Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
L'histoire de l'intelligence artificielle [Documentaire]
L'histoire de l'intelligence artificielle [Documentaire]
Le documentaire sur l'histoire de l'intelligence artificielle nous emmène à travers les premiers jours du concept de "machine à penser", engendré par les écrivains de science-fiction et l'industrie du cinéma, jusqu'aux progrès actuels de l'IA et des processus d'apprentissage en profondeur. Le documentaire montre les progrès réalisés en IA, la capacité des machines à apprendre comme les humains et les principes de fonctionnement des ordinateurs. La vidéo explore les limites des ordinateurs, le potentiel de leur développement et l'avenir possible de l'intelligence artificielle (IA). Les scientifiques discutent de la possibilité que les machines soient capables de penser et de produire de nouvelles idées, et l'objectif est de créer un système informatique plus général qui peut apprendre par l'expérience, former des concepts et faire de la logique. Les premiers pas vers l'IA peuvent être vus dans une petite machine informatique qui peut apprendre de l'expérience, comme le montre l'exemple d'une souris à commande électrique résolvant un labyrinthe.
La deuxième partie explore les limites et le potentiel des ordinateurs en termes de réflexion, de ressenti et de créativité. Alors que les ordinateurs excellent dans les opérations logiques et les calculs mathématiques, ils ont du mal à reconnaître, à reconnaître des formes et à généraliser, à reconnaître des blocs, à traduire des langues et à effectuer des tâches simples. Malgré des résultats initiaux décevants, des systèmes experts et des programmes tels que SHRDLU et TENDRIL ont montré comment les ordinateurs pouvaient utiliser les connaissances pour résoudre l'ambiguïté et l'apprentissage des langues. Cependant, le défi de l'enseignement des connaissances de bon sens, qui comprend à la fois les connaissances factuelles et les expériences que les gens acquièrent au fil du temps, demeure. Les réseaux de neurones, bien qu'attrayants au départ, ont des limites et ne sont capables que de s'attaquer à de petites tâches. Les chercheurs doivent former des ordinateurs pour comprendre comment la nature construit et coordonne de nombreuses micro-machines dans le cerveau avant qu'une version entièrement artificielle puisse être construite.
La troisième partie couvre un large éventail de sujets liés à l'histoire et à l'avenir de l'intelligence artificielle. Il traite des efforts en cours pour parvenir à une intelligence à usage général basée sur le bon sens, y compris le projet Cyc et le potentiel de compréhension générale du langage naturel dans l'IA. Les défis liés à la réalisation d'une intelligence de type humain, y compris la nécessité de modèles formels d'intelligence et le rôle de la psychologie, sont également explorés. Les personnes interrogées discutent de l'impact des ordinateurs sur le domaine de la psychologie, ainsi que des défis posés par le raisonnement non monotone et de la nécessité de percées conceptuelles. Malgré les critiques, les personnes interrogées voient l'objectif de l'IA comme un projet noble qui peut mieux nous aider à nous comprendre.
La naissance de l'intelligence artificielle
La naissance de l'intelligence artificielle
La vidéo traite de la naissance de l'intelligence artificielle (IA) moderne et de l'optimisme qui l'a accompagnée pendant les "années dorées" de l'IA dans les années 60 et au début des années 70. Cependant, le domaine a dû faire face à des défis importants, notamment le premier hiver de l'IA au milieu des années 70 en raison de la difficulté des problèmes auxquels ils étaient confrontés et des performances de calcul limitées.
Les systèmes experts ont marqué un tournant dans le domaine, déplaçant l'accent du développement de l'intelligence générale vers une IA spécifique à un domaine étroit, et ont contribué à accroître l'efficacité de l'entreprise. Cependant, le battage médiatique entourant les systèmes experts a entraîné une baisse des financements, en particulier après le krach boursier de 1987. La vidéo reconnaît les défis liés à la compréhension et à la définition de l'IA, recommandant Brilliant comme ressource permettant aux personnes d'en apprendre davantage sur l'IA, des éléments de base aux architectures plus avancées.
Apprentissage automatique supervisé expliqué
Apprentissage automatique supervisé expliqué
La vidéo explique que l'apprentissage supervisé implique un ensemble de données étiqueté, dans le but d'apprendre une fonction de mappage des variables d'entrée aux variables de sortie. L'ensemble de données étiqueté est divisé en un ensemble d'apprentissage et un ensemble de test, le modèle étant formé sur l'ensemble d'apprentissage et évalué sur l'ensemble de test pour mesurer sa précision.
La vidéo note qu'un surajustement peut se produire si le modèle est trop complexe et s'adapte trop étroitement à l'ensemble d'apprentissage, ce qui entraîne de mauvaises performances sur les nouvelles données, tandis qu'un sous-ajustement se produit si le modèle est trop simple et incapable de capturer la complexité des données. La vidéo fournit l'exemple de l'ensemble de données d'iris et parcourt le processus de formation d'un modèle pour prédire l'espèce d'une nouvelle fleur d'iris en fonction de ses mesures, à l'aide de l'algorithme d'arbre de décision.
Apprentissage automatique non supervisé expliqué
Apprentissage automatique non supervisé expliqué
La vidéo explique l'apprentissage automatique non supervisé, qui traite des données non étiquetées et non structurées, et est principalement utilisé pour dériver une structure à partir de données non structurées. Il est divisé en deux types : association et clustering, où le clustering implique l'utilisation d'algorithmes tels que le clustering K-means pour diviser l'espace de décision en catégories ou clusters discrets.
Les problèmes d'association identifient les corrélations entre les caractéristiques des ensembles de données et, pour extraire des associations significatives, la complexité des colonnes doit être réduite grâce à la réduction de la dimensionnalité. Ce processus implique de minimiser le nombre de caractéristiques nécessaires pour représenter un point de données et d'obtenir des résultats et des associations significatifs tout en empêchant le sous-ajustement ou le surajustement. Le dernier segment de la vidéo a présenté le concept d'apprentissage des mathématiques et des sciences sur Brilliant, une plate-forme qui offre un apprentissage agréable et interconnecté des mathématiques et des sciences et offre une remise de 20 % sur les abonnements premium pour visionner du contenu futurologique. La vidéo sollicitait également le soutien de la chaîne sur Patreon ou l'adhésion à YouTube et accueillait des suggestions pour de futurs sujets dans les commentaires.
Qu'est-ce que l'apprentissage automatique (apprentissage automatique expliqué)
Qu'est-ce que l'apprentissage automatique (apprentissage automatique expliqué)
L'apprentissage automatique est un domaine d'étude qui permet aux ordinateurs d'apprendre sans être explicitement programmés. Cela implique l'utilisation d'algorithmes pour former des limites de décision sur l'espace de décision d'un ensemble de données. Cette compréhension de l'apprentissage automatique est la deuxième plus largement utilisée et établie par le Dr Tom Mitchell.
L'apprentissage automatique peut être attribué à l'augmentation de la puissance de calcul et du stockage qui a permis des données plus grandes et de meilleure qualité, et à l'essor de l'apprentissage en profondeur. Bien qu'il soit classé comme une intelligence artificielle faible, les tâches qu'il exécute sont souvent isolées et spécifiques à un domaine. L'apprentissage automatique englobe de nombreuses approches et modèles différents, et bien qu'ils ne puissent jamais être précis à 100 % pour prédire les résultats dans des problèmes du monde réel en raison d'abstractions et de simplifications, ils peuvent toujours être utiles dans un large éventail d'applications. Brilliant est mentionné comme l'une des ressources pour en savoir plus sur l'apprentissage automatique et d'autres sujets STEM.
L'apprentissage en profondeur expliqué (et pourquoi l'apprentissage en profondeur est si populaire)
L'apprentissage en profondeur expliqué (et pourquoi l'apprentissage en profondeur est si populaire)
La vidéo explique que la popularité de l'apprentissage en profondeur découle du fait qu'il peut apprendre des fonctionnalités directement à partir des données et utilise des réseaux de neurones pour apprendre les fonctionnalités sous-jacentes dans un ensemble de données. L'essor de l'apprentissage en profondeur peut être attribué au Big Data, à l'augmentation de la puissance de traitement et à la rationalisation des interfaces logicielles.
Du cerveau à l'IA (Que sont les réseaux de neurones)
Du cerveau à l'IA (Que sont les réseaux de neurones)
La vidéo traite des composants d'un neurone artificiel, qui est l'élément majeur d'un réseau de neurones artificiels, et comment il est basé sur la structure d'un neurone biologique.
Il explique également comment les réseaux de neurones dérivent la représentation de grandes quantités de données dans un processus couche par couche qui peut s'appliquer à tout type d'entrée. La vidéo recommande d'aller sur brillant.org pour en savoir plus sur les éléments de base des algorithmes d'apprentissage en profondeur.
Comment faire un réseau de neurones | Les réseaux de neurones expliqués
Comment faire un réseau de neurones | Les réseaux de neurones expliqués
La vidéo explique comment les réseaux de neurones forment des capacités de reconnaissance de formes en discutant de la structure et des mathématiques impliquées. Il utilise une image comme exemple et discute de la couche d'entrée, des nœuds de couche de sortie et introduit l'idée de couches cachées.
La vidéo se penche ensuite sur les fonctions d'activation et sur la manière dont elles convertissent les signaux d'entrée en signaux de sortie. La fonction tangente hyperbolique et la couche d'unité linéaire rectifiée sont discutées, et il est révélé que le réseau de neurones construit nécessite une ingénierie humaine importante pour garantir des valeurs non ambiguës. La vidéo recommande Brilliant.org pour en savoir plus.
Comment les ordinateurs apprennent | Les réseaux de neurones expliqués (descente de gradient et rétropropagation)
Comment les ordinateurs apprennent | Les réseaux de neurones expliqués (descente de gradient et rétropropagation)
Cette vidéo explique comment les réseaux de neurones apprennent en modifiant les poids dans les couches cachées pour permettre au réseau de les déterminer. Le concept de fonction de coût est introduit pour minimiser le taux d'erreur du réseau de neurones, et la rétropropagation est expliquée comme le processus essentiel de réglage des paramètres du réseau.
Les trois principaux composants de l'apprentissage automatique, y compris la représentation, l'évaluation et l'optimisation, sont couverts par la tribu du connexionnisme. La vidéo note également que le réseau ne s'organise pas toujours parfaitement en couches d'abstraction. L'objectif de l'apprentissage en profondeur est que le réseau apprenne et règle les poids par lui-même.
Comment fonctionnent les réseaux de neurones | Les réseaux de neurones expliqués
Comment fonctionnent les réseaux de neurones | Les réseaux de neurones expliqués
La vidéo explique le paramètre de biais dans les réseaux de neurones, qui déclenche l'activation des nœuds lorsqu'un certain seuil est atteint, ainsi que la différence entre les paramètres et les hyperparamètres, les hyperparamètres nécessitant un réglage fin grâce à des techniques d'optimisation.
Le taux d'apprentissage est également discuté, et les défis de trouver le taux optimal tout en évitant le surajustement ou le sous-ajustement sont mis en évidence. L'ingénierie des caractéristiques est un autre sous-domaine des réseaux de neurones, où les analystes doivent déterminer les caractéristiques d'entrée qui décrivent avec précision un problème. La vidéo note que si les réseaux de neurones artificiels théoriques impliquent des couches d'abstraction parfaites, c'est beaucoup plus aléatoire en réalité en raison du type de réseau utilisé, qui est choisi en sélectionnant les hyperparamètres les plus importants.