De 3 mest lovende AI-læringsmetoder

Bayesianere, symbolister og konneksjonister representerer den nåværende og fremtidige grensen for læring fra data fordi enhver fremgang mot en menneskelignende kunstig intelligens (AI) kommer fra dem, i det minste inntil et nytt gjennombrudd med nye og mer utrolige og kraftige læringsalgoritmer inntreffer. Maskinlæringsmiljøet er absolutt mye større enn disse tre algoritmene, men fokuset her er på disse tre stammene på grunn av deres nåværende rolle i AI.

• Naiv Bayes: Denne algoritmen kan være mer nøyaktig enn en lege når det gjelder å diagnostisere visse sykdommer. I tillegg kan den samme algoritmen oppdage spam og forutsi følelser fra tekst. Det er også mye brukt i internettindustrien for å enkelt behandle store datamengder.
• Bayesianske nettverk (grafform): Denne grafen gir en representasjon av verdens kompleksitet når det gjelder sannsynlighet.
• Beslutningstre: Beslutningstretypen algoritme representerer symbolistene best. Beslutningstreet har en lang historie og indikerer hvordan en AI kan ta beslutninger fordi det ligner en serie nestede beslutninger, som du kan tegne som et tre (derav navnet).

Disse algoritmetypene er videre delt inn i underkategorier. For eksempel kommer beslutningstrær kategorisert som regresjonstrær, klassifiseringstrær, boostede trær, aggregert støvelstrap og rotasjonsskog. Du kan til og med se nærmere på undertyper av underkategoriene. En tilfeldig skogklassifiserer er en slags bootstrap-aggregering, og det er enda flere nivåer derfra. Etter at du har kommet forbi nivåene, begynner du å se de faktiske algoritmene, som teller i tusenvis.