3 lupaavinta tekoälyn oppimistapaa

Bayesilaiset, symbolistit ja konnektionistit edustavat datasta oppimisen nykyistä ja tulevaa rajaa, koska kaikki edistyminen kohti ihmisen kaltaista tekoälyä (AI) on peräisin heistä, ainakin siihen asti, kunnes tapahtuu uusi läpimurto uusien, uskomattomimpien ja tehokkaampien oppimisalgoritmien kanssa. Koneoppimisen maisema on varmasti paljon suurempi kuin nämä kolme algoritmia, mutta painopiste on tässä kolmessa heimossa niiden nykyisen roolin vuoksi tekoälyssä.

• Naiivi Bayes: Tämä algoritmi voi olla tarkempi kuin lääkäri tiettyjen sairauksien diagnosoinnissa. Lisäksi sama algoritmi voi havaita roskapostin ja ennustaa tunteita tekstistä. Sitä käytetään myös laajasti Internet-teollisuudessa suurten tietomäärien helppoon käsittelyyn.
• Bayesin verkot (kaaviomuoto): Tämä graafi tarjoaa esityksen maailman monimutkaisuudesta todennäköisyydellä.
• Päätöspuut: Algoritmien päätöspuutyyppi edustaa parhaiten symbolisteja. Päätöspuulla on pitkä historia ja se osoittaa, kuinka tekoäly voi tehdä päätöksiä, koska se muistuttaa sarjaa sisäkkäisiä päätöksiä, jotka voit piirtää puuksi (tästä nimi).

Nämä algoritmityypit on jaettu edelleen alaluokkiin. Esimerkiksi päätöspuut luokitellaan regressiopuiksi, luokituspuiksi, tehostettuiksi puiksi, bootstrap-aggregoituiksi ja kiertometsiksi. Voit jopa tarkastella alakategorioiden alatyyppejä. Satunnainen metsäluokitin on eräänlainen bootstrap-aggregointi, ja sieltä on vielä enemmän tasoja. Kun olet ylittänyt tasot, alat nähdä todelliset algoritmit, joiden lukumäärä on tuhansia.