AI (ML) è l’indagine logica dei calcoli e dei modelli misurabili che il sistema PC ha utilizzato per svolgere una particolare commissione senza utilizzare linee guida inequivocabili, a seconda degli esempi e dell’induzione. È vista come un sottoinsieme del ragionamento fatto dall’uomo. I calcoli di IA assemblano un modello scientifico dipendente dalle informazioni di prova, noto come “preparazione delle informazioni”, in modo da stabilirsi sulle aspettative o sulle scelte senza essere espressamente modificati per svolgere il compito. I calcoli di IA sono utilizzati in una vasta gamma di usi, per esempio, il vaglio delle e-mail e la visione al PC, dove è fastidioso o impossibile costruire un calcolo ordinario per svolgere l’impresa in modo corretto.

L’IA è saldamente identificata con le intuizioni computazionali, che mettono in evidenza le aspettative che si creano utilizzando i PC. L’indagine dell’avanzamento numerico trasmette tecniche, ipotesi e aree di applicazione al campo dell’IA. L’estrazione di informazioni è un campo di concentrazione all’interno dell’IA, e si concentra sull’esame esplorativo delle informazioni attraverso l’apprendimento non assistito; nella sua applicazione trasversale rispetto alle questioni di business, l’IA è inoltre considerata un’indagine preveggente.

Collegamento al data mining

L’IA e il data mining utilizzano spesso tecniche simili e coprono essenzialmente, ma mentre l’IA si concentra sull’aspettativa, alla luce delle proprietà realizzate ottenute dalle informazioni di preparazione, il data mining si concentra sulla rivelazione di (già) proprietà oscure nei dati (questa è l’impresa d’esame dell’apprendimento della divulgazione nei database). L’information mining utilizza molte tecniche di IA, ma con vari obiettivi; inoltre, l’IA utilizza anche strategie di information mining come “apprendimento non assistito” o come un’impresa di pre-elaborazione per migliorare l’esattezza degli studenti. Una parte significativa del disordine tra questi due tipi di reti (che hanno regolarmente riunioni separate e diari separati, essendo l’ECML PKDD un caso speciale significativo) ha origine dalle presunzioni essenziali con cui lavorano: nell’IA, l’esecuzione è normalmente valutata per quanto riguarda la capacità di imitare le informazioni conosciute, mentre nell’apprendimento della divulgazione e dell’information mining (KDDD) l’impresa chiave è la rivelazione di dati già oscuri. Valutata per quanto riguarda i dati conosciuti, una tecnica ignorante (non assistita) sarà efficacemente battuta da altre strategie regolamentate, mentre in un normale compito di KDD, le tecniche dirette non possono essere utilizzate a causa dell’inaccessibilità della preparazione dei dati.

Collegamento al miglioramento

Anche l’IA ha connessioni private per il miglioramento: molti problemi di apprendimento sono considerati come la minimizzazione di un lavoro di preparazione di un set di modelli. Le capacità di sfortuna esprimono l’incoerenza tra le aspettative del modello che si sta preparando e i casi di vera e propria problematica (ad esempio, per esempio, si deve permettere che un nome si verifichi, e i modelli sono preparati per prevedere con precisione i segni preassegnati di molti modelli). La distinzione tra i due campi emerge dall’obiettivo della speculazione: mentre i calcoli di avanzamento possono limitare la sfortuna su un set di preparazione, AI si preoccupa di limitare la sfortuna su campioni nascosti.

Collegamento alle misure

L’intelligenza artificiale e le intuizioni sono campi saldamente correlati per quanto riguarda le strategie, ma inconfondibili nel loro obiettivo centrale: le misurazioni traggono le deduzioni della popolazione da un esempio, mentre l’intelligenza artificiale trova modelli preveggenti generalizzabili. Come indicato da Michael I. Jordan, il pensiero dell’IA, dagli standard metodologici agli ipotetici dispositivi, ha avuto una lunga preistoria nella statistica. Egli ha inoltre raccomandato il termine scienza dei dati come segnaposto per chiamare il campo generale.

Leo Breiman ha riconosciuto due standard di visualizzazione dei fatti: il modello dei dati e il modello algoritmico, dove “modello algoritmico” significa più o meno i calcoli dell’IA come Arbitrary woodland.

Alcuni analisti hanno abbracciato le strategie dell’IA, suggerendo un campo congiunto che chiamano apprendimento misurabile.

Modelli

L’esecuzione di IA include la realizzazione di un modello, che viene preparato su alcune informazioni di preparazione e in seguito può elaborare informazioni aggiuntive per creare aspettative. Sono stati utilizzati e richiesti diversi tipi di modelli per i quadri di IA.

Reti neurali artificiali

Articolo principale: Rete neurale artificiale

Vedi anche: Apprendimento profondo

Le reti neurali artificiali sono un insieme interconnesso di hub, paragonabili all’enorme sistema di neuroni di un cervelletto. Qui, ogni hub rotondo parla a un neurone contraffatto e un bullone parla a un’associazione dalla resa di un neurone contraffatto al contributo di un altro.

Le reti neurali artificiali (RNA), o strutture connessioniste, sono strutture di elaborazione enigmaticamente animate dai sistemi neurali naturali che stabiliscono i cervelli delle creature. Tali strutture “imparano” a compiere imprese pensando a modelli, per la maggior parte senza essere modificate con regole esplicite di commissione.

Una RNA è un modello dipendente da un insieme di unità o hub associati chiamati “neuroni artificiali”, che modellano liberamente i neuroni in una mente organica. Ogni associazione, simile ai neurotrasmettitori di una mente naturale, può trasmettere dati, un “segnale”, partendo da un falso neurone per poi passare al successivo. Un falso neurone che riceve un segno può elaborarlo e successivamente segnalare altri neuroni artificiali ad esso associati. In modo simile alle esecuzioni di RNA, il segno in un’associazione tra neuroni contraffatti è un numero reale, e la resa di ogni falso neurone è registrata da una certa capacità non diretta dell’insieme delle sue fonti di dati. Le associazioni tra neuroni contraffatti sono denominate “bordi”. I neuroni contraffatti e i bordi hanno comunemente un peso che cambia man mano che l’apprendimento continua. Il peso aumenta o diminuisce la qualità del segno in un’associazione. I neuroni artificiali possono avere un bordo con l’obiettivo finale che il segno sia eventualmente inviato se il segno totale attraversa quel bordo. Comunemente, i neuroni artificiali sono raccolti in strati. Vari strati possono eseguire vari tipi di cambiamenti nelle loro fonti di informazione. I segni viaggiano dallo strato principale (lo strato informativo), fino all’ultimo strato (lo strato di resa), forse sulla scia della navigazione degli strati in diverse occasioni.

Il primo obiettivo dell’approccio ANN era quello di affrontare le questioni in modo simile a quello che avrebbe fatto un cervelletto umano. Sia come sia, dopo un certo periodo di tempo, la considerazione si è mossa per compiere espliciti impegni, spingendo a deviazioni dalla scienza. I sistemi neurali contraffatti sono stati utilizzati in una serie di imprese, tra cui la visione al PC, il riconoscimento del discorso, l’interpretazione automatica, la separazione dell’organizzazione interpersonale, il gioco da tavolo e i giochi per computer e la determinazione riparativa.

L’apprendimento profondo è costituito da vari strati avvolti in un sistema neurale contraffatto. Questa metodologia cerca di mostrare il modo in cui il cervelletto umano trasforma la luce e il suono in visione e udito. Alcuni usi efficaci dell’apprendimento profondo sono la visione al PC e il riconoscimento del discorso.

Alberi decisionali

Articolo fondamentale: Alberi decisionali di apprendimento

L’apprendimento degli alberi decisionali utilizza un albero di scelta come modello preveggente per passare dalle percezioni su una cosa (a cui si parla nei rami) alle decisioni sul valore oggettivo della cosa (a cui si parla nelle foglie). È uno degli approcci di visualizzazione preveggenti utilizzati nelle intuizioni, nell’estrazione di informazioni e nell’IA. I modelli di alberi decisionali in cui la variabile oggettiva può assumere una disposizione discreta delle qualità sono chiamati alberi di caratterizzazione; in queste strutture ad albero, le foglie parlano ai nomi delle classi e i rami parlano alle congiunzioni di punti salienti che portano a quei segni di classe. Gli alberi decisionali in cui la variabile oggettiva può assumere stime non stop (comunemente numeri genuini) sono chiamati alberi di ricaduta. In un’indagine sulle scelte, un albero decisionale può essere utilizzato per parlare all’esterno e parlare espressamente alle scelte e alla leadership di base. Nell’estrazione dell’informazione, un albero di scelta rappresenta l’informazione, ma il successivo albero di disposizione può essere un contributo alla leadership di base.

Macchine vettoriali di supporto

Articolo primario: Macchine vettoriali di supporto

Le macchine vettoriali di supporto (SVM), altrimenti chiamate sistemi vettoriali di aiuto, sono molte delle relative tecniche di apprendimento somministrate utilizzate per il raggruppamento e la ricaduta. Dato un sacco di modelli di preparazione, ognuno dei quali si distingue per avere un posto con una delle due classificazioni, un calcolo di preparazione SVM costruisce un modello che predice se un altro modello cade in una classe o nell’altra. Un calcolo di preparazione di SVM è un classificatore diretto non probabilistico, duplice, diretto, nonostante il fatto che esistano tecniche, per esempio, la scalatura Platt per utilizzare SVM in un’impostazione di caratterizzazione probabilistica. Nonostante l’esecuzione di raggruppamenti rettilinei, gli SVM possono effettivamente eseguire una caratterizzazione non diretta utilizzando quella che è nota come acrobazia delle parti, mappando in modo verificabile i loro contributi agli spazi di elementi ad alta dimensione.

Sistemi bayesiani

Articolo di principio: Sistema Bayesiano

Un semplice sistema bayesiano. L’acquazzone influisce sia sull’avvio dell’irrigatore, sia sull’acquazzone che sull’irrigatore, sia che l’erba sia bagnata.

Un sistema bayesiano, convinzione organizzare o coordinato modello grafico non ciclico è un modello grafico probabilistico che parla a molti fattori arbitrari e la loro libertà restrittiva con un diagramma coordinato non ciclico (DAG). Per esempio, un sistema bayesiano potrebbe parlare alle connessioni probabilistiche tra malattie ed effetti collaterali. Date le manifestazioni, il sistema può essere utilizzato per calcolare le probabilità della vicinanza di diverse malattie. Esistono calcoli efficaci che eseguono la deduzione e l’apprendimento. I sistemi bayesiani che modellano i raggruppamenti di fattori, simili al segno del discorso o alle successioni di proteine, sono chiamati sistemi dinamici bayesiani. Le speculazioni dei sistemi bayesiani che possono parlare e prendersi cura dei problemi di scelta in condizioni di vulnerabilità sono chiamati contorni di impatto.

Algoritmi genetici

Articolo di principio: Algoritmi genetici

Un calcolo ereditario (GA) è un calcolo di ricerca e una procedura euristica che emula la procedura di scelta regolare, utilizzando tecniche, per esempio, di trasformazione e ibrido per produrre nuovi genotipi nell’aspettativa di scoprire grandi risposte per un determinato problema. Nell’IA, i calcoli ereditari sono stati utilizzati negli anni ’80 e ’90. D’altra parte, le strategie di IA sono state utilizzate per migliorare la presentazione degli algoritmi ereditari e trasformativi.

Preparazione dei modelli

Di solito, i modelli di IA richiedono una grande quantità di informazioni con l’obiettivo di ottenere buone prestazioni. Nella maggior parte dei casi, quando si prepara un modello di IA, è necessario raccogliere una grande quantità di informazioni da un set di preparazione. Le informazioni del set di preparazione possono essere diverse quanto un corpus di contenuti, un accumulo di immagini e informazioni raccolte da singoli clienti di assistenza. L’overfitting è qualcosa a cui fare attenzione quando si prepara un modello di IA.

Apprendimento federativo

Articolo di principio: L’apprendimento federativo

L’apprendimento unificato è un altro modo per affrontare la preparazione di modelli di IA che decentralizza la procedura di preparazione, considerando la protezione dei clienti da mantenere al passo, non aspettandosi di inviare le loro informazioni a un server concentrato. Questo costruisce anche l’efficacia decentralizzando la procedura di preparazione a numerosi gadget. Ad esempio, Gboard utilizza l’IA unita per preparare modelli di aspettative per le domande di ricerca sui cellulari dei clienti senza inviare cacciatori individuali a Google.