Создающ программы которые учат

  Лож искусственного интеллекта в основе драматических выдвижений в автомобильное, здравоохранение, индустриальные системы, и расширяя количество зон применения. По мере того как интерес продолжается поднять, природа AI выпытывала некоторые запутанность и даже страх о растущей роли AI в обычной жизни. Тип AI который включает увеличивая количество умных продуктов строит на прямодушных но нетривиальных проектируя методах для того чтобы поставить возможности далеко, который извлекли из цивилизаци-законцовки AI научной фантастики.

  Определения ряда AI от своих большей части предварительн-и все еще схематической формы, где машины похожи на человеческ в поведении, к более знакомой форме где машины натренированы для того чтобы выполнить специфические задачи. В своей самой предварительной форме, истинные искусственные интеллекты работали бы без точных направления и контроля людей, который нужно приехать независимо по некоторое окончание или принять некоторое действие как раз как человеческая мощь. На более знакомом ориентированном на инженерств конце спектра AI, методы машинного обучения (ML) типично обеспечивают вычислительное учреждение для настоящих применений AI. Эти методы производят ответы к входным данным с впечатляющими скоростью и точностью без использования кода недвусмысленно написанные, что обеспечили те ответы. Пока разработчики программного обеспечения пишут код для обработки данных в обычных системах, разработчики ML используют данные для того чтобы научить алгоритмам ML как искусственные модели нервной системы для генерации пожеланных ответов к данным.
Как основная модель нервной системы построила?
Среди самых знакомых типов машинного обучения, модели нервной системы передают данные от их слоя входного сигнала через спрятанные слои к слою выхода (диаграмме 1). По мере того как описанный, спрятанные слои натренированы для того чтобы выполнить серию выдержки transformationsthat необходимо было нужно различить между различными классами входных данных. Эти преобразования достигают кульминации внутри
значения нагруженные в слой выхода, где каждый блок вывода обеспечивает значение представляя вероятность что входные данные принадлежат в определенном классе. С этим подходом, разработчики могут расклассифицировать данные как изображения или измерения датчика используя соотвествующую нервную архитектуру сети.

  Нервные архитектуры сети принимают много форм, выстраивая в ряд от простого типа нервной системы feedforward показанной в диаграмме 1 к глубоким нервным системам (DNNs) построенным с несколькими спрятанных слоев и индивидуальных слоями содержа сотни тысяч нейронов. Однако, различные архитектуры типично строят на искусственном блоке нейрона со множественными входными сигналами и одновыходовым (диаграмма 2). Диаграмма 1: Нервные системы состоят из слоев искусственных нейронов натренированных для того чтобы различить между различными классами входных данных. (Источник: приспособленный от Wikipedia)

Диаграмма 2: Искусственный нейрон производит выход основанный на функции actiation которая работает

на сумме imputs nouron утяжеленных. (Источник: Wikipedia)

В нервной системе feedforward, определенный нейрон n, в спрятанных суммах слоя свои входные сигналы, x, отрегулировал входн-специфическим весом wp и добавляет сло-специфический фактор b смещения (не показанный в диаграмме) как fllows:

  В конце концов, суммированные значения преобразованы к одиночному выходу значения функцией активации. В зависимости от требований, эти функции могут принять много форм, как простая поступательная функция, тангенс дуги, или нелинейное отображение как выпрямленный линейный блок (ReLU), который выводит наружу 0 для S0<>.

Хотя они все конструированы для извлечения отличительных черт данных, различные архитектуры могли использовать значительно различные преобразования. Например, convolutional нервные системы (CNNs) использовали в применениях изображени-опознавания для использования сверток стерженя. В этом, вызванные функции, стерженями, выполняют свертки на изображении входного сигнала для того чтобы преобразовать его в карты особенности. Последующие слои выполняют больше сверток или другие функции, дальше извлекая и преобразовывая особенности до модели CNN не будут производить подобный выход вероятности классификации как в более простых нервных системах. Однако, для разработчиков, основная математика для популярных нервных архитектур сети в большинстве прозрачна из-за наличия средств разработки программного обеспечения ML (обсудил в другом месте в этом вопросе). Используя те инструменты, разработчики могут справедливо легко снабдить модель нервной системы и начать тренировать ее используя набор данных вызванный тренируя набор. Этот тренируя набор данных включает замечания репрезентивные набора данных и правильное casification для каждого замечания и представляет один из более трудных аспектов развития нервной системы модельного.

Как натренирована и раскрыта модель нервной системы?

  В прошлом, разработчики создавая тренируя наборы имели вариант ltte но работать через много тысяч замечаний необходимы в типичном наборе, вручную обозначая каждое замечание со своим правильным именем. Например, создать тренируя набор для применения опознавания дорожного знака, они

потребность осмотреть изображения дорожных знаков и ярлыка каждое изображение с правильным именем знака. Наборы сферы деятельности государства prelabeled данных позволили много исследователей машинного обучения избегают этих задачи и фокуса на развитии алгоритма. Для применений ML продукции, однако, обозначая задача может представить значительную проблему. Предварительные разработчики ML часто используют пре-натренированные модели в a

процесс вызвал передачу уча помочь облегчить эту проблему.