5 основних підходів до навчання AI

Алгоритм - це свого роду контейнер. Він надає коробку для зберігання методу вирішення певного виду проблеми. Алгоритми обробляють дані через серію чітко визначених станів. Стани не обов'язково повинні бути детермінованими, але, тим не менш, стани визначені. Мета – створити результат, який вирішує проблему. У деяких випадках алгоритм отримує вхідні дані, які допомагають визначити вихід, але фокус завжди зосереджується на виході.

Алгоритми повинні виражати переходи між станами за допомогою чітко визначеної формальної мови, яку може зрозуміти комп’ютер. Під час обробки даних і розв’язування задачі алгоритм визначає, уточнює та виконує функцію. Функція завжди специфічна для типу проблеми, яку вирішує алгоритм.

Кожне з п’яти племен має різну техніку та стратегію розв’язування задач, результатом яких є унікальні алгоритми. Поєднання цих алгоритмів в кінцевому підсумку призведе до головного алгоритму, який зможе вирішити будь-яку задану проблему. Нижче наведено огляд п’яти основних алгоритмічних прийомів.

Символічні міркування

Одне з найдавніших племен, символістів, вважало, що знання можна отримати, оперуючи символами (знаками, які означають певне значення чи подію) і виводячи з них правила. Зібравши складні системи правил, ви могли досягти логічного виведення результату, який ви хотіли знати, таким чином символісти формували свої алгоритми для створення правил з даних. У символічних міркуваннях дедукція розширює сферу людського знання, а індукція підвищує рівень людського знання. Індукція зазвичай відкриває нові галузі дослідження, а дедукція досліджує ці галузі.

Зв’язки за моделлю нейронів мозку

Коннекціоністи, мабуть, найвідоміші з п’яти племен. Це плем'я прагне відтворити функції мозку, використовуючи кремній замість нейронів. По суті, кожен із нейронів (створений як алгоритм, який моделює аналог у реальному світі) вирішує невелику частину проблеми, а використання багатьох нейронів паралельно вирішує проблему в цілому.

Використання зворотного поширення, або зворотного поширення помилок, має на меті визначити умови, за яких помилки видаляються з мереж, побудованих так, щоб нагадувати людські нейрони, шляхом зміни ваг (скільки певний вхід входить до результату) і упереджень.(які функції вибрано) мережі. Мета полягає в тому, щоб продовжувати змінювати коефіцієнти ваги та зміщення до тих пір, поки фактичний вихід не збігається з цільовим. У цей момент штучний нейрон спрацьовує і передає свій розчин наступному нейрону на черзі. Розчин, створений лише одним нейроном, є лише частиною цілого рішення. Кожен нейрон передає інформацію наступному нейрону в рядку, поки група нейронів не створить остаточний вихід. Такий метод виявився найефективнішим у завданнях, схожих на людину, таких як розпізнавання об’єктів, розуміння письмової та усної мови та спілкування з людьми.

Еволюційні алгоритми, які перевіряють варіації

Для вирішення проблем еволюціонери покладаються на принципи еволюції. Іншими словами, ця стратегія заснована на виживанні найсильнішого (вилучення будь-яких рішень, які не відповідають бажаному результату). Функція придатності визначає життєздатність кожної функції при вирішенні проблеми. Використовуючи деревовидну структуру, метод рішення шукає найкраще рішення на основі виводу функції. Переможець кожного рівня еволюції отримує можливість побудувати функції наступного рівня. Ідея полягає в тому, що наступний рівень наблизиться до вирішення проблеми, але може не вирішити її повністю, а це означає, що потрібен інший рівень. Це конкретне плем’я в значній мірі покладається на рекурсію та мови, які сильно підтримують рекурсію для вирішення проблем. Цікавим результатом цієї стратегії стали алгоритми, які розвиваються:

Байєсівський висновок

Група вчених, яких називають байєсівцями, вважала, що невизначеність була ключовим аспектом, на який слід стежити, і що навчання не було гарантованим, а відбувалося як безперервне оновлення попередніх переконань, які ставали все більш точними. Це сприйняття змусило байєсіанців прийняти статистичні методи і, зокрема, виведення з теореми Байєса, яка допомагає обчислити ймовірності за певних умов (наприклад, побачивши картку певного насіння, початкове значення для псевдовипадкової послідовності, витягується з колоди після трьох інших карт того самого насіння).

Системи, які навчаються за аналогією

Аналогатори використовують машини ядра для розпізнавання шаблонів у даних. Розпізнавши шаблон одного набору вхідних даних і порівнявши його з шаблоном відомого виходу, можна створити рішення проблеми. Мета полягає в тому, щоб використовувати подібність для визначення найкращого рішення проблеми. Це тип міркування, який визначає, що використання конкретного рішення спрацювало в певних обставинах у якийсь попередній час; тому використання цього рішення для подібного набору обставин також має працювати. Одним з найбільш впізнаваних результатів цього племені є рекомендаційні системи. Наприклад, коли ви купуєте продукт на Amazon, система рекомендацій пропонує інші пов’язані товари, які ви також можете придбати.

Кінцева мета машинного навчання — об’єднати технології та стратегії, прийняті п’ятьма племенами, щоб створити єдиний алгоритм (головний алгоритм), який може навчитися чому завгодно. Звичайно, до досягнення цієї мети ще далеко. Незважаючи на це, такі вчені, як Педро Домінгос , зараз працюють над досягненням цієї мети.