AI (ML) jest logicznym badaniem obliczeń i wymiernych modeli, które systemy komputerowe wykorzystują do odegrania konkretnej sprawy bez użycia jednoznacznych wytycznych, w zależności od przykładów i indukcji. Jest on postrzegany jako podzbiór rozumowania stworzonego przez człowieka. Obliczenia AI składają się z modelu naukowego zależnego od informacji testowych, znanego jako “przygotowanie informacji”, w celu ustalenia oczekiwań lub wyborów bez wyraźnej modyfikacji w celu wykonania zadania. Obliczenia sztucznej inteligencji są wykorzystywane w szerokim zakresie zastosowań, na przykład do przesiewania poczty elektronicznej i wizji komputerowej, gdzie ręczne opracowanie algorytmu do rozwiązania zadania jest kłopotliwe lub niemożliwe.

AI jest mocno utożsamiana z obliczeniowymi spostrzeżeniami, które zwracają uwagę na spełnianie oczekiwań przy użyciu komputerów. Badanie zaawansowania numerycznego przekazuje techniki, hipotezy i obszary zastosowań w dziedzinie SI. Eksploracja informacyjna jest polem koncentracji wewnątrz SI i uwydatnia eksploracyjne badanie informacji poprzez samodzielną naukę. W swoim zastosowaniu do zagadnień biznesowych grypa jest dodatkowo przywoływana jako badanie prescientowe.


Związek z eksploracją danych

Sztuczna inteligencja i eksploracja danych często wykorzystują podobne techniki i obejmują zasadniczo te same rzeczy, podczas gdy sztuczna inteligencja koncentruje się wokół oczekiwań, w świetle zrealizowanych właściwości uzyskanych z informacji o przygotowaniu, centra eksploracji danych wokół ujawnienia (już) niejasnych właściwości w danych (jest to przedsięwzięcie egzaminacyjne polegające na uczeniu się ujawniania w bazach danych). Eksploracja informacji wykorzystuje wiele technik gry komputerowej, jednak w różnych celach; ponadto gry komputerowe wykorzystują strategie eksploracji informacji jako “samodzielne uczenie się” lub jako przedsięwzięcie przedprocesowe mające na celu poprawę dokładności studentów. Znaczna część rozdźwięku pomiędzy tymi dwoma obszarami dotyczy zapytań o sieci (które regularnie mają osobne zgromadzenia i osobne dzienniki, przy czym ECML PKDD jest istotnym przypadkiem szczególnym) i wynika z istotnych założeń, z którymi pracują: w SI wykonanie jest zwykle oceniane pod kątem zdolności do naśladowania znanych informacji, podczas gdy w nauczaniu ujawniania i eksploracji informacji (KDD) kluczowym przedsięwzięciem jest ujawnienie już i tak niejasnych danych. Oceniając znane dane, nieświadoma (samodzielna) technika zostanie skutecznie pokonana przez inne regulowane strategie, podczas gdy w zwykłym zadaniu KDD techniki ukierunkowane nie mogą być wykorzystywane ze względu na niedostępność przygotowanych danych.


Związek z doskonaleniem

AI również ma prywatne powiązania z doskonaleniem: wiele kwestii związanych z uczeniem się postrzega się jako minimalizację niektórych niefortunnych prac nad przygotowanym zestawem modeli. Możliwości nieszczęścia wyrażają niespójność pomiędzy oczekiwaniami przygotowywanego modelu a rzeczywistymi przypadkami problemów (na przykład, aby umożliwić nazwanie zdarzeń, a modele są przygotowane do dokładnego przewidywania wstępnie przydzielonych znaków wielu modeli). RozróĪnienie pomiĊdzy tymi dwoma obszarami wynika z celu spekulacji: podczas gdy obliczenia posuniĊciowe mogą ograniczyü nieszczĊstoĞü na zestawie przygotowawczym, AI obawia siĊ ograniczenia nieszczĊĞcia na ukrytych próbkach.

Podłączenie do pomiarów

Sztuczna inteligencja i spostrzeżenia są ściśle powiązane ze sobą pod względem strategii, ale nie ulegają wątpliwości co do ich głównego celu: pomiary wyciągają wnioski dotyczące populacji z przykładu, podczas gdy sztuczna inteligencja znajduje uogólnione wzorce prescientowskie. Jak wskazał Michael I. Jordan, myśli o SI, od standardów metodologicznych do hipotetycznych urządzeń, mają długą prehistorię w statystyce. On dodatkowo zalecał termin data science jako posiadacz miejsca, aby nazwać ogólne pole, dopóki nie pojawi się bardziej odpowiedni termin

Leo Breiman rozpoznał dwa faktyczne standardy wyświetlania: model danych i model algorytmiczny, w którym “model algorytmiczny” oznacza w dużej mierze obliczenia AI jak dowolne lasy.

Kilku analityków przyjęło strategie grypy ptaków, co doprowadziło do powstania dziedziny, którą nazywają mierzalnym uczeniem się.
Modele

Wykonanie SI obejmuje wykonanie modelu, który jest przygotowywany na podstawie przygotowanych informacji, a następnie może przetwarzać dodatkowe informacje w celu spełnienia oczekiwań. Różne rodzaje modeli zostały wykorzystane i zapytać o różne rodzaje modeli dla AI ram.

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe są połączonym zbiorem węzłów, podobnym do ogromnego systemu neuronów w mózgu. Tutaj każda piasta ronda przemawia do podrobionego neuronu, a każda śruba przemawia do skojarzenia od wydajności jednego podrobionego neuronu do wkładu innego.

Sztuczne sieci neuronowe (ANN), czyli struktury łączące, przetwarzają struktury enigmatycznie ożywione przez naturalne systemy neuronowe, które tworzą stwórcze mózgi. Ramy takie “uczą się” realizować przedsięwzięcia poprzez myślenie o modelach, w większości przypadków bez konieczności modyfikacji za pomocą jakichkolwiek wyraźnych zasad.

ANN jest modelem zależnym od zgromadzenia powiązanych ze sobą jednostek lub węzłów zwanych “sztucznymi neuronami”, które swobodnie modelują neurony w umyśle organicznym. Każde skojarzenie, podobne do neuroprzekaźników w naturalnym umyśle, może przekazywać dane, “sygnał”, począwszy od jednego fałszywego neuronu, a skończywszy na następnym. Fałszywy neuron, który otrzymuje znak, może go przetwarzać, a następnie sygnalizować dodatkowe sztuczne neurony z nim związane. Podobnie jak w przypadku ANN, znak przy skojarzeniu fałszywych neuronów jest liczbą rzeczywistą, a wydajność każdego fałszywego neuronu jest rejestrowana przez jakąś niepośrednią pojemność całego jego źródła danych. Zależności między podrobionymi neuronami są oznaczone jako “krawędzie”. Sfałszowane neurony i krawędzie mają zwykle wagę, która zmienia się w miarę postępu nauki. Waga ta zwiększa lub zmniejsza jakość znaku w skojarzeniu. Sztuczne neurony mogą mieć krawędź z celem końcowym, że znak jest ewentualnie wysłany, jeśli cały znak przekracza tę krawędź. Często sztuczne neurony są gromadzone w warstwach. Różne warstwy mogą dokonywać różnego rodzaju zmian w swoich źródłach informacji. Znaki przemieszczają się od warstwy głównej (warstwy informacyjnej) do ostatniej (warstwy wydajnościowej), być może w następstwie poruszania się po tych warstwach przy różnych okazjach.

Pierwszym celem podejścia ANN było rozwiązanie problemów w podobny sposób, jak w przypadku ludzkiego mózgu. Tak czy inaczej, po pewnym czasie rozważania przeniosły się na realizację wyraźnych zobowiązań, skłaniając do odejścia od nauki. Sfałszowane systemy neuronowe zostały wykorzystane na asortyment przedsięwzięć, w tym wizja komputerowa, uznawanie dyskursu, interpretacja maszynowa, międzyludzka organizacja oddzielająca, gra planszowa i gry komputerowe i odtwórcza determinacja.

Głębokie uczenie się składa się z różnych osłoniętych warstw w podrabianym systemie neuronowym. Metodologia ta próbuje pokazać sposób, w jaki ludzki mózg przetwarza światło i dźwięk na widzenie i słuch. Niektóre skuteczne zastosowania głębokiego uczenia się to widzenie komputerowe i rozpoznawanie dyskursu.

Drzewa decyzyjne

Uczenie się drzew decyzyjnych wykorzystuje drzewo decyzyjne jako prekursorski model przejścia od postrzegania rzeczy (mówienie do niej w gałęziach) do podejmowania decyzji o jej wartości obiektywnej (mówienie do niej w liściach). Jest to jedna z metod prezentowanych w nauce prescientowskiej, wykorzystywana w spostrzeżeniach, eksploracji informacji i SI. Modele drzew decyzyjnych, w których zmienna obiektywna może przyjmować dyskretny układ cech, nazywane są drzewami charakteryzacyjnymi; w tych strukturach drzewa liście mówią do nazw klas, a gałęzie do spójników akcentów, które prowadzą do tych znaków klasowych. Drzewa decyzyjne, w których zmienna obiektywna może przyjmować ciągły szacunek (zwykle są to liczby rzeczywiste), nazywane są drzewami nawrotów. W badaniach nad wyborem drzewo decyzyjne może być wykorzystane do zewnętrznego i wyraźnego mówienia o wyborach i podstawowym przywództwie. W eksploracji informacji drzewo genealogiczne przedstawia informacje, ale drzewo genealogiczne może stanowić wkład w podstawowe przywództwo.

Maszyny wektorowe wspomagające

Wspierające maszyny wektorowe (SVM), inaczej zwane systemami wektorów pomocy, są powiązanymi administrowanymi technikami uczenia się, wykorzystywanymi do grupowania i nawrotów. Biorąc pod uwagę dużą ilość przygotowanych modeli, każdy z nich ma swoje miejsce z jedną z dwóch klasyfikacji: a SVM przygotowujący obliczenia tworzy model, który przewiduje, czy inny model należy do jednej czy drugiej klasy. SVM przygotowujący obliczenia jest nieprobabilistycznym, dwukierunkowym, bezpośrednim klasyfikatorem, pomimo faktu, że istnieją techniki, na przykład skalowanie Platta, wykorzystujące SVM w probabilistycznej charakterystyce. Niezależnie od prostego grupowania, SVM mogą skutecznie wykonać charakterystykę nie bezpośrednią, wykorzystując tzw. stunt częściowy, weryfikując swój wkład w wysokowymiarowe przestrzenie elementów.

Systemy bayesowskie

System bayesowski, przekonania organizują lub koordynują niecykliczny model graficzny jest probabilistycznym modelem graficznym, który przemawia do wielu arbitralnych czynników i ich restrykcyjnej swobody z koordynowanym niecyklicznym diagramem (DAG). Na przykład, system bayesowski może przemawiać do probabilistycznych powiązań między chorobami i skutkami ubocznymi. Biorąc pod uwagę objawy, system ten może być wykorzystany do określenia prawdopodobieństwa bliskości różnych chorób. Istnieją skuteczne kalkulacje, które dokonują dedukcji i nauki. Systemy bayesowskie, które modelują grupowanie czynników, podobne do znaku dyskursu lub sukcesji białkowej, nazywane są dynamicznymi systemami bayesowskimi. Spekulacje systemów bayesowskich, które potrafią mówić i zajmować się problemami wyboru w podatności, nazywane są zarysami wpływu.

Algorytmy genetyczne

Kalkulacja dziedziczna (GA) jest zabiegiem obliczeniowym i heurystycznym, który naśladuje procedurę zwykłego wyboru, wykorzystując techniki, na przykład transformację i hybrydę do wytworzenia nowych genotypów w oczekiwaniu na odkrycie wielkich odpowiedzi na dane zagadnienie. W AI, obliczenia dziedziczne były wykorzystywane w latach 80. i 90. ubiegłego wieku. Z drugiej strony, strategie AI zostały wykorzystane w celu poprawy prezentacji algorytmów dziedzicznych i transformacyjnych.

Przygotowanie modeli

Zazwyczaj modele SI wymagają dużej ilości informacji, aby mogły dobrze funkcjonować. W większości przypadków, przygotowując model SI, trzeba zebrać ogromny, delegowany test informacji z zestawu przygotowawczego. Informacje z zestawu przygotowawczego mogą być tak różne, jak korpus treści, nagromadzenie zdjęć i informacje zebrane od pojedynczych klientów pomocy. Przy przygotowywaniu modelu SI należy zwrócić uwagę na jego wyposażenie.

Sfederowana nauka

Ujednolicone uczenie się jest kolejnym sposobem postępowania przy przygotowywaniu modeli SI, które decentralizują procedurę przygotowania, biorąc pod uwagę ochronę klientów, którzy nie spodziewają się wysyłać swoich informacji na skoncentrowany serwer. Buduje to również efektywność poprzez decentralizację procedury przygotowania na wielu urządzeniach. Przykładowo, Gboard wykorzystuje zintegrowaną SI do przygotowania modeli oczekiwanych pytań wyszukiwawczych na telefonach komórkowych klientów bez wysyłania indywidualnych zapytań z powrotem do Google.