5 tärkeintä tekoälyoppimisen lähestymistapaa

Algoritmi on eräänlainen kontti. Se tarjoaa laatikon tietyntyyppisen ongelman ratkaisumenetelmän tallentamiseen. Algoritmit käsittelevät dataa hyvin määriteltyjen tilojen sarjan kautta. Valtioiden ei tarvitse olla deterministisiä, mutta tilat ovat kuitenkin määriteltyjä. Tavoitteena on luoda tulos, joka ratkaisee ongelman. Joissakin tapauksissa algoritmi vastaanottaa syötteitä, jotka auttavat määrittämään lähdön, mutta painopiste on aina lähdössä.

Algoritmien on ilmaistava siirtymät tilojen välillä käyttämällä hyvin määriteltyä ja muodollista kieltä, jota tietokone voi ymmärtää. Tietojen käsittelyssä ja ongelman ratkaisemisessa algoritmi määrittelee, tarkentaa ja suorittaa funktion. Toiminto on aina erityinen algoritmin ratkaiseman ongelman tyypin mukaan.

Jokaisella viidestä heimosta on erilainen tekniikka ja strategia ongelmien ratkaisemiseksi, jotka johtavat ainutlaatuisiin algoritmeihin. Näiden algoritmien yhdistämisen pitäisi lopulta johtaa pääalgoritmiin, joka pystyy ratkaisemaan minkä tahansa ongelman. Seuraava keskustelu tarjoaa yleiskatsauksen viidestä pääalgoritmitekniikasta.

Symbolinen päättely

Yksi varhaisimmista heimoista, symbolistit, uskoi, että tietoa voitiin saada toimimalla symboleilla (merkit, jotka edustavat tiettyä merkitystä tai tapahtumaa) ja johdattamalla niistä sääntöjä. Kokoamalla monimutkaisia ​​sääntöjärjestelmiä voit saada loogisen päätelmän haluamastasi tuloksesta, jolloin symbolistit muotoilivat algoritmejaan tuottamaan sääntöjä tiedosta. Symbolisessa päättelyssä deduktio laajentaa inhimillisen tiedon ulottuvuutta, kun taas induktio nostaa inhimillisen tiedon tasoa. Induktio avaa yleensä uusia tutkimuskenttiä, kun taas deduktio tutkii näitä kenttiä.

Aivojen hermosolujen mallina olevat yhteydet

Connectistit ovat ehkä tunnetuin viidestä heimosta. Tämä heimo pyrkii toistamaan aivojen toimintoja käyttämällä piitä hermosolujen sijasta. Pohjimmiltaan jokainen neuroneista (joka on luotu algoritmiksi, joka mallintaa reaalimaailman vastinetta) ratkaisee pienen osan ongelmasta, ja useiden neuronien käyttäminen rinnakkain ratkaisee ongelman kokonaisuutena.

Takaisin etenemisen tai virheiden taaksepäin leviämisen käyttö pyrkii määrittämään olosuhteet, joissa virheet poistetaan verkoista, jotka on rakennettu muistuttamaan ihmisen hermosoluja muuttamalla painoja (kuinka tietty syöte vaikuttaa tulokseen) ja harhoja.(mitä ominaisuuksia on valittu) verkosta. Tavoitteena on jatkaa painojen ja poikkeamien muuttamista, kunnes todellinen tulos vastaa tavoitelähtöä. Tässä vaiheessa keinotekoinen neuroni laukeaa ja välittää ratkaisunsa jonossa seuraavalle neuronille. Vain yhden neuronin luoma ratkaisu on vain osa koko ratkaisua. Jokainen neuroni välittää tietoa jonossa seuraavalle neuronille, kunnes neuroniryhmä luo lopullisen tulosteen. Tällainen menetelmä osoittautui tehokkaimmaksi ihmisen kaltaisissa tehtävissä, kuten esineiden tunnistamisessa, kirjoitetun ja puhutun kielen ymmärtämisessä sekä ihmisten kanssa juttelemisessa.

Evoluutioalgoritmit, jotka testaavat vaihtelua

Evoluutioteoriat luottavat evoluution periaatteisiin ratkaistakseen ongelmia. Toisin sanoen tämä strategia perustuu vahvimpien selviytymiseen (poistetaan kaikki ratkaisut, jotka eivät vastaa haluttua tulosta). Kuntotoiminto määrittää kunkin toiminnon kannattavuuden ongelman ratkaisemisessa. Puurakenteen avulla ratkaisumenetelmä etsii parasta ratkaisua funktion tulosteen perusteella. Jokaisen evoluution tason voittaja saa rakentaa seuraavan tason toiminnot. Ajatuksena on, että seuraava taso on lähempänä ongelman ratkaisemista, mutta ei välttämättä ratkaise sitä kokonaan, mikä tarkoittaa, että tarvitaan toinen taso. Tämä tietty heimo luottaa voimakkaasti rekursioon ja kieliin, jotka tukevat voimakkaasti rekursiota ongelmien ratkaisemisessa. Tämän strategian mielenkiintoinen tulos on ollut algoritmit, jotka kehittyvät:

Bayesilainen johtopäätös

Bayesilaisiksi kutsuttu tiedemiesryhmä havaitsi, että epävarmuus oli keskeinen näkökohta, jota oli pidettävä silmällä ja että oppiminen ei ollut varmaa, vaan se tapahtui aiempien uskomusten jatkuvana päivittämisenä, joka tarkentui yhä tarkemmaksi. Tämä käsitys sai bayesilaiset ottamaan käyttöön tilastollisia menetelmiä ja erityisesti johtopäätöksiä Bayesin lauseesta, joka auttaa sinua laskemaan todennäköisyyksiä tietyissä olosuhteissa (esim. tietyn siemenen kortin näkeminen , näennäissatunnaisen sekvenssin aloitusarvo, vedetty pakasta kolmen muun saman siemenkortin jälkeen).

Järjestelmät, jotka oppivat analogisesti

Analysoijat käyttävät ytimen koneita tunnistaakseen datassa olevia kuvioita. Tunnistamalla yhden tulojoukon kuvion ja vertaamalla sitä tunnetun lähdön malliin, voit luoda ongelmanratkaisun. Tavoitteena on käyttää samankaltaisuutta parhaan ratkaisun löytämiseksi ongelmaan. Se on sellainen päättely, joka määrittää, että tietyn ratkaisun käyttäminen toimi tietyssä tilanteessa jossain aikaisemmassa vaiheessa; Siksi tämän ratkaisun käyttämisen samanlaisiin olosuhteisiin pitäisi myös toimia. Yksi tämän heimon tunnistetuimmista tuloksista on suositusjärjestelmät. Esimerkiksi kun ostat tuotteen Amazonista, suositusjärjestelmä keksii muita vastaavia tuotteita, jotka saatat haluta ostaa.

Koneoppimisen perimmäinen tavoite on yhdistää viiden heimon teknologiat ja strategiat yhdeksi algoritmiksi (pääalgoritmi), joka voi oppia mitä tahansa. Tietysti tämän tavoitteen saavuttaminen on kaukana. Siitä huolimatta tiedemiehet, kuten Pedro Domingos, työskentelevät tällä hetkellä tämän tavoitteen saavuttamiseksi.