Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
La storia dell'intelligenza artificiale [Documentario]
La storia dell'intelligenza artificiale [Documentario]
Il documentario History of Artificial Intelligence ci porta attraverso i primi giorni del concetto di "macchina pensante", generato dagli scrittori di fantascienza e dall'industria cinematografica, fino ai progressi odierni nell'IA e nei processi di deep learning. Il documentario mostra i progressi compiuti nell'intelligenza artificiale, la capacità delle macchine di apprendere come gli umani e i principi alla base del funzionamento dei computer. Il video esplora i limiti dei computer, il potenziale per il loro sviluppo e il possibile futuro dell'intelligenza artificiale (AI). Gli scienziati discutono della possibilità che le macchine siano in grado di pensare e produrre nuove idee, e l'obiettivo è creare un sistema informatico più generale in grado di apprendere dall'esperienza, formulare concetti ed eseguire la logica. I primi passi verso l'intelligenza artificiale possono essere visti in una piccola macchina informatica che può imparare dall'esperienza, come mostrato nell'esempio di un topo controllato elettricamente che risolve un labirinto.
La seconda parte esplora i limiti e le potenzialità dei computer in termini di pensiero, sentimento e creatività. Mentre i computer eccellono nelle operazioni logiche e nei calcoli matematici, hanno difficoltà con il riconoscimento, il riconoscimento di modelli e la generalizzazione, il riconoscimento di blocchi, la traduzione di lingue e l'esecuzione di compiti semplici. Nonostante i risultati deludenti iniziali, sistemi e programmi esperti come SHRDLU e TENDRIL hanno mostrato come i computer potrebbero utilizzare la conoscenza per risolvere l'ambiguità e l'apprendimento delle lingue. Tuttavia, rimane la sfida di insegnare la conoscenza del senso comune, che include sia la conoscenza fattuale che le esperienze che le persone acquisiscono nel tempo. Le reti neurali, sebbene inizialmente attraenti, hanno dei limiti e sono in grado di affrontare solo piccoli compiti. I ricercatori devono addestrare i computer a capire come la natura costruisce e coordina molte micro-macchine all'interno del cervello prima che possa essere costruita una versione completamente artificiale.
La terza parte copre una vasta gamma di argomenti relativi alla storia e al futuro dell'intelligenza artificiale. Discute gli sforzi in corso per ottenere un'intelligenza generica basata sul buon senso, incluso il progetto Cyc e il potenziale per la comprensione generale del linguaggio naturale nell'IA. Vengono anche esplorate le sfide nel raggiungere un'intelligenza simile a quella umana, inclusa la necessità di modelli formali di intelligenza e il ruolo della psicologia. Gli intervistati discutono dell'impatto dei computer nel campo della psicologia, nonché delle sfide poste dal ragionamento non monotono e della necessità di scoperte concettuali. Nonostante le critiche, gli intervistati vedono l'obiettivo dell'IA come un progetto nobile che può aiutarci meglio a capire noi stessi.
La nascita dell'Intelligenza Artificiale
La nascita dell'Intelligenza Artificiale
Il video discute la nascita della moderna intelligenza artificiale (AI) e l'ottimismo che ne è derivato durante gli "anni d'oro" dell'IA negli anni '60 e all'inizio degli anni '70. Tuttavia, il campo ha affrontato sfide significative, incluso il primo inverno AI a metà degli anni '70 a causa della difficoltà dei problemi che hanno dovuto affrontare e delle limitate prestazioni computazionali.
I sistemi esperti hanno segnato un punto di svolta nel settore, spostando l'attenzione dallo sviluppo dell'intelligenza generale a un'intelligenza artificiale ristretta specifica del dominio e hanno contribuito ad aumentare l'efficienza aziendale. Tuttavia, il clamore che circonda i sistemi esperti ha portato a una diminuzione dei finanziamenti, in particolare dopo il crollo del mercato del 1987. Il video riconosce le sfide della comprensione e della definizione dell'IA, raccomandando Brilliant come risorsa per le persone per conoscere l'IA dagli elementi costitutivi fondamentali alle architetture più avanzate.
Spiegazione dell'apprendimento automatico supervisionato
Spiegazione dell'apprendimento automatico supervisionato
Il video spiega che l'apprendimento supervisionato coinvolge un set di dati etichettato, con l'obiettivo di apprendere una funzione di mappatura dalle variabili di input alle variabili di output. Il set di dati etichettato è suddiviso in un set di addestramento e un set di test, con il modello che viene addestrato sul set di addestramento e valutato sul set di test per misurarne l'accuratezza.
Il video rileva che l'overfitting può verificarsi se il modello è troppo complesso e si adatta troppo strettamente al training set, con conseguenti scarse prestazioni sui nuovi dati, mentre l'underfitting si verifica se il modello è troppo semplice e non è in grado di catturare la complessità dei dati. Il video fornisce l'esempio del set di dati dell'iride e illustra il processo di addestramento di un modello per prevedere le specie di un nuovo fiore di iris in base alle sue misurazioni, utilizzando l'algoritmo dell'albero delle decisioni.
Spiegazione dell'apprendimento automatico senza supervisione
Spiegazione dell'apprendimento automatico senza supervisione
Il video spiega l'apprendimento automatico non supervisionato, che si occupa di dati non etichettati e non strutturati e viene utilizzato principalmente per derivare la struttura da dati non strutturati. È diviso in due tipi: associazione e clustering, in cui il clustering implica l'utilizzo di algoritmi come K-means clustering per dividere lo spazio decisionale in categorie o cluster discreti.
I problemi di associazione identificano le correlazioni tra le caratteristiche del set di dati e per estrarre associazioni significative, la complessità delle colonne deve essere ridotta attraverso la riduzione della dimensionalità. Questo processo comporta la riduzione al minimo del numero di funzionalità necessarie per rappresentare un punto dati e ottenere risultati e associazioni significativi, evitando al contempo l'underfitting o l'overfitting. Il segmento finale del video ha introdotto il concetto di apprendimento della matematica e delle scienze su Brilliant, una piattaforma che offre un apprendimento piacevole e interconnesso di matematica e scienze e offre uno sconto del 20% sugli abbonamenti premium per la visualizzazione di contenuti di futurologia. Il video ha anche sollecitato il supporto per il canale su Patreon o l'abbonamento a YouTube e ha accolto con favore suggerimenti per argomenti futuri nei commenti.
Che cos'è l'apprendimento automatico (spiegazione dell'apprendimento automatico)
Che cos'è l'apprendimento automatico (spiegazione dell'apprendimento automatico)
L'apprendimento automatico è un campo di studio che consente ai computer di apprendere senza essere esplicitamente programmati. Implica l'utilizzo di algoritmi per formare limiti decisionali sullo spazio decisionale di un set di dati. Questa comprensione dell'apprendimento automatico è la seconda più utilizzata e stabilita dal Dr. Tom Mitchell.
L'apprendimento automatico può essere attribuito all'aumento della potenza di calcolo e dell'archiviazione che ha consentito dati più grandi e migliori e all'ascesa del deep learning. Sebbene sia classificata come intelligenza artificiale debole poiché i compiti che svolge sono spesso isolati e specifici del dominio. L'apprendimento automatico comprende molti approcci e modelli diversi e, sebbene non possano mai essere accurati al 100% nel prevedere gli output nei problemi del mondo reale a causa di astrazioni e semplificazioni, possono comunque essere utili in un'ampia gamma di applicazioni. Brilliant è menzionato come una delle risorse per l'apprendimento dell'apprendimento automatico e di altri argomenti STEM.
Spiegazione del deep learning (e perché il deep learning è così popolare)
Spiegazione del deep learning (e perché il deep learning è così popolare)
Il video spiega che la popolarità del deep learning deriva dal fatto che può apprendere le funzionalità direttamente dai dati e utilizza le reti neurali per apprendere le funzionalità sottostanti in un set di dati. L'ascesa del deep learning può essere attribuita ai big data, alla maggiore potenza di elaborazione e alle interfacce software semplificate.
Dal cervello all'intelligenza artificiale (cosa sono le reti neurali)
Dal cervello all'intelligenza artificiale (cosa sono le reti neurali)
Il video discute i componenti di un neurone artificiale, che è l'elemento principale di una rete neurale artificiale, e come si basa sulla struttura di un neurone biologico.
Spiega anche come le reti neurali derivano la rappresentazione da grandi quantità di dati in un processo strato per strato che può essere applicato a qualsiasi tipo di input. Il video consiglia di andare su brillante.org per saperne di più sugli elementi costitutivi fondamentali degli algoritmi di deep learning.
Come creare una rete neurale | Spiegazione delle reti neurali
Come creare una rete neurale | Spiegazione delle reti neurali
Il video spiega come le reti neurali formano capacità di riconoscimento di modelli discutendo la struttura e la matematica coinvolta. Utilizza un'immagine come esempio e discute il livello di input, i nodi del livello di output e introduce l'idea dei livelli nascosti.
Il video approfondisce quindi le funzioni di attivazione e il modo in cui convertono i segnali di ingresso in segnali di uscita. Vengono discussi la funzione di tangente iperbolica e lo strato di unità lineare rettificato e viene rivelato che la rete neurale costruita richiede una significativa ingegneria umana per garantire valori non ambigui. Il video consiglia Brilliant.org per saperne di più.
Come imparano i computer | Spiegazione delle reti neurali (discendente del gradiente e retropropagazione)
Come imparano i computer | Spiegazione delle reti neurali (discendente del gradiente e retropropagazione)
Questo video spiega come le reti neurali apprendono modificando i pesi nei livelli nascosti per consentire alla rete di determinarli. Il concetto di funzione di costo viene introdotto per minimizzare il tasso di errore della rete neurale e la retropropagazione viene spiegata come il processo essenziale per regolare i parametri della rete.
I tre componenti principali dell'apprendimento automatico, tra cui rappresentazione, valutazione e ottimizzazione, sono trattati nella tribù del connessionismo. Il video rileva inoltre che la rete non sempre si dispone perfettamente in strati di astrazione. L'obiettivo del deep learning è che la rete impari e metta a punto i pesi da sola.
Come funzionano le reti neurali | Spiegazione delle reti neurali
Come funzionano le reti neurali | Spiegazione delle reti neurali
Il video spiega il parametro bias nelle reti neurali, che avvia i nodi da attivare quando viene raggiunta una determinata soglia, nonché la differenza tra parametri e iperparametri, con gli iperparametri che necessitano di messa a punto tramite tecniche di ottimizzazione.
Viene anche discusso il tasso di apprendimento e vengono evidenziate le sfide per trovare il tasso ottimale evitando l'overfitting o l'underfitting. L'ingegneria delle funzionalità è un altro sottocampo che si trova nelle reti neurali, in cui gli analisti devono determinare le funzionalità di input che descrivono accuratamente un problema. Il video osserva che mentre le reti neurali artificiali teoriche implicano livelli di astrazione perfetti, in realtà è molto più casuale a causa del tipo di rete utilizzata, che viene scelta selezionando gli iperparametri più importanti.