De 3 mest lovende AI-læringsmetoder

Bayesianere, symbolister og forbindelsesister repræsenterer den nuværende og fremtidige grænse for læring fra data, fordi ethvert fremskridt hen imod en menneskelignende kunstig intelligens (AI) stammer fra dem, i det mindste indtil et nyt gennembrud med nye og mere utrolige og kraftfulde læringsalgoritmer indtræffer. Maskinlæringssceneriet er bestemt meget større end disse tre algoritmer, men fokus her er på disse tre stammer på grund af deres nuværende rolle i AI.

• Naiv Bayes: Denne algoritme kan være mere præcis end en læge til at diagnosticere visse sygdomme. Derudover kan den samme algoritme registrere spam og forudsige følelser fra tekst. Det er også meget brugt i internetindustrien til nemt at behandle store mængder data.
• Bayesianske netværk (grafform): Denne graf giver en repræsentation af verdens kompleksitet med hensyn til sandsynlighed.
• Beslutningstræer: Beslutningstrætypen af ​​algoritme repræsenterer symbolisterne bedst. Beslutningstræet har en lang historie og indikerer, hvordan en AI kan træffe beslutninger, fordi det ligner en række indlejrede beslutninger, som du kan tegne som et træ (deraf navnet).

Disse algoritmetyper er yderligere opdelt i underkategorier. For eksempel kommer beslutningstræer kategoriseret som regressionstræer, klassifikationstræer, boostede træer, aggregerede bootstrap og rotationsskov. Du kan endda bore ned i undertyper af underkategorierne. En tilfældig skovklassifikator er en slags bootstrap-aggregering, og der er endnu flere niveauer derfra. Når du kommer forbi niveauerne, begynder du at se de faktiske algoritmer, som tæller i tusindvis.