De 3 mest lovande AI-inlärningsmetoderna

Bayesianer, symbolister och konnektionister representerar den nuvarande och framtida gränsen för att lära av data eftersom alla framsteg mot en människoliknande artificiell intelligens (AI) härrör från dem, åtminstone tills ett nytt genombrott med nya och mer otroliga och kraftfulla inlärningsalgoritmer inträffar. Landskapet för maskininlärning är förvisso mycket större än dessa tre algoritmer, men fokus här ligger på dessa tre stammar på grund av deras nuvarande roll i AI.

• Naiva Bayes: Denna algoritm kan vara mer exakt än en läkare för att diagnostisera vissa sjukdomar. Dessutom kan samma algoritm upptäcka spam och förutsäga känslor från text. Det används också i stor utsträckning inom internetbranschen för att enkelt behandla stora mängder data.
• Bayesiska nätverk (grafform): Denna graf ger en representation av världens komplexitet när det gäller sannolikhet.
• Beslutsträd: Beslutsträdstypen av algoritm representerar symbolisterna bäst. Beslutsträdet har en lång historia och indikerar hur en AI kan fatta beslut eftersom det liknar en serie kapslade beslut, som du kan rita som ett träd (därav namnet).

Dessa algoritmtyper är ytterligare indelade i underkategorier. Till exempel kommer beslutsträd kategoriserade som regressionsträd, klassificeringsträd, boostade träd, aggregerade bootstrap och rotationsskog. Du kan till och med gå igenom undertyper av underkategorierna. En slumpmässig skogsklassificerare är en slags bootstrap-aggregation, och det finns ännu fler nivåer därifrån. När du har kommit förbi nivåerna börjar du se de faktiska algoritmerna, som är tusentals.