Introducción a la IA para estudiantes
Hemos visto la IA como una expresión de moda desde hace apenas unos años, el propósito detrás de esto puede ser la alta medida de información creada por las aplicaciones, la expansión del control de los cálculos en los años apenas anteriores y la mejora de los mejores cálculos.
La IA se utiliza en cualquier lugar, desde la mecanización de empresas comunes hasta la oferta de conocimientos profundos, las empresas de cada división intentan sacar provecho de ella. Puede que a partir de ahora estés utilizando un aparato que la use. Por ejemplo, un rastreador de bienestar portátil como Fitbit, o un asociado de casa como Google Home. Sin embargo, hay muchos más casos de uso de ML.
Previsión – La IA también puede ser utilizada en los marcos de espera. Pensando en el modelo de crédito, para registrar la probabilidad de una deficiencia, el marco debe caracterizar la información accesible en las reuniones.
Reconocimiento de la imagen – La IA puede ser utilizada para la identificación de la cara en una imagen también. Hay una clase diferente para cada individuo en una base de datos de unas pocas personas.
Reconocimiento del discurso – Es la interpretación de las palabras expresadas verbalmente en el contenido. Se utiliza en búsquedas de voz y el cielo es el límite a partir de ahí. Las UI de voz incorporan marcación por voz, dirección de llamadas y control de máquinas. También se puede utilizar una sección de información básica y la disposición de informes organizados.
Análisis terapéutico – El ML está preparado para percibir los tejidos malignos.
Industria relacionada con el dinero y el intercambio: las organizaciones utilizan el LD en exámenes de extorsión y comprobaciones de crédito.
¿Qué es el aprendizaje automático?
Según Arthur Samuel, los cálculos de la IA permiten a los PCs beneficiarse de la información, e incluso desarrollarse, sin ser modificados de forma inequívoca.
La IA (ML) es una clasificación de un cálculo que permite que las aplicaciones de programación resulten progresivamente exactas en la anticipación de los resultados sin ser expresamente modificadas. La razón esencial de la IA es fabricar cálculos que puedan obtener información de entrada y utilizar investigaciones mensurables para anticipar un rendimiento, a la vez que se refrescan los rendimientos a medida que se accede a nueva información.
¿Algo de IA?
La IA puede ser ordenada en 3 tipos de cálculos.
Aprendizaje regulado – [Enlace próximamente en un futuro blog]
Aprendizaje sin ayuda – [Enlace próximamente en un futuro blog]
Aprendizaje de Fortificación – [Enlace próximamente en un futuro blog]
Revisión del cálculo del aprendizaje dirigido
En el aprendizaje dirigido, un marco de inteligencia basado en la computadora recibe información que es nombrada, lo que implica que cada dato etiquetado con la marca correcta.
El objetivo es estimar la capacidad de mapeo tan bien que cuando se disponga de nueva información de entrada (x) se puedan prever los factores de rendimiento (Y) de esa información.
Como apareció en el modelo anterior, al principio hemos tomado algunos datos y los hemos estampado como “Spam” o “No Spam”. Estos datos nombrados son utilizados por el modelo regulado de preparación, estos datos son utilizados para preparar el modelo.
Cuando esté preparado podemos probar nuestro modelo probándolo con algunos nuevos envíos de prueba y la comprobación del modelo puede prever el rendimiento correcto.
Tipos de aprendizaje dirigido…
Orden: La variable de rendimiento es una clase, por ejemplo, “rojo” o “azul” o “dolencia” y “no infección”.
Recaída: Una recaída es un punto en el que la variable de rendimiento tiene un valor genuino, por ejemplo, “dólares” o “peso”.
Diagrama de cálculo de aprendizaje sin ayuda
En el aprendizaje sin ayuda, un marco de inteligencia hecho por el hombre recibe información sin etiquetar ni clasificar y los cálculos del marco hacen un seguimiento de la información sin prepararse previamente. El rendimiento depende de los cálculos codificados. Exponer un marco al aprendizaje sin ayuda es un método para probar la inteligencia artificial.
En el modelo anterior, le hemos dado unos cuantos personajes a nuestro modelo que son “Patos” y “No Patos”. En nuestra información de preparación, no damos ningún nombre a la información de comparación. El modelo solo puede aislar ambos caracteres echando un vistazo al tipo de información y modela la estructura fundamental o la dispersión en la información para familiarizarse con ella.
Tipos de aprendizaje en solitario
Agrupación: Una cuestión de agrupación es un lugar en el que hay que encontrar las agrupaciones características en la información, por ejemplo, reunir a los clientes mediante la obtención de una conducta.
Afiliación: Un tema de aprendizaje de la regla de afiliación es el lugar que necesitas encontrar decide que retraten grandes trozos de tu información, por ejemplo, los individuos que compran X adicionalmente comprarán en general Y.
Diagrama del aprendizaje de la fortificación
Un cálculo de aprendizaje de fortificación, u operador, aprende cooperando con su condición. El operador recibe una remuneración por realizar con precisión y castigos por realizarlo erróneamente. El especialista recibe sin mediación de un humano amplificando su recompensa y limitando su castigo. Es una especie de programación única que entrena los cálculos utilizando un arreglo de remuneración y disciplina.
En el modelo anterior, podemos ver que el operador tiene 2 alternativas, por ejemplo, una vía con agua o una vía con fuego. Un cálculo de soporte desguaza en la remuneración un marco por ejemplo en el caso de que el operador utilice el camino con fuego, en ese momento se restan los premios y los especialistas intentan descubrir que debe mantener una distancia estratégica del camino con fuego. En el caso de que hubiera elegido el camino de agua o el camino protegido, en ese punto se habrían añadido algunos a los focos de recompensa, el especialista en ese punto intentaría darse cuenta de qué camino está protegido y qué camino no lo está.
Esencialmente utilizando los premios adquiridos, el operador mejora su información de condición para elegir la siguiente actividad