5 основни подхода към AI обучение

Алгоритъмът е вид контейнер. Той предоставя кутия за съхранение на метод за решаване на конкретен вид проблем. Алгоритмите обработват данни чрез серия от добре дефинирани състояния. Състоянията не трябва да са детерминистични, но въпреки това състоянията са дефинирани. Целта е да се създаде изход, който решава проблем. В някои случаи алгоритъмът получава входове, които помагат за дефинирането на изхода, но фокусът винаги е върху изхода.

Алгоритмите трябва да изразяват преходите между състоянията, като използват добре дефиниран и формален език, който компютърът може да разбере. При обработката на данните и решаването на проблема алгоритъмът дефинира, прецизира и изпълнява функция. Функцията винаги е специфична за вида на проблема, който се адресира от алгоритъма.

Всяко от петте племена има различна техника и стратегия за решаване на проблеми, които водят до уникални алгоритми. Комбинирането на тези алгоритми би трябвало в крайна сметка да доведе до главния алгоритъм, който ще може да реши всеки проблем. Следващата дискусия предоставя преглед на петте основни алгоритмични техники.

Символични разсъждения

Едно от най-ранните племена, символистите, вярвали, че знанието може да бъде получено, като се оперира със символи (знаци, които означават определено значение или събитие) и се извеждат правила от тях. Чрез сглобяването на сложни системи от правила можете да постигнете логическо извеждане на резултата, който искате да знаете, като по този начин символистите оформиха своите алгоритми, за да произвеждат правила от данни. В символното разсъждение дедукцията разширява сферата на човешкото познание, докато индукцията повишава нивото на човешкото познание. Индукцията обикновено отваря нови полета на изследване, докато дедукцията изследва тези полета.

Връзки, моделирани по невроните на мозъка

Конекционистите са може би най-известните от петте племена. Това племе се стреми да възпроизведе функциите на мозъка, като използва силиций вместо неврони. По същество всеки от невроните (създаден като алгоритъм, който моделира аналога в реалния свят) решава малка част от проблема и паралелното използване на много неврони решава проблема като цяло.

Използването на обратно разпространение или обратно разпространение на грешки се стреми да определи условията, при които грешките се премахват от мрежи, изградени да приличат на човешки неврони чрез промяна на теглата (колко определен вход фигурира в резултата) и отклонения(кои функции са избрани) на мрежата. Целта е да се продължи промяната на теглата и отклоненията, докато действителният резултат съвпада с целевия изход. В този момент изкуственият неврон се задейства и предава своето решение на следващия неврон по реда. Решението, създадено само от един неврон, е само част от цялото решение. Всеки неврон предава информация на следващия неврон в реда, докато групата неврони създаде краен изход. Такъв метод се оказа най-ефективен при човешки задачи като разпознаване на обекти, разбиране на писмен и говорим език и чат с хора.

Еволюционни алгоритми, които тестват вариациите

Еволюционерите разчитат на принципите на еволюцията за решаване на проблеми. С други думи, тази стратегия се основава на оцеляването на най-способните (премахване на всякакви решения, които не отговарят на желания резултат). Фитнес функцията определя жизнеспособността на всяка функция при решаване на проблем. Използвайки дървовидна структура, методът на решението търси най-доброто решение въз основа на изхода на функцията. Победителят във всяко ниво на еволюция може да изгради функциите от следващо ниво. Идеята е, че следващото ниво ще се доближи до решаването на проблема, но може да не го реши напълно, което означава, че е необходимо друго ниво. Това конкретно племе разчита в голяма степен на рекурсия и езици, които силно поддържат рекурсията за решаване на проблеми. Интересен резултат от тази стратегия са алгоритмите, които се развиват:

Байесов извод

Група учени, наречени байесианци, възприемат, че несигурността е ключовият аспект, който трябва да се следи и че ученето не е гарантирано, а по-скоро се осъществява като непрекъснато актуализиране на предишни вярвания, които стават все по-точни. Това възприятие е накарало байесианците да възприемат статистически методи и по-специално изводи от теоремата на Байес, която ви помага да изчислите вероятностите при специфични условия (например, виждане на карта с определено начало , началната стойност за псевдослучайна последователност, изтеглено от тесте след три други карти от същото начало).

Системи, които се учат по аналогия

Аналогизаторите използват машини на ядрото за разпознаване на модели в данните. Като разпознаете модела на един набор от входове и го сравните с модела на известен изход, можете да създадете решение на проблема. Целта е да се използва сходството, за да се определи най-доброто решение на даден проблем. Това е вид разсъждение, което определя, че използването на конкретно решение е работило при дадено обстоятелство в някакъв предишен момент; следователно използването на това решение за подобен набор от обстоятелства също би трябвало да работи. Един от най-разпознаваемите резултати от това племе са препоръчителните системи. Например, когато купувате продукт от Amazon, системата за препоръки излиза с други свързани продукти, които може да искате да купите.

Крайната цел на машинното обучение е да комбинира технологиите и стратегиите, възприети от петте племена, за да създаде единен алгоритъм (главният алгоритъм), който може да научи всичко. Разбира се, постигането на тази цел е далеч. Въпреки това учени като Педро Домингос в момента работят за тази цел.