Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Vorlesung 18. Repräsentationen: Klassen, Trajektorien, Transitionen
18. Repräsentationen: Klassen, Trajektorien, Übergänge
In diesem Video diskutiert Professor Patrick Winston das Konzept der menschlichen Intelligenz, die Fähigkeit, symbolische Repräsentationen zu bilden, und ihre Beziehung zur Sprache sowie die Verwendung semantischer Netze zur Repräsentation innerer Sprache und Gedanken. Winston betont, wie wichtig es ist, grundlegende Muster zu verstehen und ein Vokabular für Veränderungen zu entwickeln, um zu helfen, verschiedene Objekte und ihr Verhalten zu verstehen. Darüber hinaus erörtert er die Verwendung von Trajektorienrahmen zur Beschreibung von Aktionen, die eine Bewegung von einer Quelle zu einem Ziel beinhalten, und die Bedeutung mehrerer Darstellungen für ein besseres Verständnis eines Satzes. Schließlich bietet Winston Tipps zur Verbesserung des technischen Schreibens, insbesondere für nicht-englische Muttersprachler, indem mehrdeutige Sprache, verwirrende Pronomen und das Wechseln von Wörtern vermieden werden.
Vorlesung 19. Architekturen: GPS, SOAR, Subsumption, Society of Mind
19. Architekturen: GPS, SOAR, Subsumtion, Society of Mind
In diesem Video werden verschiedene Architekturen zum Erstellen intelligenter Systeme erörtert, darunter der allgemeine Problemlöser und die SOAR-Architektur, die stark kognitive Psychologieexperimente einbezieht und sich auf die Problemlösung konzentriert. Der Redner diskutiert auch Marvin Minskys „Emotion Machine“, die das Denken auf vielen Ebenen, einschließlich Emotionen, berücksichtigt, und die Common-Sense-Hypothese, die dafür plädiert, Computer wie Menschen mit gesundem Menschenverstand auszustatten. Auch die von der Struktur des menschlichen Gehirns inspirierte Subsumtionsarchitektur wird diskutiert, wobei der Roomba ein erfolgreiches Beispiel ist. Die Fähigkeit, sich Dinge vorzustellen und wahrzunehmen, ist mit der Fähigkeit verbunden, Ereignisse zu beschreiben und Kultur zu verstehen, und Sprache spielt eine entscheidende Rolle beim Erstellen von Beschreibungen und Kombinatoren. Die Bedeutung von Aktivitäten wie Schauen, Zuhören, Zeichnen und Sprechen, um die sprachverarbeitenden Bereiche des Gehirns zu trainieren, wird hervorgehoben, und der Sprecher warnt vor schnellen Rednern, die den Sprachprozessor blockieren und zu impulsiven Entscheidungen führen können.
Vorlesung 21. Wahrscheinlichkeitsschluss I
21. Wahrscheinlichkeitsschluss I
In diesem Video über probabilistische Inferenz erklärt Professor Patrick Winston, wie die Wahrscheinlichkeit in der künstlichen Intelligenz verwendet werden kann, um Schlussfolgerungen zu ziehen und Wahrscheinlichkeiten auf der Grundlage verschiedener Szenarien zu berechnen. Er verwendet Beispiele wie das Erscheinen einer Statue, einen Hund, der einen Waschbären oder einen Einbrecher anbellt, und die Gründung des MIT im Jahr 1861 v. und die Konzepte der Unabhängigkeit und der bedingten Unabhängigkeit. Der Referent betont die Notwendigkeit, die Unabhängigkeit von Variablen korrekt anzugeben, und schlägt die Verwendung von Glaubensnetzen vor, um die Kausalität zwischen Variablen darzustellen und gleichzeitig die Wahrscheinlichkeitsberechnungen zu vereinfachen.
Vorlesung 22. Wahrscheinlichkeitsschluss II
22. Wahrscheinlichkeitsschluss II
In diesem Video erklärt Professor Patrick Winston, wie Inferenznetze, auch bekannt als „Bayes-Netze“, verwendet werden, um probabilistische Schlussfolgerungen zu ziehen. Er erläutert, wie man Variablen in einem Bayes'schen Netzwerk mithilfe der Kettenregel anordnet, um die gemeinsame Wahrscheinlichkeit aller Variablen zu berechnen. Der Referent demonstriert, wie man Wahrscheinlichkeiten akkumuliert, indem man Simulationen durchführt, und wie man Wahrscheinlichkeiten mithilfe eines Modells generiert. Er diskutiert auch die Bayes-Regel und wie sie verwendet werden kann, um Klassifizierungsprobleme zu lösen, Modelle auszuwählen und Strukturen zu entdecken. Das Video betont die Nützlichkeit der probabilistischen Inferenz in verschiedenen Bereichen wie medizinische Diagnose, Lügenerkennung und Gerätefehlersuche.
Vorlesung 23. Model Merging, Cross-Modal Coupling, Vorlesungszusammenfassung
23. Modellzusammenführung, modalübergreifende Kopplung, Zusammenfassung des Kurses
In diesem Video spricht Professor Patrick Winston über Modellzusammenführung, modalübergreifende Kopplung und reflektiert das Kursmaterial. Er erörtert die Bedeutung der Entdeckung von Regelmäßigkeit, ohne übermäßig auf die Bayes'sche Wahrscheinlichkeit fixiert zu sein, und die potenziellen Vorteile der modalübergreifenden Kopplung für das Verständnis der Welt um uns herum. Er bietet auch Vorschläge für zukünftige Kurse an und betont, wie wichtig es ist, sich darauf zu konzentrieren, neue Einnahmen und Fähigkeiten durch die Zusammenarbeit von Menschen und Computern zu erzielen, anstatt nur darauf abzuzielen, Menschen zu ersetzen. Darüber hinaus betont er, wie wichtig es ist, zuerst das Problem zu identifizieren und die geeignete Methode zu seiner Lösung auszuwählen. Abschließend reflektiert der Professor die Grenzen der Reduzierung von Intelligenz auf ein replizierbares, künstliches Modell und hebt die außergewöhnliche Arbeit seines Teams hervor.
Mega-R1. Regelbasierte Systeme
Mega-R1. Regelbasierte Systeme
Dieses Video konzentriert sich auf Mega-Rezitation, eine Vorlesung im Tutoriumsstil, die den Schülern hilft, mit dem in Vorlesungen und Rezitationen behandelten Material zu arbeiten. Das Video behandelt mehrere Themen im Zusammenhang mit regelbasierten Systemen, darunter Rückwärtsverkettung, Vorwärtsverkettung, Tiebreak-Reihenfolge für Regeln und den Abgleichsprozess. Der Rückwärtsverkettungsprozess beinhaltet das Betrachten der Konsequenz einer Regel und das Hinzufügen der Antezedenzien nach Bedarf, um das oberste Ziel zu erreichen, und Tiebreak und Disambiguierung sind für den Zielbaum von entscheidender Bedeutung. Das Video erläutert auch die Vorwärtsverkettung und den Abgleich von Regeln mit Behauptungen unter Verwendung einer Reihe von Behauptungen. Der Redner betont, wie wichtig es ist, Behauptungen zu überprüfen, bevor man eine Regel anwendet, und machtlose Regeln zu vermeiden, die nichts bewirken. Der Abgleichprozess beinhaltet die Verwendung von Rückwärtsverkettung, um zu bestimmen, welche Regeln mit den gegebenen Behauptungen übereinstimmen, und das System wird Regeln mit niedrigeren Nummern priorisieren, unabhängig davon, ob sie neu sind oder nicht.
Mega-R2. Einfache Suche, optimale Suche
Mega-R2. Einfache Suche, optimale Suche
Dieses YouTube-Video behandelt verschiedene Suchalgorithmen und -techniken, darunter die Tiefensuche, die Breitensuche, die optimale Suche und den A*-Algorithmus. Das Video verwendet ein unterhaltsames Beispiel eines bösen Overlords Mark Vader, der nach einer neuen Festung sucht, um diese Konzepte zu veranschaulichen. Der Moderator betont die Bedeutung der Zulässigkeit und Konsistenz bei der Suche nach Graphen und erläutert die Verwendung erweiterter Listen, um eine Neubewertung von Knoten zu verhindern. Das Video spricht häufige Fehler und Fragen des Publikums an und ermutigt die Zuschauer, weitere Fragen zu stellen. Insgesamt bietet das Video eine gründliche Einführung in diese Suchalgorithmen und -techniken.
Mega-R3. Spiele, Minimax, Alpha-Beta
Mega-R3. Spiele, Minimax, Alpha-Beta
Dieses Video behandelt verschiedene Themen im Zusammenhang mit der Spieltheorie und dem Minimax-Algorithmus, einschließlich regulärem Minimax, Alpha-Beta-Additions, Alpha-Beta-Pruning, statischer Bewertung, progressiver Vertiefung und Neuordnung von Knoten. Der Dozent erklärt und demonstriert diese Konzepte anhand von Beispielen und bittet das Publikum, sich an der Bestimmung der Werte an verschiedenen Knoten in einem Spielbaum zu beteiligen. Das Video endet mit einer Diskussion der potenziellen Fehler in heuristischen Funktionen und Ratschlägen für das bevorstehende Quiz.
Mega-R4. Neuronale Netze
Mega-R4. Neuronale Netze
Das Video behandelt verschiedene Aspekte neuronaler Netze, einschließlich ihrer Darstellungen, Verwirrung über Eingaben und Ausgaben, Sigmoid- und Leistungsfunktionen, Gewichtungen und Verzerrungen, Backpropagation, Änderung der Sigmoid- und Leistungsfunktionen, Schwellengewichte, Visualisierung und das Potenzial neuronaler Netze. Der Ausbilder erklärt verschiedene Formeln, die für das Quiz benötigt werden, und wie Deltas rekursiv berechnet und angepasst werden. Er erörtert auch die Arten von neuronalen Netzen, die zur Lösung einfacher Probleme erforderlich sind, und erwähnt eine aktuelle Anwendung von neuronalen Netzen in der realen Welt in einem Spielwettbewerb an der University of Maryland. Abschließend erwähnt er, dass neuronale Netze zwar aufgrund ihrer Einschränkungen und Komplexität in der Forschung in Ungnade gefallen sind, sie aber immer noch für Quizzwecke nützlich sind.
Mega-R5. Support-Vektor-Maschinen
Mega-R5. Support-Vektor-Maschinen
Das Video erklärt Support Vector Machines (SVMs), die die Trennlinie oder Entscheidungsgrenzen in den Daten bestimmen, indem sie die Support-Vektoren finden, die nicht mit anderen Datenpunkten übereinstimmen. Es beinhaltet auch die Verwendung von Kernelfunktionen, die es dem Kernel ermöglichen, das Skalarprodukt zu berechnen, ohne die Vektoren direkt zu manipulieren. Der Professor verdeutlicht das Ziel, die Alphas zu finden, die das beste W für die breiteste Straße liefern, und wie W die Entscheidungsgrenze für SVM ist. Studenten fragen nach der Intuition hinter SVM, und die auf Alphas basierende Optimierung schafft den breitesten Weg für eine bessere Datenklassifizierung. SVM Kernel hilft auch bei der Optimierung des Prozesses und macht ihn effizienter.