Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Lección 17. Aprendizaje: Impulso
17. Aprendizaje: Impulso
El video analiza la idea de potenciar, que consiste en combinar varios clasificadores débiles para crear un clasificador fuerte. La idea es que los clasificadores débiles voten, y el clasificador fuerte sea el que tenga más votos. El video explica cómo utilizar un algoritmo de impulso para mejorar el rendimiento de los clasificadores individuales.
Lección 18. Representaciones: clases, trayectorias, transiciones
18. Representaciones: clases, trayectorias, transiciones
En este video, el profesor Patrick Winston analiza el concepto de inteligencia humana, la capacidad de formar representaciones simbólicas y su relación con el lenguaje, y el uso de redes semánticas para representar el lenguaje y los pensamientos internos. Winston enfatiza la importancia de comprender patrones fundamentales y desarrollar un vocabulario de cambio para ayudar a comprender diferentes objetos y su comportamiento. Además, analiza el uso de marcos de trayectoria para describir acciones que involucran movimiento desde un origen hasta un destino y la importancia de múltiples representaciones para comprender mejor una oración. Finalmente, Winston ofrece consejos sobre cómo mejorar la escritura técnica, particularmente para los hablantes no nativos de inglés, al evitar el lenguaje ambiguo, los pronombres confusos y el cambio de palabras.
Lección 19. Arquitecturas: GPS, SOAR, Subsunción, Society of Mind
19. Arquitecturas: GPS, SOAR, Subsunción, Society of Mind
Este video analiza varias arquitecturas para crear sistemas inteligentes, incluido el solucionador de problemas general y la arquitectura SOAR, que incorpora en gran medida experimentos de psicología cognitiva y se centra en la resolución de problemas. El orador también analiza la "Máquina de emociones" de Marvin Minsky, que considera el pensamiento en muchas capas, incluidas las emociones, y la hipótesis del sentido común que aboga por equipar a las computadoras con sentido común como los humanos. También se analiza la arquitectura de subsunción, inspirada en la estructura del cerebro humano, siendo Roomba un ejemplo exitoso. La capacidad de imaginar y percibir cosas está conectada con la capacidad de describir eventos y comprender la cultura, y el lenguaje juega un papel crucial en la construcción de descripciones y combinaciones. Se destaca la importancia de participar en actividades como mirar, escuchar, dibujar y hablar para ejercitar las áreas de procesamiento del lenguaje del cerebro, y el orador advierte contra los hablantes rápidos que pueden atascar el procesador del lenguaje y llevar a decisiones impulsivas.
Clase 21. Inferencia Probabilística I
21. Inferencia probabilística I
En este video sobre inferencia probabilística, el profesor Patrick Winston explica cómo se puede usar la probabilidad en la inteligencia artificial para hacer inferencias y calcular probabilidades en función de varios escenarios. Utiliza ejemplos como la aparición de una estatua, un perro que ladra a un mapache o a un ladrón, y la fundación del MIT en 1861 a. C. para demostrar el uso de una tabla de probabilidad conjunta, cómo calcular probabilidades usando axiomas y la regla de la cadena, y los conceptos de independencia e independencia condicional. El disertante enfatiza la necesidad de enunciar correctamente la independencia de las variables y propone el uso de redes de creencias como una forma de representar la causalidad entre variables mientras se simplifican los cálculos de probabilidad.
Clase 22. Inferencia Probabilística II
22. Inferencia probabilística II
En este video, el profesor Patrick Winston explica cómo usar redes de inferencia, también conocidas como "redes de Bayes", para hacer inferencias probabilísticas. Analiza cómo ordenar variables en una red bayesiana utilizando la regla de la cadena para calcular la probabilidad conjunta de todas las variables. El orador demuestra cómo acumular probabilidades ejecutando simulaciones y cómo generar probabilidades usando un modelo. También analiza la regla de Bayes y cómo se puede utilizar para resolver problemas de clasificación, seleccionar modelos y descubrir estructuras. El video enfatiza la utilidad de la inferencia probabilística en varios campos, como el diagnóstico médico, la detección de mentiras y la solución de problemas de equipos.
Clase 23. Fusión de modelos, acoplamiento intermodal, resumen del curso
23. Fusión de modelos, acoplamiento multimodal, resumen del curso
En este video, el profesor Patrick Winston habla sobre la fusión de modelos, el acoplamiento intermodal y reflexiona sobre el material del curso. Discute la importancia de descubrir la regularidad sin estar demasiado obsesionado con la probabilidad bayesiana y los beneficios potenciales del acoplamiento intermodal para comprender el mundo que nos rodea. También ofrece sugerencias para cursos futuros y enfatiza la importancia de enfocarse en generar nuevos ingresos y capacidades con personas y computadoras trabajando juntas, en lugar de solo apuntar a reemplazar a las personas. Además, enfatiza la importancia de identificar primero el problema y seleccionar la metodología adecuada para abordarlo. Por último, el profesor reflexiona sobre las limitaciones de reducir la inteligencia a un modelo artificial replicable y destaca el trabajo excepcional de su equipo.
Mega-R1. Sistemas basados en reglas
Mega-R1. Sistemas basados en reglas
Este video se enfoca en Mega-Recitation, que es una clase de estilo tutorial para ayudar a los estudiantes a trabajar con el material cubierto en conferencias y recitaciones. El video cubre varios temas relacionados con los sistemas basados en reglas, incluido el encadenamiento hacia atrás, el encadenamiento hacia adelante, el orden de desempate de las reglas y el proceso de coincidencia. El proceso de encadenamiento hacia atrás implica observar el consecuente de una regla y agregar los antecedentes según sea necesario para alcanzar el objetivo principal, y el desempate y la eliminación de ambigüedades son cruciales para el árbol de objetivos. El video también analiza el encadenamiento hacia adelante y las reglas de coincidencia con las aserciones mediante una serie de aserciones. El disertante enfatiza la importancia de verificar las afirmaciones antes de usar una regla y evitar reglas impotentes que no hacen nada. El proceso de coincidencia implica el uso de encadenamiento hacia atrás para determinar qué reglas coinciden con las afirmaciones dadas, y el sistema dará prioridad a las reglas con números más bajos, independientemente de si son nuevas o no.
Mega-R2. Basic Search, Optimal Search
Mega-R2. Basic Search, Optimal Search
This YouTube video covers various search algorithms and techniques, including depth-first search, breadth-first search, optimal search, and A* algorithm. The video uses an entertaining example of an Evil Overlord Mark Vader searching for a new stronghold to illustrate these concepts. The presenter emphasizes the importance of admissibility and consistency in graph searching and explains the usage of extended lists to prevent re-evaluation of nodes. The video addresses common mistakes and questions from the audience and encourages viewers to ask more. Overall, the video provides a thorough introduction to these search algorithms and techniques.
Mega-R3. Juegos, Minimax, Alfa-Beta
Mega-R3. Juegos, Minimax, Alfa-Beta
Este video cubre varios temas relacionados con la teoría de juegos y el algoritmo minimax, incluidos minimax regulares, adiciones alfa-beta, poda alfa-beta, evaluación estática, profundización progresiva y reordenación de nodos. El instructor brinda explicaciones y demostraciones de estos conceptos usando ejemplos y le pide a la audiencia que participe en la determinación de los valores en diferentes nodos en un árbol de juego. El video termina con una discusión sobre las posibles fallas en las funciones heurísticas y consejos para el próximo cuestionario.
Mega-R4. Redes neuronales
Mega-R4. Redes neuronales
El video cubre varios aspectos de las redes neuronales, incluidas sus representaciones, la confusión sobre las entradas y salidas, las funciones sigmoideas y de rendimiento, los pesos y sesgos, la retropropagación, el cambio de las funciones sigmoideas y de rendimiento, los pesos de umbral, la visualización y el potencial de las redes neuronales. El instructor explica varias fórmulas necesarias para el cuestionario y cómo calcular y ajustar deltas recursivamente. También analiza los tipos de redes neuronales necesarias para resolver problemas simples y menciona una aplicación reciente de redes neuronales en el mundo real en una competencia de juegos en la Universidad de Maryland. Finalmente, menciona que si bien las redes neuronales han caído en desgracia debido a sus limitaciones y complejidades en la investigación, todavía son útiles para las pruebas.