AI (Maschinelles Lernen) ist die logische Untersuchung von Berechnungen und messbaren Modellen, die das PC-System verwendet hat, um eine bestimmte Besorgung auszuführen, ohne sich dabei auf eindeutige Richtlinien zu berufen, die von Beispielen und Induktion abhängen. Sie wird als eine Untergruppe des vom Menschen geschaffenen Denkens betrachtet. KI-Berechnungen stellen ein wissenschaftliches Modell zusammen, das von Testinformationen abhängt, die als “Vorbereitung von Informationen” bezeichnet werden, um sich auf Erwartungen oder Entscheidungen zu einigen, ohne dass diese ausdrücklich geändert werden, um die Aufgabe zu erfüllen. KI-Berechnungen werden in einer Vielzahl von Anwendungsbereichen eingesetzt, z.B. beim E-Mail-Sieben und bei der PC-Vision, wo es schwierig oder nicht möglich ist, eine gewöhnliche Berechnung für eine praktikable Umsetzung des Vorhabens zu erstellen.

Die KI ist fest mit den rechnerischen Erkenntnissen identifiziert, die sich auf die Erwartungsbildung bei der Nutzung von PCs konzentrieren. Die Untersuchung der numerischen Weiterentwicklung vermittelt Techniken, Hypothesen und Anwendungsbereiche auf dem Gebiet der KI. Information Mining ist ein Schwerpunktbereich innerhalb der KI und legt den Schwerpunkt auf die explorative Informationsprüfung durch ungestütztes Lernen, wobei die KI in ihrer Anwendung quer zu den geschäftlichen Fragestellungen zusätzlich als vorausschauende Untersuchung bezeichnet wird.

Verbindung zum Data Mining

KI und Data Mining verwenden häufig ähnliche Techniken und decken im Wesentlichen ab, doch während sich die KI um die Erwartung im Lichte der aus den Vorbereitungsinformationen gewonnenen Eigenschaften dreht, geht es beim Data Mining um die Enthüllung von (bereits) unklaren Eigenschaften in den Daten (dies ist das Untersuchungsvorhaben der lernenden Offenlegung in Datenbanken). Information Mining nutzt viele KI-Techniken, jedoch mit unterschiedlichen Zielsetzungen; andererseits nutzt die KI ebenfalls Information Mining-Strategien als “ungestütztes Lernen” oder als Vorverarbeitungsunternehmen, um die Genauigkeit der Studenten zu verbessern. Ein erheblicher Teil der Unklarheit zwischen diesen beiden Anfragen über Netzwerke (die regelmäßig getrennte Versammlungen und getrennte Tagebücher haben, wobei das EFSZ PKDD ein bedeutender Sonderfall ist) hat seinen Ursprung in den wesentlichen Annahmen, mit denen sie arbeiten: Bei der KI wird die Ausführung normalerweise hinsichtlich der Fähigkeit zur Nachahmung bekannter Informationen bewertet, während bei der Lernfortschrittsoffenlegung und dem Information Mining (KDD) das Schlüsselunternehmen die Enthüllung bereits obskurer Daten ist. Bei der Beurteilung bekannter Daten wird eine unwissende (ungestützte) Technik durch andere regulierte Strategien effektiv geschlagen, während bei einer regulären KDD-Aufgabe gerichtete Techniken wegen der Unzugänglichkeit der Datenaufbereitung nicht eingesetzt werden können.

Verbindung zur Verbesserung

Auch die KI hat private Verbindungen zu Verbesserungen: viele Lernprobleme werden als Minimierung einiger unglücklicher Arbeiten an einem Vorbereitungssatz von Modellen dargestellt. Unglückskapazitäten drücken die Inkonsistenz zwischen den Erwartungen an das in Vorbereitung befindliche Modell und den echten Problemfällen aus (z.B. muss man einen Namen zulassen, und die Modelle sind bereit, die vorbelegten Zeichen vieler Modelle genau vorherzusehen). Die Unterscheidung zwischen den beiden Bereichen ergibt sich aus dem Ziel der Spekulation: Während Fortschrittsberechnungen das Unglück auf einem Präparatensatz begrenzen können, ist die KI besorgt, das Unglück auf verborgenen Proben zu begrenzen.

Verbindung zu Messungen

KI und Einsichten sind in Bezug auf Strategien fest verwandte Bereiche, doch in ihrer zentralen Zielsetzung unverkennbar: Messungen ziehen aus einem Beispiel Schlussfolgerungen für die Bevölkerung, während die KI verallgemeinerbare vorausschauende Muster findet. Wie von Michael I. Jordan angedeutet, haben die Gedanken der KI, von methodischen Standards bis hin zu hypothetischen Geräten, eine lange Vorgeschichte in der Statistik. Er empfahl zusätzlich den Begriff Datenwissenschaft als Platzhalter für die Bezeichnung des allgemeinen Feldes.

Leo Breiman erkannte zwei faktische Darstellungsstandards: Datenmodell und algorithmisches Modell, wobei “algorithmisches Modell” so ziemlich die KI-Berechnungen wie “Arbitrary woodland” bedeutet.

Einige wenige Analysten haben sich Strategien der KI zu eigen gemacht und damit ein gemeinsames Feld geschaffen, das sie messbares Lernen nennen.

Modelle

Zur Durchführung der KI gehört die Erstellung eines Modells, das auf der Grundlage einiger Vorbereitungsinformationen erstellt wird und anschließend zusätzliche Informationen verarbeiten kann, um Erwartungen zu formulieren. Es wurden verschiedene Modelle für KI-Rahmenwerke verwendet und nach ihnen gefragt.

Künstliche neuronale Netze

Künstliche neuronale Netzwerke sind eine miteinander verbundene Ansammlung von Knotenpunkten, vergleichbar mit dem riesigen System von Neuronen in einem Großhirn. Hier spricht jeder Kreisverkehrsknotenpunkt mit einem gefälschten Neuron, und ein Bolzen spricht mit einer Assoziation von der Ausbeute eines gefälschten Neurons zum Beitrag eines anderen.

Künstliche neuronale Netze (ANNs) oder konnektionistische Gerüste sind Verarbeitungsgerüste, die auf rätselhafte Weise durch die natürlichen neuronalen Systeme belebt werden, die das Großhirn von Lebewesen bilden. Solche Rahmen “lernen”, Unternehmungen durchzuführen, indem sie über Modelle nachdenken, zumeist ohne durch irgendwelche expliziten Regeln verändert zu werden.

Eine ANN ist ein Modell, das von einer Ansammlung von assoziierten Einheiten oder Knotenpunkten, die “künstliche Neuronen” genannt werden, abhängt, die die Neuronen in einem organischen Geist frei modellieren. Jede Assoziation kann, ähnlich wie die Neurotransmitter in einem natürlichen Geist, Daten, ein “Signal”, übertragen, beginnend mit einem falschen Neuron, dann auf das nächste. Ein falsches Neuron, das ein Zeichen erhält, kann es verarbeiten und anschließend zusätzliche künstliche Neuronen signalisieren, die mit ihm verbunden sind. Auf ähnliche Weise wie bei ANN-Ausführungen ist das Zeichen bei einer Assoziation zwischen gefälschten Neuronen eine echte Zahl, und der Ertrag jedes gefälschten Neurons wird durch eine nicht direkte Kapazität der Gesamtheit seiner Datenquellen registriert. Die Assoziationen zwischen gefälschten Neuronen werden als “Ränder” bezeichnet. Falsche Neuronen und Ränder haben in der Regel ein Gewicht, das sich im Laufe des Lernens verändert. Das Gewicht erhöht oder vermindert die Qualität des Zeichens bei einer Assoziation. Künstliche Neuronen haben möglicherweise einen Rand mit dem Endziel, dass das Zeichen möglicherweise gesendet wird, wenn das Gesamtzeichen diesen Rand überquert. Üblicherweise werden falsche Neuronen in Schichten gesammelt. Verschiedene Schichten können verschiedene Arten von Änderungen an ihren Informationsquellen vornehmen. Die Vorzeichenreise von der Hauptschicht (der Info-Schicht) zur letzten Schicht (der Ertragsschicht), vielleicht im Zuge der Navigation durch die Schichten bei verschiedenen Gelegenheiten.

Das erste Ziel des ANN-Ansatzes war es, Probleme ähnlich wie ein menschliches Großhirn anzugehen. Wie dem auch sei, nach einiger Zeit kam die Überlegung auf, explizite Verpflichtungen zu erfüllen, was zu Abweichungen von der Wissenschaft führte. Gefälschte neuronale Systeme wurden bei einer Reihe von Unternehmungen eingesetzt, darunter PC-Vision, Diskursanerkennung, maschinelle Interpretation, zwischenmenschliche Organisationstrennung, Spielen von Brett- und Computerspielen und restaurative Bestimmung.

Das profunde Lernen besteht aus verschiedenen Schichten in einem gefälschten neuronalen System. Diese Methodik versucht, die Art und Weise darzustellen, in der das menschliche Großhirn Licht und Ton in das Sehen und Hören einbringt. Einige effektive Anwendungen von tiefgründigem Lernen sind PC-Vision und Diskursanerkennung.

Entscheidungsbäume

Grundlegender Artikel: Entscheidungsbäume lernen

Beim Lernen von Entscheidungsbäumen wird ein Entscheidungsbaum als ein vorausschauendes Modell verwendet, um von den Wahrnehmungen über eine Sache (die in den Zweigen angesprochen werden) zu Entscheidungen über den objektiven Wert der Sache (die in den Blättern angesprochen werden) zu gelangen. Es ist eine der vorausschauenden Darstellungsformen, die in der Erkenntnis, der Informationsbeschaffung und der KI eingesetzt werden. Entscheidungsbaummodelle, bei denen die Zielvariable eine diskrete Anordnung von Qualitäten annehmen kann, werden Charakterisierungsbäume genannt; in diesen Baumstrukturen sprechen Blätter zu Klassennamen und Äste zu Konjunktionen von Hervorhebungen, die zu diesen Klassenzeichen führen. Entscheidungsbäume, bei denen die objektive Variable durchgehend geschätzt werden kann (im Allgemeinen echte Zahlen), werden als Rückfallbäume bezeichnet. In einer Untersuchung über Wahlmöglichkeiten kann ein Entscheidungsbaum verwendet werden, um nach außen hin ausdrücklich auf Wahlmöglichkeiten und grundlegende Führungsqualitäten hinzuweisen. Beim Information Mining stellt ein Auswahlbaum Informationen dar, doch der nachfolgende Ordnungsbaum kann ein Beitrag zur grundlegenden Führung sein.

Vektorielle Maschinen unterstützen

Primärer Artikel: Vektorielle Maschinen unterstützen

Support-Vektor-Maschinen (SVMs), auch Hilfe-Vektor-Systeme genannt, sind eine Vielzahl verwandter, verwalteter Lerntechniken, die für die Gruppierung und den Rückfall verwendet werden. Angesichts einer Vielzahl von vorbereitenden Modellen, die jeweils einen Platz mit einer von zwei Klassifizierungen haben, erstellt eine SVM, die eine Berechnung vorbereitet, ein Modell, das vorhersagt, ob ein anderes Modell in die eine oder die andere Klasse fällt. Eine SVM, die eine Berechnung vorbereitet, ist ein nicht-babilistischer, zweifacher, direkter Klassifikator, obwohl es Techniken wie z.B. die Platt-Skalierung gibt, um SVM in einer probabilistischen Charakterisierungsumgebung zu nutzen. Ungeachtet der Durchführung einer geraden Gruppierung können SVMs eine nicht direkte Charakterisierung unter Verwendung des so genannten Part-Stunts effektiv durchführen, indem sie ihre Beiträge nachweislich in hochdimensionalen Elementräumen abbilden.

Bayessche Systeme

Prinzipieller Artikel: Bayesianisches System

Ein einfaches Bayesianisches System. Ein Regenguss wirkt sich darauf aus, ob der Sprühregner ausgelöst wird, und sowohl der Regenguss als auch der Sprühregner wirken sich darauf aus, ob das Gras nass ist.

Ein Bayes’sches System, eine Überzeugungsorganisation oder ein koordiniertes nicht-zyklisches graphisches Modell ist ein probabilistisches graphisches Modell, das mit einem koordinierten nicht-zyklischen Diagramm (DAG) eine Menge willkürlicher Faktoren und deren einschränkende Freiheit anspricht. Ein Bayes’sches System könnte zum Beispiel auf die probabilistischen Zusammenhänge zwischen Krankheiten und Nebenwirkungen eingehen. Bei gegebenen Manifestationen kann das System dazu verwendet werden, die Wahrscheinlichkeiten der Nähe verschiedener Krankheiten zu bestimmen. Es gibt effektive Berechnungen, die Deduktion und Lernen durchführen. Bayes’sche Systeme, die Gruppierungen von Faktoren modellieren, ähnlich wie Diskurszeichen- oder Proteinfolgen, werden als dynamische Bayes’sche Systeme bezeichnet. Spekulationen über Bayes’sche Systeme, die mit Wahlfragen unter Verwundbarkeit sprechen und sich darum kümmern können, werden als Wirkungsskizzen bezeichnet.

Genetische Algorithmen

Prinzipieller Artikel: Genetische Algorithmen

Eine Vererbungsrechnung (GA) ist eine Verfolgungsrechnung und ein heuristisches Verfahren, das das Verfahren der regulären Wahl nachahmt, indem es Techniken wie z.B. Transformation und Hybrid verwendet, um neue Genotypen in der Erwartung zu erzeugen, große Antworten für ein bestimmtes Problem zu finden. In der KI wurden in den 1980er und 1990er Jahren Erbrechenverfahren eingesetzt. Andererseits wurden KI-Strategien zur Verbesserung der Präsentation von vererblichen und transformativen Algorithmen eingesetzt.

Modelle vorbereiten

Normalerweise benötigen KI-Modelle eine Menge Informationen mit dem Ziel, dass sie gut funktionieren. Wenn man ein KI-Modell vorbereitet, muss man meist einen riesigen, delegierten Test von Informationen aus einem Vorbereitungssatz sammeln. Die Informationen aus dem Vorbereitungssatz können so unterschiedlich sein wie ein Korpus von Inhalten, eine Ansammlung von Bildern und Informationen, die von einzelnen Hilfskunden gesammelt wurden. Bei der Vorbereitung eines KI-Modells ist auf Überbesetzung zu achten.

Föderales Lernen

Prinzipieller Artikel: Föderales Lernen

Einheitliches Lernen ist eine weitere Möglichkeit, mit der Vorbereitung von KI-Modellen umzugehen, die den Vorbereitungsprozess dezentralisiert, wobei der Schutz der Kunden dadurch aufrecht erhalten wird, dass sie nicht erwarten, ihre Informationen an einen konzentrierten Server zu senden. Auch dies erhöht die Effektivität, indem das Vorbereitungsverfahren auf zahlreiche Geräte dezentralisiert wird. Gboard nutzt beispielsweise die vereinte KI, um Modelle für die Erwartungshaltung von Suchfragen auf den Mobiltelefonen der Kunden vorzubereiten, ohne die einzelnen Jagden an Google zurückzuschicken.