Un algorisme és una mena de contenidor. Proporciona una caixa per emmagatzemar un mètode per resoldre un tipus particular de problema. Els algorismes processen les dades mitjançant una sèrie d'estats ben definits. Els estats no han de ser deterministes, però els estats estan definits tanmateix. L'objectiu és crear una sortida que resolgui un problema. En alguns casos, l'algorisme rep entrades que ajuden a definir la sortida, però el focus sempre se centra en la sortida.
Els algorismes han d'expressar les transicions entre estats utilitzant un llenguatge formal i ben definit que l'ordinador pugui entendre. En processar les dades i resoldre el problema, l'algorisme defineix, perfecciona i executa una funció. La funció sempre és específica del tipus de problema que tracta l'algorisme.
Cadascuna de les cinc tribus té una tècnica i una estratègia diferents per resoldre problemes que donen lloc a algorismes únics. La combinació d'aquests algorismes hauria de conduir finalment a l'algoritme mestre que serà capaç de resoldre qualsevol problema. La discussió següent ofereix una visió general de les cinc tècniques algorítmiques principals.
Raonament simbòlic
Una de les primeres tribus, els simbolistes, creia que el coneixement es podia obtenir operant sobre símbols (signes que representen un determinat significat o esdeveniment) i derivant-ne regles. En reunir sistemes complexos de regles, podríeu aconseguir una deducció lògica del resultat que volíeu conèixer, així els simbolistes van donar forma als seus algorismes per produir regles a partir de dades. En el raonament simbòlic, la deducció amplia l'àmbit del coneixement humà, mentre que la inducció eleva el nivell del coneixement humà. La inducció normalment obre nous camps d'exploració, mentre que la deducció explora aquests camps.
Connexions modelades a partir de les neurones del cervell
Els connectistes són potser els més famosos de les cinc tribus. Aquesta tribu s'esforça per reproduir les funcions del cervell utilitzant silici en lloc de neurones. Essencialment, cadascuna de les neurones (creada com un algorisme que modela la contrapart del món real) resol una petita part del problema, i l'ús de moltes neurones en paral·lel resol el problema en conjunt.
L'ús de la propagació enrere, o la propagació cap enrere d'errors, pretén determinar les condicions en què s'eliminen els errors de les xarxes construïdes per assemblar-se a les neurones humanes canviant els pesos (quantitat d'una entrada determinada en el resultat) i els biaixos.(quines característiques estan seleccionades) de la xarxa. L'objectiu és continuar canviant els pesos i els biaixos fins que la sortida real coincideixi amb la sortida objectiu. En aquest punt, la neurona artificial es dispara i passa la seva solució a la següent neurona de la línia. La solució creada per una sola neurona és només una part de tota la solució. Cada neurona passa informació a la següent neurona de la línia fins que el grup de neurones crea una sortida final. Aquest mètode va resultar el més eficaç en tasques semblants a les humanes, com ara el reconeixement d'objectes, la comprensió del llenguatge escrit i parlat i la xerrada amb humans.
Algorismes evolutius que comproven la variació
Els evolucionistes es basen en els principis de l'evolució per resoldre problemes. En altres paraules, aquesta estratègia es basa en la supervivència del més apte (eliminant qualsevol solució que no coincideixi amb la sortida desitjada). Una funció d'aptitud determina la viabilitat de cada funció per resoldre un problema. Utilitzant una estructura d'arbre, el mètode de solució busca la millor solució basada en la sortida de la funció. El guanyador de cada nivell d'evolució ha de construir les funcions del següent nivell. La idea és que el següent nivell s'acostarà més a resoldre el problema, però potser no el resoldrà completament, la qual cosa significa que cal un altre nivell. Aquesta tribu en particular es basa en gran mesura en la recursivitat i en llenguatges que admeten fortament la recursivitat per resoldre problemes. Una sortida interessant d'aquesta estratègia han estat els algorismes que evolucionen:
Inferència bayesiana
Un grup de científics, anomenats bayesians, van percebre que la incertesa era l'aspecte clau a vigilar i que l'aprenentatge no estava assegurat, sinó que es produïa com una actualització contínua de creences anteriors que es feien cada cop més precises. Aquesta percepció va portar els bayesians a adoptar mètodes estadístics i, en particular, derivacions del teorema de Bayes, que us ajuda a calcular probabilitats en condicions específiques (per exemple, veure una targeta d'una llavor determinada , el valor inicial d'una seqüència pseudoaleatoria, extret d'una baralla després d'altres tres cartes de la mateixa llavor).
Sistemes que aprenen per analogia
Els analitzadors utilitzen màquines del nucli per reconèixer patrons a les dades. En reconèixer el patró d'un conjunt d'entrades i comparar-lo amb el patró d'una sortida coneguda, podeu crear una solució al problema. L'objectiu és utilitzar la semblança per determinar la millor solució a un problema. És el tipus de raonament que determina que l'ús d'una solució particular va funcionar en una circumstància determinada en un moment anterior; per tant, utilitzar aquesta solució per a un conjunt similar de circumstàncies també hauria de funcionar. Una de les sortides més reconeixibles d'aquesta tribu són els sistemes de recomanació. Per exemple, quan compreu un producte a Amazon, el sistema de recomanació ofereix altres productes relacionats que potser també voleu comprar.
L'objectiu final de l'aprenentatge automàtic és combinar les tecnologies i estratègies adoptades per les cinc tribus per crear un únic algorisme (l'algoritme mestre) que pugui aprendre qualsevol cosa. Per descomptat, assolir aquest objectiu està molt lluny. Tot i així, científics com Pedro Domingos estan treballant actualment per aconseguir aquest objectiu.
