ИИ (ML) – это логическое исследование вычислений и измеряемых моделей, которые компьютерные системы используют для выполнения конкретного задания без использования однозначных руководящих принципов, в зависимости от примеров и индукции. Оно рассматривается как подмножество антропогенных рассуждений. Расчеты ИИ собирают научную модель, зависящую от тестовой информации, известную как “подготавливающая информация”, с тем, чтобы довольствоваться ожиданиями или выбором без явных изменений для выполнения поставленной задачи. Расчеты ИИ используются в широком спектре областей применения, например, для просеивания электронной почты и компьютерного зрения, где сложно или невозможно вручную создать алгоритм решения задачи.

ИИ прочно ассоциируется с вычислительной интуицией, которая проливает свет на то, чтобы оправдывать ожидания, используя компьютеры. Исследования в области численного развития передают методы, гипотезы и области применения в области ИИ. Горнодобыча информации – это область концентрации внутри ИИ, в которой особое внимание уделяется исследованию исследовательской информации с помощью обучения без посторонней помощи. В своем применении к бизнес-проблемам, AI дополнительно упоминается как прогностическое исследование.


Подключение к добыче данных

ИИ и интеллектуальный анализ данных часто используют схожие методы и охватывают в основном одни и те же вещи, но в то время как ИИ центры вокруг ожидания, в свете реализованных свойств, полученных из подготовительной информации, центры интеллектуального анализа данных вокруг выявления (уже) неясных свойств в данных (это экзаменационное предприятие по раскрытию информации об обучении в базах данных). Значительная часть беспорядка между этими двумя областями связана с вопросом о сетях (которые регулярно имеют отдельные собрания и отдельные дневники, ECML PKDD является существенным особым случаем), возникает из-за существенных предположений, с которыми они работают: в AI обычно оценивается выполнение относительно способности имитировать известную информацию, в то время как в обучении раскрытию и добыче информации (KDD) ключевым занятием является раскрытие уже непонятных данных. Оцениваемая относительно известных данных, невежественная (неавторизованная) техника будет эффективно побеждена другими регулируемыми стратегиями, в то время как в обычной задаче KDD, направленная техника не может быть использована из-за недоступности подготовленных данных.


Подключение к улучшению

МА также имеет частные связи с совершенствованием: многие вопросы обучения рассматриваются как сведение к минимуму некоторых неудачных работ по подготовленному набору моделей. Неудачные возможности выражают несоответствие между ожиданиями от подготавливаемой модели и реальными случаями (например, для того, чтобы можно было допускать названия случаев, а модели были готовы точно предвидеть заранее распределенные знаки многих моделей). Различие между этими двумя областями вытекает из цели спекуляции: в то время как расчеты продвижения могут ограничить несчастье на подготовительном комплекте, AI беспокоится об ограничении несчастья на скрытых образцах.

Связь с измерениями

ИИ и инсайты являются тесно связанными областями в том, что касается стратегий, но безошибочно определяющими их центральную цель: измерения извлекают народные выводы из примера, в то время как ИИ находит обобщающие предвиденные закономерности. Как указал Майкл I. Джордан, мысли об ИИ, начиная от методологических стандартов и заканчивая гипотетическими устройствами, имеют долгую предысторию в статистике. Кроме того, он рекомендовал использовать термин “наука о данных” в качестве замены термина “общая область” до тех пор, пока не появится более подходящий термин.

Лев Брейман распознал два фактических стандарта отображения: модель данных и алгоритмическая модель, где “алгоритмическая модель” означает в значительной степени вычисления ИИ, как и произвольные лесные массивы.

Несколько аналитиков взяли на вооружение стратегии из ИИ, что привело к объединению поля, которое они называют измеряемым обучением.
Модели

Выполнение AI включает в себя создание модели, которая готовится на основе некоторой подготовленной информации, а затем может обрабатывать дополнительную информацию, чтобы оправдать ожидания. Использовались различные типы моделей, которые были запрошены для рамок ИИ.

Искусственные нейронные сети

Искусственные нейронные сети – это взаимосвязанный узел, подобный огромной системе нейронов в головном мозге. Здесь каждый кольцевой концентратор говорит с поддельным нейроном, а каждый болт говорит с ассоциацией, начиная от выхода одного поддельного нейрона и заканчивая вкладом другого.

Искусственные нейронные сети (ИНС), или каркасы связи, – это каркасы обработки, загадочно оживленные естественными нейронными системами, устанавливающими мозг существа. Такие каркасы “учатся” выполнять задания, размышляя о моделях, по большей части не изменяясь при этом с какими бы то ни было явными правилами.

ИНС – это модель, зависящая от сбора связанных с ней единиц или концентраторов, называемых “искусственными нейронами”, которые свободно моделируют нейроны в органическом разуме. Каждая ассоциация, подобно нейропередатчикам в естественном разуме, может передавать данные, “сигнал”, начиная с одного фальшивого нейрона и заканчивая другим. Фальшивый нейрон, который получает знак, может его обрабатывать, а затем сигнализировать об этом дополнительным искусственным нейронам, связанным с ним. Подобно исполнению ИНС знак при ассоциации фальшивых нейронов является истинным числом, а выход каждого фальшивого нейрона регистрируется некоторой не прямой емкостью всех его источников данных. Ассоциации между фальшивыми нейронами обозначаются как “края”. Поддельные нейроны и края обычно имеют вес, который меняется по мере продолжения обучения. Этот вес увеличивает или снижает качество знака в ассоциации. Искусственные нейроны могут иметь ребро с конечной целью, которое может быть послано, если общий знак пересекает этот край. Часто поддельные нейроны собираются в слои. Различные слои могут выполнять различные виды изменения источников информации. Знаки перемещаются от основного слоя (информационный слой) к последнему слою (слой урожайности), возможно, в результате навигации по слоям в различных случаях.

Первая цель подхода ИНС состояла в том, чтобы решать вопросы подобно тому, как это делала бы человеческая головная мозговая система. Как бы то ни было, по прошествии некоторого времени рассмотрение перешло к выполнению эксплицитных заданий, что привело к отступлению от науки. Поддельные нейронные системы использовались для целого ряда задач, в том числе в области компьютерного зрения, распознавания дискурсов, машинной интерпретации, разделения межличностных организаций, игровой доски и компьютерных игр, а также реставрационной детерминации.

Глубокое изучение включает в себя различные зачехленные слои в поддельной нейронной системе. Эта методология пытается отобразить то, как человеческая головная мозговая система при помощи света и звука воздействует на зрение и слух. Некоторые эффективные виды использования глубокого обучения – это компьютерное зрение и распознавание речи.

Деревья принятия решений

Изучение деревьев принятия решений использует дерево выбора в качестве предвиденной модели для перехода от восприятия вещи (о котором говорят в ветвях) к принятию решений о ее объективной ценности (о которой говорят в листьях). Это один из подходов к отображению пророчества, используемый в инсайтах, добыче информации и искусственном интеллекте. Модели деревьев решений, в которых объективная переменная может принимать дискретное расположение качеств, называются деревьями характеризации; в этих древовидных структурах листья говорят с именами классов, а ветви – с конъюнктурами выделения, которые приводят к этим классовым отметкам. Деревья решений, где объективная переменная может принимать бесконечные оценки (обычно реальные числа), называются деревьями рецидивов. В исследовании выбора, дерево решений может быть использовано для внешнего и явного разговора с выбором и основным руководством. В информационном анализе дерево выбора отображает информацию, но последующее дерево расположения может внести свой вклад в базовое лидерство.

Векторные машины поддержки

Векторные машины поддержки (ВМП), иначе называемые векторными системами помощи, представляют собой связанные с ними методы обучения, используемые для группирования и рецидива. Учитывая большое количество подготовленных моделей, в каждой из них есть место одной из двух классификаций: а в подготовительном расчете SVM создается модель, которая предсказывает, попадает ли другая модель в один класс или в другой. Подготовительный расчет SVM является невероятностным, двойным прямым классификатором, несмотря на то, что существуют методы, например, масштабирование Platt для использования SVM в вероятностной характеристике. Несмотря на прямую группировку, БРПЛ может эффективно выполнять ненаправленную характеризацию, используя так называемый “трюк с деталями”, верифицированно отображая их вклад в пространства высокоразмерных элементов.

Байесовские системы

Байесовская система, организация убеждений или скоординированная нециклическая графическая модель – это вероятностная графическая модель, которая говорит о множестве произвольных факторов и их ограничительной свободе с помощью скоординированной нециклической диаграммы (DAG). Например, Байесовская система может говорить о вероятностных связях между болезнями и побочными эффектами. Учитывая проявления, система может быть использована для вычисления вероятностей близости различных заболеваний. Существуют эффективные вычисления, выполняющие дедукцию и обучение. Байесовские системы, которые моделируют группировки факторов, похожие на дискурсивный знак или последовательность белков, называются динамическими Байесовскими системами. Спекуляции байесовских систем, которые могут говорить и решать вопросы выбора в условиях уязвимости, называются конспектами воздействия.

Генетические алгоритмы

Наследственный расчет (GA) – это расчет преследования и эвристическая процедура, эмулирующая процедуру регулярного выбора, использующая методы, например, трансформации и гибриды для создания новых генотипов в ожидании открытия больших ответов на данный вопрос. В ИИ наследственные расчеты использовались в 1980-х и 1990-х годах. С другой стороны, стратегии ИИ использовались для улучшения представления наследственных и преобразующих алгоритмов.

Подготовка моделей

Обычно модели ИИ требуют большого объема информации с целью их хорошей работы. По большей части, при подготовке модели ИИ необходимо собрать огромный, делегированный тест информации из подготовительного набора. Информация из подготовительного набора может быть такой же разной, как и состав контента, накопление картинок, а также информация, собранная от отдельных клиентов-помощников. При подготовке модели искусственного интеллекта необходимо обратить внимание на переоснащение.

Федеративное обучение

Унифицированное обучение – это еще один способ справиться с подготовкой моделей AI, которые децентрализуют процедуру подготовки, считая, что защита клиентов должна поддерживаться за счет того, что они не ожидают отправки своей информации на концентрированный сервер. Это также повышает эффективность за счет децентрализации процедуры подготовки к работе с многочисленными устройствами. Например, Gboard использует единый AI для подготовки моделей ожидания поисковых вопросов на мобильных телефонах клиентов без отправки отдельных запросов обратно в Google.