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
Méga-R1. Systèmes basés sur des règles
Méga-R1. Systèmes basés sur des règles
Cette vidéo se concentre sur Mega-Recitation, qui est une conférence de style tutoriel pour aider les étudiants à travailler avec le matériel couvert dans les conférences et les récitations. La vidéo couvre plusieurs sujets liés aux systèmes basés sur des règles, notamment le chaînage en amont, le chaînage en aval, l'ordre de départage des règles et le processus de correspondance. Le processus de chaînage en arrière consiste à examiner le conséquent d'une règle et à ajouter les antécédents nécessaires pour atteindre l'objectif principal, et le bris d'égalité et la désambiguïsation sont cruciaux pour l'arbre d'objectifs. La vidéo traite également du chaînage en avant et des règles de correspondance avec les assertions à l'aide d'une série d'assertions. L'orateur insiste sur l'importance de vérifier les assertions avant d'utiliser une règle et d'éviter les règles impuissantes qui ne font rien. Le processus de correspondance implique l'utilisation d'un chaînage arrière pour déterminer quelles règles correspondent aux assertions données, et le système donnera la priorité aux règles de numéro inférieur, qu'elles soient nouvelles ou non.
Méga-R2. Recherche de base, recherche optimale
Méga-R2. Recherche de base, recherche optimale
Cette vidéo YouTube couvre divers algorithmes et techniques de recherche, y compris la recherche en profondeur d'abord, la recherche en largeur d'abord, la recherche optimale et l'algorithme A*. La vidéo utilise un exemple amusant d'un Evil Overlord Mark Vader à la recherche d'un nouveau bastion pour illustrer ces concepts. Le présentateur souligne l'importance de l'admissibilité et de la cohérence dans la recherche de graphes et explique l'utilisation de listes étendues pour empêcher la réévaluation des nœuds. La vidéo aborde les erreurs et les questions courantes du public et encourage les téléspectateurs à en demander davantage. Dans l'ensemble, la vidéo fournit une introduction approfondie à ces algorithmes et techniques de recherche.
Méga-R3. Jeux, Minimax, Alpha-Bêta
Méga-R3. Jeux, Minimax, Alpha-Bêta
Cette vidéo couvre divers sujets liés à la théorie des jeux et à l'algorithme minimax, y compris le minimax régulier, les ajouts alpha-bêta, l'élagage alpha-bêta, l'évaluation statique, l'approfondissement progressif et la réorganisation des nœuds. L'instructeur fournit des explications et des démonstrations de ces concepts à l'aide d'exemples et demande au public de participer à la détermination des valeurs à différents nœuds dans un arbre de jeu. La vidéo se termine par une discussion sur les failles potentielles des fonctions heuristiques et des conseils pour le quiz à venir.
Méga-R4. Réseaux neuronaux
Méga-R4. Réseaux neuronaux
La vidéo couvre divers aspects des réseaux de neurones, y compris leurs représentations, la confusion sur les entrées et les sorties, les fonctions sigmoïdes et de performance, les poids et les biais, la rétropropagation, la modification des fonctions sigmoïdes et de performance, les poids de seuil, la visualisation et le potentiel des réseaux de neurones. L'instructeur explique diverses formules nécessaires au quiz et comment calculer et ajuster les deltas de manière récursive. Il discute également des types de réseaux de neurones nécessaires pour résoudre des problèmes simples et mentionne une application récente des réseaux de neurones dans le monde réel lors d'un concours de jeu à l'Université du Maryland. Enfin, il mentionne que si les réseaux de neurones sont tombés en disgrâce en raison de leurs limites et de leur complexité dans la recherche, ils sont toujours utiles pour les quiz.
Méga-R5. Soutenir les machines vectorielles
Méga-R5. Soutenir les machines vectorielles
La vidéo explique les machines à vecteurs de support (SVM), qui déterminent la ligne de démarcation ou les limites de décision dans les données en trouvant les vecteurs de support qui ne sont pas identiques à tout autre point de données. Il inclut également l'utilisation de fonctions du noyau qui permettent au noyau de calculer le produit scalaire sans manipuler directement les vecteurs. Le professeur clarifie l'objectif de trouver les Alphas qui fournissent le meilleur W pour la route la plus large et comment W est la limite de décision pour SVM. Les étudiants se renseignent sur l'intuition derrière SVM, et l'optimisation basée sur Alphas crée la route la plus large pour une meilleure classification des données. SVM Kernel aide également à optimiser le processus, le rendant plus efficace.
Méga-R6. Booster
Méga-R6. Booster
Dans la vidéo "Mega-R6. Boosting", l'orateur explique le concept de boosting dans l'apprentissage automatique et montre le processus de sélection des bons classificateurs pour minimiser les erreurs. Ils donnent un exemple d'identification des vampires en fonction de certaines qualités et discutent de la manière de choisir les classificateurs les plus efficaces. Les classificateurs sélectionnés sont utilisés pour créer un classificateur final qui est appliqué aux points de données pour déterminer combien sont classés correctement. L'orateur souligne également qu'il est important de choisir quand arrêter le processus et reconnaît qu'il n'est pas toujours possible d'atteindre une précision totale.
Méga-R7. Quasi-accidents, Arch Learning
Méga-R7. Quasi-accidents, Arch Learning
Dans la vidéo, le concept d'apprentissage quasi-accidentel est introduit, impliquant l'apprentissage de différents types de sources lumineuses et de leurs caractéristiques. L'approche Arch Learning utilise six heuristiques pour affiner un modèle, notamment le lien requis, le lien interdit, l'arbre grimpant, l'ensemble étendu, l'intervalle fermé et le lien supprimé. La vidéo traite de diverses techniques utilisées dans l'apprentissage automatique, telles que l'ensemble étendu, l'arbre grimpant, l'intervalle fermé et le lien de suppression. Les conférenciers évoquent également les problèmes liés à la fragilité et à la vulnérabilité du modèle Arch Learning à la commande, ce qui entraîne des réactions incohérentes face à des informations contradictoires. La vidéo aborde également le concept de généralisation pour le Mega-R7 et en quoi il diffère des modèles précédents. De plus, les compromis entre l'apprentissage irlandais et l'apprentissage en réseau en termes de capacité à exprimer des sous-ensembles d'informations sont discutés, ainsi que l'enseignement du système à l'aide de plusieurs modèles avec différents détails de mise en œuvre.
AlphaGo - Le film | Documentaire complet primé
AlphaGo - Le film | Documentaire complet primé
Un documentaire sur le développement du programme informatique AlphaGo, conçu pour battre les joueurs humains au jeu de Go. Le film suit la victoire du programme sur un joueur humain champion du monde dans un match de cinq matchs. Certains téléspectateurs pensent que la victoire d'AlphaGo pourrait annoncer la fin de la race humaine telle que nous la connaissons, car les machines deviennent de plus en plus performantes pour effectuer des tâches cognitives.
Deepmind AlphaZero - Maîtriser des jeux sans connaissance humaine
Deepmind AlphaZero - Maîtriser des jeux sans connaissance humaine
La vidéo explore le développement de l'architecture d'apprentissage par renforcement profond de DeepMind, AlphaZero, qui utilise une politique unifiée et un réseau de valeurs pour réussir dans des jeux avec d'énormes espaces d'état sans aucune donnée humaine préalable. L'algorithme d'AlphaZero implique la formation d'un réseau de neurones pour prédire l'action choisie par une recherche arborescente complète de Monte Carlo, distillant de manière itérative les connaissances pour générer des joueurs plus forts au fil du temps. L'algorithme a montré des courbes d'apprentissage impressionnantes, surpassant les versions précédentes en seulement quelques heures de formation et affichant une évolutivité remarquable malgré l'évaluation de moins de positions que les moteurs de recherche précédents. La vidéo traite également de la capacité d'AlphaZero à combiner le meilleur des approches humaines et automatiques tout en montrant un potentiel d'apprentissage par renforcement à usage général.
AlphaGo - Comment l'IA a maîtrisé le jeu de société le plus difficile de l'histoire
AlphaGo - Comment l'IA a maîtrisé le jeu de société le plus difficile de l'histoire
La vidéo explore les détails techniques d'AlphaGo Zero, un système d'IA qui a été formé entièrement par le biais de l'auto-jeu et sans utiliser d'ensembles de données humaines. Le système a utilisé une architecture de réseau résiduel et une approche à deux recherches pour prédire la valeur et les mouvements forts. La vidéo met en évidence les améliorations apportées, y compris la capacité de prédire les résultats du jeu et la découverte et l'éloignement du système des mouvements bien connus en Go. Cependant, l'application réelle du système est limitée par la nécessité d'un simulateur parfait, ce qui rend difficile l'application de l'approche à d'autres domaines.