研究，该研究涵盖了计算机视觉，自然语言处理和机器人技术的交集。我的研究重点是基础：将语言与感知（主要是视觉）和动作联系起来，使机器能够理解物理世界的语义。通过整合这些不同学科的见解，我试图促进可以看到，交谈和采取行动的AI代理的发展，从而为解决社会需求并推动AI能力界限的解决方案做出了贡献。视觉是人类智力最重要的方式之一。为了弥合视觉和语言之间的差距，我开发了视觉上的交互式系统，这些系统可以与人类有关图像的连续沟通[1,2,3]。训练这些系统的主要瓶颈是缩放视觉接地的对话数据的困难。为了应对这一挑战，我引入了一种新方法，该方法会自动生成有关从网络获得数百万张图像的合成对话数据。通过利用综合数据来训练视觉接地的对话系统，我发现它们在与人交谈时会对图像产生准确而强大的响应。我已经将基于图像的系统扩展到基于视频的交互式系统[4]。我们提出了一种方法，以有效地融合以语言为基础的时间和空间信息，考虑到视频数据的独特属性。幼儿不仅通过感知来了解物理世界的语义，而且还通过与环境互动来操纵他们的感知[5]。这种观点帮助我将视觉扎根的系统扩展到体现的AI系统[6，7，8]，这些系统通过与人类的语言互动执行现实世界任务。我的工作专注于语言引导的机器人操纵，在该机器人手臂上应根据人类用户的自然语言指导来操纵对象。我研究了一种新的方案，其中初始指令在不提及目标对象的情况下模棱两可。体现的系统应通过查看和与用户对话来消除目标对象。我的工作成功 - 完全与人类互动以最小的互动来执行真实的任务。
按套件 - 巴黎 - 2021年6月10日联系
在1 J09厅访问我们。在第二次参加Vivatech的比赛中，将于2021年6月16日至19日在巴黎举行的欧洲全球技术聚会，CNR将提供其在DeepTech的专有技术的广泛样本！从生物技术到Greentech，量子技术，氢以及体育，科学家以及CNRS和合作伙伴实验室的起点将展示未来的技术。 “CNRS在Vivatech的存在见证了组织对从其实验室中出现的初创企业的承诺，并说明了我们的自愿政策，促进了科学研究的企业家精神和技术成熟，“ Points Out CNRS主席兼首席执行官Antoine Petit。“所展示的各种项目范围反映了我们与合作伙伴进行的研究，以应对我们社会面临的挑战。从基础研究到DeepTech，CNRS是该国经济复兴的动态参与者。”今年，CNRS决定展示量子技术，氢和MedTech。在量子技术领域，访问者可以了解更多有关：Prometheus，Quandela的单光源来源，它将集成到未来的量子计算机中； C12量子电子产品的碳纳米管，这是未来量子处理器的有希望的材料；和Atlas，来自Qubit Pharmaceuticals的硅分子模拟器。氢技术将由H2Sys代表，H2SYS将展示其氢能发电机之一，而H2Pulse将为寻求过渡到氢气的公司提供测试工作台的证明。MedTech也是CNRS初创企业创建的主要领域：HealShape将呈现从患者自己的细胞中获得的3D生物打印的乳腺植入物，可以适应所有形态。墨西哥将展示其生物传感技术和基于石墨烯的绷带和斑块，特别是用于远程医疗监测伤口的愈合过程。也出现在CNRS架上，将是Lify-Air提出的连接的花粉传感器，该传感器可以预测花粉的峰值，这是为过敏个体提供救济的宝贵工具。访问者还将能够测试SportsDynalics平台，以分析来自运动表现的动态指标，除了由人工智能操作的Vibiscus的新型吸收材料外，它还提供了运动表现的动态指标。它具有节能，紧凑和多功能，甚至可以降低低频噪声。最后，机器人手在CNRS的PPRIME学院开发，每个手指各个手指都有四个关节，可以掌握不同形状的物体，并以复杂的方式操纵它们。它将在Vivatech的数字空间中展出！
在K – 12教育者
这篇叙事文献评论的核心目的是对专业发展领导者可以采用的模型和实践有更深入的了解，以支持前者的成长和实践K -12教育者的批判性思维技能。评论在成人学习，批判性思维和K – 12教师专业发展的交叉点上综合了现有文献中的核心思想。审查始于对K -12教育者以及为教师提供成人学习经验的人的当前背景和挑战的描述。包括对关键术语和批判性思维的主要模型的检查。也探讨了发展成人学习者批判性思维能力的基本实践。审查结束了，对教师专业发展经验的促进者以及对可能进一步研究的可能领域的讨论产生了六个影响。关键词：成人学习，批判性思维，教育专业发展，学前教师教育，教师教育准备，教师学习，根据2022年对国家教育协会成员的民意调查，大约55％的教育工作者表示，他们更有可能早于计划早于K – 112教学专业。这个数字几乎是共同19日大流行之前几个月的两倍。此外，这些惨淡的数字得到了2022年9月的国家教育统计中心报告的证实，其中包括一半以上的美国公立学校开始了2022 - 2023年的学年。Nguyen等人的发现。Nguyen等人的发现。人手短缺的最高指示原因（69％）是缺乏可用职位的合格教师候选人（国家教育统计中心，2022年）。（2022）进一步提供了保守的估计，即2022-2023学年的163,000多名美国教师职位被不足的教师占领。尽管与此令人震惊的教育劳动力数据相关的固有挑战，但成人学习领导者存在一些机会，以重新思考教师培训和发展方法，而对于增加了专业学习和对职业前和实践教育工作者的支持的明确需求。对教师专业发展结构的关注为那些负责组织学习经验的人提供了一个机会，以考虑他们如何准备K – 12教育者，以通过定期采用批判性思维技能来计划和促进学生学习，以最大程度地提高课堂上的有效性。
LFC请求者：
重复/与/伴侣/与/相关：重复/与《一般拨款法》第三部分的拨款有关：叙事法案摘要：该法案在州政府基金中创造创新实施气候变化政策的障碍。该法案最初拨款1000万美元，劳动力解决方案获得了100万美元用于26财年和27财年。该法案还需要向DFA报告进度和预算，以及与《政府责任法》有关的某些披露。财政含义DWS将在第26财年和27财年获得100万美元以根据该法案使用。去年的重大问题绩效影响，州长Michelle Lujan Grisham发布了2024 - 152年的行政命令，要求州机构合作开发适合气候就绪的基础设施的劳动力，并设定了在2026年底之前培训2,000名在气候准备职业的目标。dws及其合作伙伴将气候弹性确定为2024 - 2027年劳动力创新和机会法案国家计划中的优先部门。能源过渡和公共安全也是优先部门（包括消防和紧急响应）。但是，联邦参与部门规划的任务没有资金，并且从历史上看，劳动力系统一直在努力使真实部门的战略成为现实。该法案解决了为部门策略提供资金并提高解决国家高优先行业的能力的长期需求。此外，DWS经常收到与政府机构，教育机构和基于社区的组织有关的请求，这些组织正在寻求赠款以解决气候变化。许多这样的赠款包括劳动力组成部分，但这些组织没有劳动力背景。这会导致DWS提供无资金和人手不足的支持，或者拨款者重新发明轮子并重复现有的劳动力服务。通过这项法案的资金将使DWS能够通过确保良好的合适并最大程度地利用现有劳动力资源来适当地为寻求将联邦和私人资金带到我们州的所有合作伙伴提供服务。最后，DWS非常熟悉实施气候变化政策的劳动力障碍，尤其是在面临最大气候挑战的农村社区中。该法案将资助我们为支持该州农村地区的劳动力培训和机会扩大的努力。行政影响DWS将能够创建一个强大的基础，并计划在整个能源过渡过程中为新墨西哥州服务，并在未来许多年内解决气候变化问题。冲突，重复，陪伴，关系无。
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。
利用AI和xR技术实现触诊信息的可视化
[1] F. Mantovani 等人：“面向医疗保健专业人员的虚拟现实培训”，CyberPsychology & Behavior，第 6 卷，第 4 期，第 389–395 页，网址：https://doi.org/10.1089/10949310332 2278772，2003 年。[2] S. Barteit 等人：“用于医学教育的增强、混合和基于虚拟现实的头戴式设备：系统评价”，JMIR Serious Games，第 9 卷，第 3 期，网址：https://doi.org/10.2196/29080，2021 年。[3] S. La Padula 等人：“使用新的增强现实模拟软件对隆胸患者满意度进行评估：一项前瞻性研究”，J Clin Med., 第 11 卷，第 12 期，doi:10.3390/jcm11123464，2022 年。[4] A. Berton 等人：“虚拟现实、增强现实、游戏化和远程康复：对骨科患者康复的心理影响”，临床医学杂志，第 9 卷，第 8 期，第 1-13 页，网址：https://doi.org/10.3390/jcm9082567，2020 年。[5] T. Ong 等人：“在新冠疫情期间及之后使用扩展现实增强远程医疗：观点”，JMIR Serious Games，第 9 卷，第 3 期，网址：https://doi.org/10.2196/26520，2021 年。[6] L. Herrador Colmenero 等人：“镜像疗法、运动意象和虚拟反馈对截肢后幻肢痛的有效性：系统评价”，国际假肢和矫形器，第 42 卷，第 3 期，第 288-298 页。网址：https://doi.org/10.1177/0309364617740230，2018 年。[7] M. Osumi 等人：“虚拟现实康复缓解幻肢痛的特征”，《疼痛医学》（美国），第 20 卷，第 5 期，第 1038-1046 页，网址：https://doi.org/10.1093/pm/pny269，2019 年。[8] A. Rothgangel 和 R. Bekrater-Bodmann：“镜像疗法与增强/虚拟现实应用：面向基于机制的定制幻肢痛治疗”，《疼痛管理》，第 9 卷，第 2 期，第 151-159 页，网址： https://doi.org/10.2217/pmt-2018-0066，2019 年。[9] CC Berger 等人：“触觉的恐怖谷”，Science Robotics，第 3 卷，第 17 期，第 2-4 页，网址：https://doi.org/10.1126/scirobotics.aar7010，2018 年。[10] M. D'Alonzo 等人：“视觉和触觉的不同虚拟化水平产生了化身手部体现的恐怖谷”，Scientific Reports，第 9 卷，第 1 期，第 1-11 页，网址：https://doi.org/10.1038/s41598-019-55478-z，2019 年。[11] M. Fleury，等人：“脑机接口和神经反馈中触觉反馈使用情况调查”，Frontiers in Neuroscience，14（6 月），第 1-16 页。网址：https://doi.org/10.3389/fnins.2020.00528，2020 年。[12] J. Tompson 等人：“使用卷积网络实时连续恢复人手姿势”，ACM Transactions on Graphics (ToG)，第 33 卷，第 5 期，第 1-10 页，2014 年。[13] C. Qian 等人：“实时且稳健的深度手部跟踪”，IEEE 计算机视觉与模式识别会议论文集，DOI：10.1109/CVPR.2014.145，2014 年。
16-848 2024年4月10日的参考列表
16-848 2024年4月10日的参考列表开始，我们开始谈论接触模型 - 尤其是硬手指和软手指与库仑摩擦的接触。这些在GRASP分析文献中非常受欢迎，但它们是点接触模型 - 他们假设机器人在一个点与对象进行接触。我们不仅知道，对于人的手接触经常发生在很大的区域上，而且单点接触也会在预测的接触力中造成不连续性，因为在边缘跨越边缘的接触幻灯片，而实际上，这种力可能会差异很顺利。可以通过有限元技术很好地模拟区域接触。但是，这些技术仍然很慢，并且不广泛用于GRASP优化和计划。存在多个基于区域的联系模型。我们快速研究了此博客中描述的其中一种 - 水力弹性联系人：https：//medium.com/toyotaresearch/rethinking-contact-simulation-for-robot-manipulation--434a56b5ec88，我们随后进行了一些数学来抓取抓手和jacobian，包括jacobian。我使用了本文的后半部分进行参考。本文还包含一个质量指标 - 考虑到机器人手的运动学结构（在这种情况下为人类手），以及需要完成的一组特定任务。li，Ying，Jiaxin L. Fu和Nancy S. Pollard。“使用形状匹配和基于任务的修剪的数据驱动的掌握合成。”IEEE可视化交易和计算机图形13，no。“抓握”。法拉利，卡洛和约翰·坎尼。2290-2295。4（2007）：732-747。 https://ieeexplore.ieee.org/abstract/document/4293017您可以在此条目中找到有关关键术语，形成闭合，抓取矩阵和其他基本属性等关键术语的非常清晰的讨论，来自Springer of Robotics：Prattichizzo，Domenico，Domenico，和Jeffrey C. Trinke。 机器人技术手册（2016）：955-988。 https://link.springer.com/chapter/10.1007/978-3-319-32552-1_38我们随后谈论了更多关于使掌握好的的事情 - 很多事情都可以介入！ 最引人注目，最常用的质量指标之一是法拉利和精美的掌握质量指标（扳手太空球）。 “计划最佳掌握”。 机器人技术和自动化，1992年。 诉讼。，1992年IEEE国际会议，第 IEEE，1992。https：//people.eecs.berkeley.edu/~jfc/papers/92/fcicra92.pdf4（2007）：732-747。 https://ieeexplore.ieee.org/abstract/document/4293017您可以在此条目中找到有关关键术语，形成闭合，抓取矩阵和其他基本属性等关键术语的非常清晰的讨论，来自Springer of Robotics：Prattichizzo，Domenico，Domenico，和Jeffrey C. Trinke。机器人技术手册（2016）：955-988。 https://link.springer.com/chapter/10.1007/978-3-319-32552-1_38我们随后谈论了更多关于使掌握好的的事情 - 很多事情都可以介入！最引人注目，最常用的质量指标之一是法拉利和精美的掌握质量指标（扳手太空球）。“计划最佳掌握”。机器人技术和自动化，1992年。诉讼。，1992年IEEE国际会议，第IEEE，1992。https：//people.eecs.berkeley.edu/~jfc/papers/92/fcicra92.pdf
简历.pdf
● CNN：谷歌展示远大的 AI 研究项目。2020 年 1 月 ● VentureBeat：谷歌的机械手 AI 可以用最少的训练数据学会旋转保定球。2019 年 9 月 ● 纽约时报：谷歌重启机器人计划内幕。2019 年 3 月 ● 专栏：发明未来：计算机科学和工程的“新里程碑”。2019 年 2 月 ● NeuroHive：像人类一样使用手指的机器人2019 年 10 月 ● 纽约时报：机械手如何进化来做我们手上的事情。2018 年 7 月 ● New Atlas：弥合科学与虚构之间的差距。2016 年 12 月 ● ACM 通讯：Hand Jive：机械手学会旋转。2016 年 8 月 ● 路透社：机械手获得人类的触感。2016 年 5 月 ● Wired：这个灵巧的机器人可以自学旋转一管咖啡豆。 2016 年 5 月 ● Business Insider：研究人员创造了一种与人类极为相似且能自主学习的机械手。2016 年 5 月 ● MIT Tech Review：ADROIT 登上 TR35。2016 ● UW360：能像人手一样移动的机械手，2016 年 8 月 ● ScienceDaily：这种 5 指机械手可自行学习抓握物体。2016 年 5 月 ● Engadget：机械手可自行学习旋转物体。2016 年 5 月 ● GeekWire：华盛顿大学团队创造了一种机械手，它可以比你的更灵巧。2016 年 5 月 ● Gizmodo：这个机器人可自行学习旋转棍子。2016 年 5 月 ● UWToday：这种 5 指机械手可自行学习抓握物体。2016 年 5 月 ● UW CSE 新闻：UW CSE 机械手可自行学习操纵物体。 2016 年 5 月 ● CNN：能够从错误中学习的超人机械手。2016 年 5 月 ● Tech Insider：研究人员创造了一种与人类极为相似且可以自行学习的机械手。2016 年 5 月 ● 印度快报：五指机械手学会自行抓握。2016 年 5 月 ● 英国每日镜报：令人难以置信的五指机械手能够从自身的经验中学习。2016 年 5 月 ● 经济时报：五指机械手学会自行抓握。2016 年 5 月 ● ZDNet：五指机械手有自己的想法。2016 年 5 月 ● Kurzweil：这种五指机械手的功能接近人类。2016 年 5 月 ● 最重要的一点：熟练：熟能生巧的机械手。UW-CSE，2016 年夏季 ● 未来主义：这种五指机械手比你自己的还要灵活。 2016 年 5 月 ● Hackaday：机器人啦啦队只需一只手就能学会基本技巧。2016 年 5 月 ● 设计：可以自行学习任务的五指机械手。2016 年 5 月 ● 有趣的工程：可以自学移动的机械手。2016 年 5 月 ● FoxNews：炫酷的机械手可以边走边学。2016 年 5 月 ● IEEE Spectrum：模拟和现实中的下一代假肢。2015 年 2 月 ● UW CSE 新闻：人民选择奖。2013 年 10 月 ● 纽约时报：触感细腻的机器人。2012 年 9 月 ● 每日新闻：华盛顿大学程序员为灾难响应机器人开发软件。2012 年 11 月
机器学习方法的类型
机器学习在研究和行业中正在迅速发展，新方法不断出现。这种速度甚至使专家要对新移民保持艰巨和艰巨。为了使机器学习神秘，本文将探讨十种关键方法，包括解释，可视化和示例，以提供对核心概念的基本理解。我曾经依靠多变量的线性回归来预测特定建筑物中的能源使用（以kWh），通过结合建筑年龄，故事数量，平方英尺和插入电器等因素。由于我有多个输入，因此我采用了多变量方法，而不是简单的一对一线性回归。该概念保持不变，但根据变量数量将其应用于多维空间。下图说明了该模型与建筑物中实际能耗匹配的程度。想象一下可以访问建筑物的特征（年龄，平方英尺等），但缺乏有关其能源使用的信息。在这种情况下，我可以利用拟合线来估计该特定建筑物的能源消耗。另外，线性回归使您能够衡量每个促成最终能量预测因素的重要性。例如，一旦建立了一个公式，就可以确定哪些因素（年龄，大小或身高）对能耗的影响最大。分类是一个基本的概念，然后再继续采用更复杂的技术，例如决策树，随机森林，支持向量机和神经网。1。2。随着机器学习的进展（ML），您将遇到非线性分类器，从而实现更复杂的模式识别。聚类方法属于无监督的ML类别，重点是将具有相似特征的观测值分组而无需使用输出信息进行培训。而不是预定义的输出，聚集算法根据数据相似性定义了自己的输出。一种流行的聚类方法是K-均值，其中“ K”代表用户为群集创建的数字。该过程工作如下：数据中的随机选择“ K”中心；将每个点分配到其最接近的中心；重新计算新的集群中心；并迭代直至达到收敛或最大迭代限制。例如，在建筑物的数据集中，应用K = 2的K均值，可以根据空调效率等因素将建筑物分为高效（绿色）和低效率（红色）组。聚类具有自己的一系列有用算法，例如DBSCAN和平均移位群集。降低性降低是另一种基本技术，用于管理具有许多与分析不相关的列或功能的数据集。主组件分析（PCA）是一种广泛使用的维度缩减方法，它通过找到最大化数据线性变化的新向量来降低特征空间，从而使其成为将大型数据集减少到可管理大小的有效工具。在具有较强线性相关性的数据集上应用维度降低技术时，可以通过选择适当的方法来最大程度地减少信息丢失。例如，T-Stochastic邻居嵌入（T-SNE）是一种流行的非线性方法，可用于数据可视化以及在机器学习任务中的特征空间降低和聚类。手写数字的MNIST数据库是分析高维数据的主要示例。此数据集包含数千个图像，每个图像都标记为0到9。使用T-SNE将这些复杂数据点投影到两个维度上，研究人员可以在原始784维空间中可视化复杂的模式。类似于通过选择最佳组件并将它们组装在一起以获得最佳性能，类似于构建自定义自行车，Ensemble方法结合了多个预测模型，以实现比单个模型本身所能实现的更高质量预测。诸如随机森林算法之类的技术（汇总在不同数据子集训练的决策树上）就是组合模型如何平衡差异和偏见的示例。在Kaggle比赛中表现最好的人经常利用集合方法，其中包括随机森林，Xgboost和LightGBM在内的流行算法。与线性模型（例如回归和逻辑回归）相比，神经网络旨在通过添加参数层来捕获非线性模式。这种灵活性允许在更复杂的神经网络体系结构中构建更简单的模型，例如线性和逻辑回归。深度学习，其特征是具有多个隐藏层的神经网络，包括广泛的架构，使得与其连续演变保持同步是一项挑战。深度学习在研究和行业社区中变得越来越普遍，每天引起新的方法论。为了实现最佳性能，深度学习技术需要大量数据和计算能力，因为它们的自我调整性质和大型体系结构。使用GPU对于从业者来说是必不可少的，因为它使该方法的许多参数能够在巨大的体系结构中进行优化。深度学习已在视觉，文本，音频和视频等各个领域中取得了非凡的成功。TensorFlow和Pytorch是该领域最常见的软件包之一。考虑一位从事零售工作的数据科学家，其任务是将衣服的图像分类为牛仔裤，货物，休闲或衣服裤。可以使用转移学习对训练衬衫进行分类的初始模型。这涉及重复一部分预训练的神经网络，并为新任务进行微调。转移学习的主要好处是，训练神经网络所需的数据较少，鉴于所需的大量计算资源以及获取足够标记的数据的困难，这一点尤为重要。在行动中的强化学习：最大化奖励和推动AI边界RL可以在设定的环境中最大化累积奖励，从而使其非常适合具有有限数据的复杂问题。在我们的示例中，一只鼠标会导航迷宫，从反复试验中学习并获得奶酪奖励。rl在游戏中具有完美的信息，例如国际象棋和GO，反馈快速有效。但是，必须确认RL的局限性。像Dota 2这样的游戏对传统的机器学习方法具有挑战性，但RL表现出了成功。OpenAI五支球队在2019年击败了世界冠军E-Sport球队，同时还开发了可以重新定位的机器人手。世界上绝大多数数据都是人类语言，计算机很难完全理解。NLP技术通过过滤错误并创建数值表示来准备用于机器学习的文本。一种常用方法是术语频率矩阵（TFM），其中每个单词频率均可在文档中计算和比较。此方法已被广泛使用，NLTK是用于处理文本的流行软件包。尽管取得了这些进步，但在将RL与自然语言理解相结合，确保AI可以真正理解人类文本并解锁其巨大潜力时仍将取得重大进展。TF-IDF通常优于机器学习任务的其他技术。TFM和TFIDF是仅考虑单词频率和权重的数值文本文档表示。单词嵌入，通过捕获文档中的单词上下文，将此步骤进一步。这可以用单词进行算术操作，从而使我们可以表示单词相似性。Word2Vec是一种基于神经网络的方法，它将大型语料库中的单词映射到数值向量。这些向量可用于各种任务，例如查找同义词或表示文本文档。单词嵌入还通过计算其向量表示之间的余弦相似性来启用单词之间的相似性计算。例如，如果我们有“国王”的向量，我们可以通过使用其他单词向量进行算术操作来计算“女人”的向量：vector（'queen''）= vector（'king''） + vector（'king'） + vector（'woman''） - vector（'男人'）。我们使用机器学习方法来计算这些嵌入，这些方法通常是应用更复杂的机器学习算法的预步骤。要预测Twitter用户是否会根据其推文和其他用户的购买历史来购买房屋，我们可以将Word2Vec与Logistic回归相结合。可以通过FastText获得157种语言的预训练词向量，使我们可以跳过自己的培训。本文涵盖了十种基本的机器学习方法，为进一步研究更高级算法提供了一个可靠的起点。但是，还有很多值得覆盖的地方，包括质量指标，交叉验证和避免模型过度拟合。此博客中的所有可视化均使用Watson Studio Desktop创建。机器学习是一个AI分支，算法在其中识别数据中的模式，在没有明确编程的情况下进行预测。这些算法是通过试验，错误和反馈进行了优化的，类似于人类的学习过程。机器学习及其算法可以分为四种主要类型：监督学习，无监督学习，半监督学习和增强学习。这是每种类型及其应用程序的细分。**监督学习**：此方法涉及使用人类指导的标记数据集的培训机器。无监督学习的两种主要类型是群集和降低性。它需要大量的人类干预才能在分类，回归或预测等任务中实现准确的预测。标记的数据分为特征（输入）和标签（输出），教机教学机构要识别哪些元素以及如何从原始数据中识别它们。监督学习的示例包括：***分类**：用于分类数据，算法，诸如K-Neartem邻居，天真的贝叶斯分类器，支持向量机，决策树，随机森林模型排序和隐藏数据。***回归**：经常用于预测趋势，线性回归，逻辑回归，山脊回归和LASSO回归等算法，以确定结果与自变量之间的关系，以做出准确的预测。**无监督的学习**：在这种方法中，机器在没有人类指导的情况下处理原始的，未标记的数据，减少工作量。无监督的学习算法在大型数据集中发现隐藏的模式或异常，这些模式可能未被人类发现，使其适用于聚类和降低任务。通过分析数据并分组相似的信息，无监督的学习可以在数据点之间建立关系。无监督学习的示例包括自动化客户细分，计算机视觉和违规检测。基于相似性的聚类算法组原始数据，为数据提供结构。这通常用于营销以获取见解或检测欺诈。一些流行的聚类算法包括层次结构和K-均值聚类。此迭代过程随着时间的推移增强了模型的准确性。维度降低在保留重要属性的同时减少数据集中的功能数量，使其可用于减少处理时间，存储空间，复杂性和过度拟合。特征选择和特征提取是使用两种主要方法，其中包括PCA，NMF，LDA和GDA在内的流行算法。半监督学习通过将少量标记的数据与较大的原始数据结合在一起，在受监督和无监督学习之间取得了平衡。与无监督学习相比，这种方法在识别模式和做出预测方面具有优势。半监督学习通常依赖于针对两种数据类型培训的修改后的无监督和监督算法。半监督学习的示例包括欺诈检测，语音识别和文本文档分类。半监督学习：通过伪标记和传播自训练算法增强模型的准确性：这种方法利用了称为伪标记的现有的，有监督的分类器模型来微调数据集中的较小的标记数据集。伪标记器然后在未标记的部分上生成预测，然后将其添加回数据集中，并具有准确的标签。标签传播算法：在标签传播中，未标记的观测值通过图神经网络中的动态分配机制接收其分配的标签。数据集通常以一个已经包含标签的子集开始，并标识数据点之间的连接以传播这些标签。概率：IB（增加爆发）-30％此方法可以快速识别社区，发现异常行为或加速营销活动。强化学习：强化学习使嵌入在AI驱动软件计划中的智能代理能力独立响应其环境，并做出旨在实现预期结果的决策。这些药物是通过反复试验的自我训练，获得了理想的行为和对不良行为的惩罚，最终通过积极的加强来达到最佳水平。强化学习算法的示例包括Q学习和深度强化学习，这些学习通常依赖大量的数据和高级计算功能。基于神经网络和深度学习模型领域内的基于变压器的体系结构，Chatgpt利用机器学习能力来掌握和制作模仿人类之间的对话互动。