Një algoritëm është një lloj kontejneri. Ai siguron një kuti për ruajtjen e një metode për të zgjidhur një lloj të caktuar problemi. Algoritmet përpunojnë të dhënat përmes një sërë gjendjesh të mirëpërcaktuara. Shtetet nuk duhet të jenë deterministe, por megjithatë shtetet janë të përcaktuara. Qëllimi është të krijohet një rezultat që zgjidh një problem. Në disa raste, algoritmi merr inpute që ndihmojnë në përcaktimin e prodhimit, por fokusi është gjithmonë në dalje.
Algoritmet duhet të shprehin kalimet ndërmjet gjendjeve duke përdorur një gjuhë të mirëpërcaktuar dhe formale që kompjuteri mund ta kuptojë. Në përpunimin e të dhënave dhe zgjidhjen e problemit, algoritmi përcakton, rafinon dhe ekzekuton një funksion. Funksioni është gjithmonë specifik për llojin e problemit që trajtohet nga algoritmi.
Secili nga pesë fiset ka një teknikë dhe strategji të ndryshme për zgjidhjen e problemeve që rezultojnë në algoritme unike. Kombinimi i këtyre algoritmeve duhet të çojë përfundimisht në algoritmin master që do të jetë në gjendje të zgjidhë çdo problem të caktuar. Diskutimi i mëposhtëm ofron një përmbledhje të pesë teknikave kryesore algoritmike.
Arsyetimi simbolik
Një nga fiset më të hershme, simbolistët, besonte se njohuria mund të përftohej duke vepruar në simbole (shenja që përfaqësojnë një kuptim ose ngjarje të caktuar) dhe duke nxjerrë rregulla prej tyre. Duke bashkuar sisteme komplekse rregullash, ju mund të arrini një zbritje logjike të rezultatit që dëshironi të dini, kështu që simbolistët formuan algoritmet e tyre për të prodhuar rregulla nga të dhënat. Në arsyetimin simbolik, deduksioni zgjeron sferën e njohurive njerëzore, ndërsa induksioni ngre nivelin e njohurive njerëzore. Induksioni zakonisht hap fusha të reja eksplorimi, ndërsa deduksioni i eksploron ato fusha.
Lidhjet e modeluara në neuronet e trurit
Koneksionistët janë ndoshta më të famshmit nga pesë fiset. Ky fis përpiqet të riprodhojë funksionet e trurit duke përdorur silikon në vend të neuroneve. Në thelb, secili prej neuroneve (i krijuar si një algoritëm që modelon homologun e botës reale) zgjidh një pjesë të vogël të problemit dhe përdorimi i shumë neuroneve paralelisht zgjidh problemin në tërësi.
Përdorimi i përhapjes së pasme, ose përhapja e gabimeve në prapavijë, kërkon të përcaktojë kushtet në të cilat gabimet hiqen nga rrjetet e ndërtuara për t'iu ngjasuar neuroneve njerëzore duke ndryshuar peshat (sa një hyrje e veçantë figuron në rezultat) dhe paragjykimet(cilat veçori janë zgjedhur) të rrjetit. Qëllimi është të vazhdohet me ndryshimin e peshave dhe paragjykimeve deri në momentin kur produkti aktual përputhet me produktin e synuar. Në këtë pikë, neuroni artificial ndizet dhe e kalon zgjidhjen e tij përgjatë neuronit tjetër në linjë. Zgjidhja e krijuar nga vetëm një neuron është vetëm një pjesë e të gjithë zgjidhjes. Çdo neuron ia kalon informacionin neuronit tjetër në linjë derisa grupi i neuroneve të krijojë një dalje përfundimtare. Një metodë e tillë rezultoi më e efektshmja në detyra të ngjashme me njerëzit, si njohja e objekteve, të kuptuarit e gjuhës së shkruar dhe të folur dhe biseda me njerëzit.
Algoritme evolucionare që testojnë variacionin
Evolucionarët mbështeten në parimet e evolucionit për të zgjidhur problemet. Me fjalë të tjera, kjo strategji bazohet në mbijetesën e më të fortit (duke hequr çdo zgjidhje që nuk përputhet me rezultatin e dëshiruar). Një funksion fitnesi përcakton qëndrueshmërinë e secilit funksion në zgjidhjen e një problemi. Duke përdorur një strukturë peme, metoda e zgjidhjes kërkon zgjidhjen më të mirë bazuar në daljen e funksionit. Fituesi i çdo niveli të evolucionit duhet të ndërtojë funksionet e nivelit tjetër. Ideja është që niveli tjetër do t'i afrohet zgjidhjes së problemit, por mund të mos e zgjidhë plotësisht, që do të thotë se nevojitet një nivel tjetër. Ky fis i veçantë mbështetet shumë në rekursion dhe gjuhë që mbështesin fuqishëm rekursionin për të zgjidhur problemet. Një rezultat interesant i kësaj strategjie kanë qenë algoritmet që evoluojnë:
Konkluzioni Bayesian
Një grup shkencëtarësh, të quajtur Bayesians, kuptuan se pasiguria ishte aspekti kryesor për t'u mbajtur nën sy dhe se të mësuarit nuk ishte i sigurt, por përkundrazi ndodhte si një përditësim i vazhdueshëm i besimeve të mëparshme që bëheshin gjithnjë e më të sakta. Ky perceptim i shtyu bajezianët të adoptonin metoda statistikore dhe, në veçanti, derivimet nga teorema e Bayes, e cila ju ndihmon të llogaritni probabilitetet në kushte specifike (për shembull, duke parë një kartë të një fare të caktuar , vlerën fillestare për një sekuencë pseudo-rastësore, tërhequr nga një kuvertë pas tre letrave të tjera të së njëjtës farë).
Sistemet që mësojnë me analogji
Analogjizuesit përdorin makina kernel për të njohur modelet në të dhëna. Duke njohur modelin e një grupi hyrjesh dhe duke e krahasuar atë me modelin e një prodhimi të njohur, mund të krijoni një zgjidhje problemi. Qëllimi është të përdoret ngjashmëria për të përcaktuar zgjidhjen më të mirë për një problem. Është lloji i arsyetimit që përcakton se përdorimi i një zgjidhjeje të caktuar ka funksionuar në një rrethanë të caktuar në një kohë të mëparshme; prandaj, përdorimi i kësaj zgjidhjeje për një grup të ngjashëm rrethanash duhet gjithashtu të funksionojë. Një nga rezultatet më të njohura nga ky fis janë sistemet rekomanduese. Për shembull, kur blini një produkt në Amazon, sistemi i rekomanduesve del me produkte të tjera të lidhura që mund të dëshironi t'i blini gjithashtu.
Qëllimi përfundimtar i mësimit të makinerive është të kombinojë teknologjitë dhe strategjitë e përqafuara nga pesë fiset për të krijuar një algoritëm të vetëm (algoritmi master) që mund të mësojë çdo gjë. Sigurisht, arritja e këtij qëllimi është shumë larg. Megjithatë, shkencëtarë të tillë si Pedro Domingos aktualisht po punojnë drejt këtij qëllimi.