Az AI-tanulás 5 fő megközelítése

Az algoritmus egyfajta konténer. Ez egy doboz egy adott típusú probléma megoldására szolgáló módszer tárolására. Az algoritmusok jól meghatározott állapotok sorozatán keresztül dolgozzák fel az adatokat. Az állapotoknak nem kell determinisztikusnak lenniük, de az állapotok ennek ellenére meghatározottak. A cél egy olyan kimenet létrehozása, amely megold egy problémát. Bizonyos esetekben az algoritmus bemeneteket kap, amelyek segítenek meghatározni a kimenetet, de a hangsúly mindig a kimeneten van.

Az algoritmusoknak az állapotok közötti átmeneteket jól definiált és formális nyelven kell kifejezniük, amelyet a számítógép megért. Az adatok feldolgozása és a probléma megoldása során az algoritmus meghatároz, finomít és végrehajt egy függvényt. A függvény mindig az algoritmus által kezelt probléma típusára vonatkozik.

Az öt törzs mindegyike más-más technikával és stratégiával rendelkezik az egyedi algoritmusokat eredményező problémák megoldására. Ezen algoritmusok kombinálása végül a mesteralgoritmushoz vezet, amely képes lesz megoldani az adott problémát. A következő vita áttekintést nyújt az öt fő algoritmikus technikáról.

Szimbolikus érvelés

Az egyik legkorábbi törzs, a szimbolisták úgy vélték, hogy a tudást szimbólumok (egy bizonyos jelentést vagy eseményt jelképező jelek) működtetésével és belőlük szabályok levezetésével lehet megszerezni. Összetett szabályrendszerek összeállításával a kívánt eredmény logikai levezetését lehetett elérni, így a szimbolisták úgy alakították az algoritmusaikat, hogy az adatokból szabályokat állítsanak elő. A szimbolikus érvelésben a dedukció kiterjeszti az emberi tudás birodalmát, míg az indukció az emberi tudás szintjét emeli. Az indukció általában új kutatási területeket nyit meg, míg a dedukció ezeket a területeket tárja fel.

Az agy neuronjaira modellezett kapcsolatok

A konnekcionisták talán a leghíresebbek az öt törzs közül. Ez a törzs arra törekszik, hogy az idegsejtek helyett szilíciumot használva reprodukálja az agy funkcióit. Lényegében az egyes neuronok (amelyek a valós megfelelőt modellező algoritmusként jöttek létre) a probléma egy kis részét oldják meg, és sok neuron párhuzamos használata megoldja a probléma egészét.

A visszaszaporítás vagy a hibák visszafelé terjedése a súlyok (egy adott bemenet mennyit jelent az eredményben) és a torzítások megváltoztatásával meghatározza azokat a feltételeket, amelyek mellett a hibákat az emberi neuronokhoz hasonlító hálózatokból távolítják el.(mely funkciók vannak kiválasztva) a hálózatról. A cél a súlyok és torzítások módosítása mindaddig, amíg a tényleges kimenet meg nem egyezik a célkimenettel. Ezen a ponton a mesterséges neuron begyújt, és átadja oldatát a sorban következő neuronnak. Az egyetlen neuron által létrehozott megoldás csak egy része a teljes megoldásnak. Mindegyik neuron továbbítja az információt a sorban következő neuronnak, amíg a neuronok csoportja meg nem hozza a végső kimenetet. Ez a módszer bizonyult a leghatékonyabbnak az olyan emberszerű feladatokban, mint a tárgyak felismerése, az írott és beszélt nyelv megértése, valamint az emberekkel való csevegés.

Evolúciós algoritmusok, amelyek tesztelik a variációt

Az evolúciós szakemberek az evolúció elveire támaszkodnak a problémák megoldásában. Más szóval, ez a stratégia a legalkalmasabb túlélésén alapul (az összes olyan megoldás eltávolítása, amelyek nem egyeznek a kívánt kimenettel). A fitnesz függvény meghatározza az egyes funkciók életképességét a probléma megoldásában. A fastruktúra segítségével a megoldási módszer a legjobb megoldást keresi a függvény kimenete alapján. Az evolúció minden szintjének győztese építheti fel a következő szintű funkciókat. Az ötlet az, hogy a következő szint közelebb kerül a probléma megoldásához, de előfordulhat, hogy nem oldja meg teljesen, ami azt jelenti, hogy egy másik szintre van szükség. Ez a törzs nagymértékben támaszkodik a rekurzióra és azokra a nyelvekre, amelyek erősen támogatják a rekurziót a problémák megoldásában. Ennek a stratégiának egy érdekes eredménye az algoritmusok, amelyek fejlődnek:

Bayesi következtetés

Tudósok egy csoportja, az úgynevezett bayesiánusok úgy vélték, hogy a bizonytalanság a legfontosabb szempont, amelyre figyelemmel kell lenni, és hogy a tanulás nem biztosított, hanem a korábbi hiedelmek folyamatos frissítése, amely egyre pontosabbá vált. Ez a felfogás késztette a bayesiakat arra, hogy statisztikai módszereket alkalmazzanak, és különösen a Bayes-tételből származó levezetéseket, amelyek segítenek kiszámítani a valószínűségeket meghatározott feltételek mellett (például egy bizonyos mag kártyájának látása , egy pszeudo-véletlen sorozat kezdőértéke, három másik azonos maggal rendelkező kártya után húzott pakliból).

Analógia útján tanuló rendszerek

Az analógok kernel gépeket használnak az adatok mintáinak felismerésére. Ha felismeri egy bemeneti halmaz mintáját, és összehasonlítja azt egy ismert kimenet mintájával, problémamegoldást hozhat létre. A cél az, hogy a hasonlóság segítségével meghatározzuk a probléma legjobb megoldását. Ez az a fajta érvelés, amely meghatározza, hogy egy adott megoldás alkalmazása adott körülmények között működött-e valamikor korábban; ezért annak a megoldásnak is működnie kell hasonló körülmények között. Ennek a törzsnek az egyik legismertebb eredménye az ajánlórendszerek. Például, amikor vásárol egy terméket az Amazonon, az ajánlórendszer más, kapcsolódó termékekkel jelentkezik, amelyeket Ön is meg szeretne vásárolni.

A gépi tanulás végső célja az öt törzs által felkarolt technológiák és stratégiák ötvözése, hogy egyetlen algoritmust hozzanak létre (a mesteralgoritmust), amely bármit képes megtanulni. Természetesen ennek a célnak az elérése még messze van. Ennek ellenére olyan tudósok, mint Pedro Domingos , jelenleg is dolgoznak e cél érdekében.