IA (aprendizado de máquina) é a investigação lógica dos cálculos e modelos mensuráveis que os sistemas informáticos utilizam para efectuar um determinado recado sem utilizar directrizes inequívocas, dependendo de exemplos e indução. É visto como um subconjunto de raciocínios de origem humana. Os cálculos de IA reúnem um modelo científico dependente da informação do teste, conhecido como “preparação da informação”, de modo a estabelecer expectativas ou escolhas sem ser expressamente modificado para desempenhar a tarefa. Os cálculos de IA são utilizados numa vasta gama de utilizações, por exemplo, peneiramento de emails e visão por computador, onde é problemático ou inviável elaborar manualmente um algoritmo para resolver a tarefa.

A IA está firmemente identificada com os conhecimentos computacionais, que apontam para a criação de expectativas através da utilização de computadores. A investigação do avanço numérico transmite técnicas, hipóteses e áreas de aplicação para o campo da IA. A mineração de informação é um campo de concentração dentro da IA, e destaca o exame exploratório da informação através da aprendizagem sem ajuda. Na sua aplicação a questões empresariais, a IA é adicionalmente aludida como investigação presciente.


Ligação à prospecção de dados

A IA e a exploração de dados utilizam frequentemente técnicas semelhantes e abrangem essencialmente as mesmas coisas, mas enquanto a IA se centra em torno da expectativa, à luz das propriedades realizadas a partir da informação de preparação, a exploração de dados centra-se na revelação de (já) propriedades obscuras nos dados (este é o exame da divulgação da aprendizagem em bases de dados). A mineração de informação utiliza muitas técnicas de IA, porém com vários objectivos; depois, mais uma vez, a IA também utiliza estratégias de mineração de informação como “aprendizagem sem ajuda” ou como um empreendimento de pré-processamento para melhorar a exactidão do estudante. Uma parte significativa da desarticulação entre estas duas áreas inquire sobre as redes (que têm regularmente reuniões separadas e diários separados, sendo o ECML PKDD um caso especial significativo) tem origem nos pressupostos essenciais com que trabalham: na AI, a execução é normalmente avaliada em relação à capacidade de imitar a informação conhecida, enquanto na divulgação da aprendizagem e na extracção de informação (KDD) a principal tarefa é a revelação de dados já obscuros. Avaliada em relação aos dados conhecidos, uma técnica ignorante (sem ajuda) será efectivamente ultrapassada por outras estratégias reguladas, enquanto que numa tarefa KDD regular, as técnicas dirigidas não podem ser utilizadas devido à inacessibilidade dos dados preparados.


Ligação à melhoria

A IA também tem ligações privadas para melhorar: muitas questões de aprendizagem são vistas como a minimização de algum trabalho infeliz num conjunto preparado de modelos. As capacidades infelizes expressam a incoerência entre as expectativas do modelo que está a ser preparado e os casos genuínos (por exemplo, para isso é necessário permitir nomes para as ocorrências, e os modelos estão preparados para prever com precisão as marcas pré-atribuídas de muitos modelos). A distinção entre os dois campos emerge do objectivo da especulação: enquanto os cálculos de avanço podem limitar o infortúnio num conjunto de preparações, a IA está preocupada em limitar o infortúnio em amostras ocultas.

Ligação às medições

A gripe aviária e os seus conhecimentos estão firmemente relacionados com as estratégias, mas são inconfundíveis no seu objectivo central: as medições extraem deduções populacionais de um exemplo, ao passo que a gripe aviária encontra padrões prescientes generalizáveis. Como indicado por Michael I. Jordan, o pensamento da IA, desde padrões metodológicos a dispositivos hipotéticos, tem tido uma longa pré-história nas estatísticas. Além disso, ele recomendou o termo “ciência dos dados” como um termo que designa o campo geral até surgir um termo mais apropriado.

Leo Breiman reconheceu dois padrões de exposição factual: modelo de dados e modelo algorítmico, em que “modelo algorítmico” significa praticamente os cálculos da IA como bosques arbitrários.

Alguns analistas abraçaram estratégias da IA, levando a um campo conjunto que eles chamam de aprendizagem mensurável.


Modelos

A realização de IA inclui a elaboração de um modelo, que é preparado com alguma informação preparada e, posteriormente, pode processar informação extra para criar expectativas. Diferentes tipos de modelos têm sido utilizados e inquiridos para os quadros de IA.

Redes neuronais artificiais

As redes neurais artificiais são um conjunto interligado de hubs, à semelhança do enorme sistema de neurónios de um cérebro. Aqui, cada hub de rotunda fala a um neurónio falso e cada parafuso fala a uma associação desde o rendimento de um neurónio falso até à contribuição de outro.

As redes neurais artificiais (RNA), ou quadros conexionistas, são quadros de processamento enigmaticamente animados pelos sistemas neurais naturais que estabelecem os cérebros das criaturas. Esses quadros “aprendem” a executar compromissos pensando em modelos, na sua maioria sem serem modificados com quaisquer regras explícitas de recados.

Uma ANN é um modelo dependente de um conjunto de unidades associadas ou centros chamados “neurónios artificiais”, que modelam livremente os neurónios numa mente orgânica. Cada associação, semelhante aos neurotransmissores de uma mente natural, pode transmitir dados, um “sinal”, começando com um neurônio falso e indo depois para o neurônio seguinte. Um falso neurônio que recebe um sinal pode processá-lo e depois sinalizar neurônios artificiais extras associados a ele. Da mesma forma que as execuções de ANN, o sinal numa associação entre neurónios falsificados é um número genuíno, e o rendimento de cada neurónio falso é registado por alguma capacidade não directa de todas as suas fontes de dados. As associações entre neurónios falsificados são designadas por “bordos”. Os neurónios falsos e os bordos têm normalmente um peso que muda à medida que a aprendizagem continua. O peso aumenta ou diminui a qualidade do sinal numa associação. Os neurónios artificiais podem ter uma aresta com o objectivo final de que o sinal seja possivelmente enviado se o sinal total atravessar essa aresta. Muitas vezes, neurônios falsos são coletados em camadas. Várias camadas podem realizar vários tipos de alterações nas suas fontes de informação. Os sinais viajam da camada principal (a camada de informação) para a última camada (a camada de rendimento), talvez na sequência da navegação pelas camadas em diferentes ocasiões.

O primeiro objectivo da abordagem ANN era abordar as questões de forma semelhante ao que um cérebro humano faria. Seja como for, ao fim de algum tempo, a consideração passou a ser a realização de compromissos explícitos, provocando desvios em relação à ciência. Os sistemas neurais falsificados foram utilizados num conjunto de empreendimentos, incluindo a visão para PC, o reconhecimento do discurso, a interpretação da máquina, a separação da organização interpessoal, jogos de tabuleiro e de computador e a determinação restaurativa.

A aprendizagem profunda compreende várias camadas envoltas num sistema neural falsificado. Esta metodologia tenta mostrar a forma como o cérebro humano processa a luz e o som na visão e na audição. Algumas utilizações eficazes da aprendizagem profunda são o reconhecimento da visão e do discurso por computador.

Árvores de decisão

A aprendizagem de árvores de decisão utiliza uma árvore de escolha como modelo presciente para passar das percepções sobre uma coisa (falada nos ramos) às decisões sobre o valor objectivo da coisa (falado nas folhas). É uma das abordagens prescientes utilizadas em insights, mineração de informação e IA. Modelos de árvores de decisão onde a variável objectiva pode ter uma disposição discreta de qualidades são chamadas árvores de caracterização; nestas estruturas de árvores, as folhas falam com nomes de classes e os ramos falam com conjunções de destaques que levam a essas marcas de classe. Árvores de decisão em que a variável objetiva pode ter uma estima contínua (geralmente números genuínos) são chamadas de árvores de recidiva. Numa investigação de escolha, uma árvore de decisão pode ser utilizada para o exterior e falar expressamente de escolhas e liderança básica. Na exploração da informação, uma árvore de decisão retrata a informação, mas a árvore de organização subsequente pode ser uma contribuição para a liderança básica.

Máquinas vectoriais de suporte

As máquinas vectoriais de suporte (SVM), também chamadas sistemas vectoriais de ajuda, são técnicas de aprendizagem administradas relacionadas, utilizadas para agrupamento e recidiva. Dado um grande número de modelos preparados, cada conjunto tem um lugar com uma de duas classificações: e uma SVM que prepara cálculos fabrica um modelo que prevê se outro modelo se enquadra numa classe ou noutra. Um SVM que prepara o cálculo é um classificador directo não probabilístico, duplo, apesar de existirem técnicas, por exemplo, a escala de Platt para utilizar o SVM num cenário de caracterização probabilística. Apesar de efectuarem um agrupamento recto, as SVM podem efectivamente efectuar uma caracterização não directa, utilizando o que se designa por parte acrobática, mapeando de forma verificável as suas contribuições para espaços de elementos de alta dimensão.

Sistemas Bayesianos

Um sistema Bayesiano, um modelo gráfico não cíclico coordenado ou organizado por convicção é um modelo gráfico probabilístico que fala de muitos factores arbitrários e da sua liberdade restritiva com um diagrama não cíclico coordenado (DAG). Por exemplo, um sistema Bayesiano poderia falar das conexões probabilísticas entre doenças e efeitos colaterais. Dadas as manifestações, o sistema pode ser utilizado para calcular as probabilidades da proximidade de diferentes enfermidades. Existem cálculos eficazes que efectuam a dedução e a aprendizagem. Os sistemas Bayesianos que modelam agrupamentos de factores, semelhantes ao sinal discursivo ou sucessões de proteínas, são chamados sistemas Bayesianos dinâmicos. As especulações de sistemas Bayesianos que podem falar e tratar de questões de escolha sob vulnerabilidade são chamadas de delineamentos de impacto.

Algoritmos genéticos

Um cálculo hereditário (AG) é um procedimento de busca e heurístico que emula o procedimento de escolha regular, utilizando técnicas, por exemplo, de transformação e híbridos para produzir novos genótipos na expectativa de descobrir grandes respostas para uma determinada questão. Na IA, foram utilizados cálculos hereditários durante as décadas de 1980 e 1990. Por outro lado, estratégias de IA foram utilizadas para melhorar a apresentação de algoritmos hereditários e transformativos.

Preparação de modelos

Normalmente, os modelos de IA exigem muita informação com o objectivo de terem um bom desempenho. Na maioria das vezes, quando se prepara um modelo de IA, é necessário reunir um enorme teste de delegado de informação a partir de um conjunto de preparação. A informação do conjunto de preparação pode ser tão diferente como um corpus de conteúdos, uma acumulação de imagens e informação recolhida de clientes singulares de assistência. O excesso de equipamento é algo a ter em conta na preparação de um modelo de IA.

Aprendizagem federada

A aprendizagem unificada é outra forma de lidar com a preparação de modelos de IA que descentralizam o processo de preparação, considerando que a protecção dos clientes deve ser mantida, não esperando enviar as suas informações para um servidor concentrado. Isto também aumenta a eficácia ao descentralizar o procedimento de preparação para numerosos dispositivos. Por exemplo, a Gboard utiliza a IA unificada para preparar modelos de expectativas de questões de pesquisa nos telemóveis dos clientes sem enviar consultas individuais de volta para o Google.