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
Lezione 6. Ricerca: Giochi, Minimax e Alpha-Beta
6. Ricerca: Giochi, Minimax e Alpha-Beta
Il video discute la storia del gioco nell'IA, a partire dalla famosa citazione di Dreyfus secondo cui i computer non possono giocare a scacchi. I relatori spiegano come le regole se-allora non sono efficaci nei programmi di gioco e sono necessarie un'analisi e una strategia più approfondite. Introducono l'algoritmo minimax e il concetto di potatura alfa-beta per ottimizzare l'efficienza della ricerca del gioco. Il video esplora anche tecniche come la minimizzazione del costo delle polizze assicurative e il progressivo approfondimento. L'oratore conclude che mentre l'intelligenza del bulldozer è importante, non è necessariamente lo stesso tipo di intelligenza che gli umani hanno nelle loro teste.
Lezione 7. Vincoli: interpretazione dei disegni al tratto
7. Vincoli: interpretare i disegni al tratto
Il video discute lo sviluppo di un problema di soddisfazione dei vincoli per l'interpretazione dei disegni al tratto, iniziato con il tentativo di creare un computer in grado di vedere oggetti semplici. Il lavoro dello sperimentatore Guzman è stato analizzato, portando all'approccio di David Huffman di lavorare in un semplice mondo matematico con vincoli che gli hanno permesso di sviluppare una teoria migliore del programma di Guzman. Il video esplora il vocabolario utilizzato per catalogare e classificare linee e giunzioni nei disegni, la possibilità di avere cinque ottanti pieni di materiale e l'uso di vincoli per testare la costruibilità degli oggetti. Il video discute anche la sfida dell'utilizzo delle etichette per interpretare i disegni al tratto, l'algoritmo di Waltz e il processo di gestione dei vertici delle forcelle nell'analisi dei disegni. I vincoli sviluppati in questo progetto hanno applicazioni nella risoluzione di problemi con molti vincoli, come la colorazione delle mappe e la programmazione.
opposto simmetrico della prospettiva blu. L'oratore esamina ulteriormente i vertici che possono creare giunzioni a forcella ea L, nonché oggetti oscuranti che possono creare forme a T con la linea rimanente come confine. Infine, l'oratore menziona che i vertici con sei facce possono essere creati anche quando gli oggetti si uniscono in un punto.
Lezione 8. Vincoli: ricerca, riduzione del dominio
8. Vincoli: ricerca, riduzione del dominio
Questo video discute il concetto di vincoli nella risoluzione dei problemi, in particolare nel contesto della ricerca e della riduzione del dominio. L'oratore utilizza l'esempio dell'assegnazione di colori agli stati su una mappa per illustrare come i vincoli possono essere utilizzati per restringere le possibilità prima ancora di iniziare la ricerca. Il relatore esplora anche diversi approcci alla gestione dei vincoli, come controllare solo gli incarichi o considerare tutto, e introduce il concetto di pianificazione delle risorse come un'altra applicazione della risoluzione dei problemi basata sui vincoli. Nel complesso, il video fornisce una panoramica completa di come i vincoli possono essere utilizzati per risolvere problemi complessi in modo efficiente.
Lezione 9. Vincoli: riconoscimento visivo degli oggetti
9. Vincoli: riconoscimento visivo degli oggetti
In questo video, Patrick Winston discute le sfide del riconoscimento degli oggetti visivi, comprese le idee di David Marr di formare una descrizione basata sui bordi di oggetti, normali di superficie e cilindri generalizzati. Il relatore approfondisce anche diversi metodi per il riconoscimento visivo degli oggetti, inclusa la teoria dell'allineamento e l'utilizzo di algoritmi di correlazione per calcolare la posizione delle caratteristiche di dimensioni intermedie. Winston mette in evidenza le sfide del riconoscimento di oggetti naturali che non hanno dimensioni identiche e l'importanza del contesto e della narrazione nel riconoscimento visivo, utilizzando l'esempio di un gatto che beve. In tutto il video, fornisce dimostrazioni ed esempi per spiegare vari concetti. Nel complesso, il relatore sottolinea le difficoltà del riconoscimento visivo e incoraggia gli studenti a continuare la ricerca sul campo.
Conferenza 10. Introduzione all'apprendimento, vicini più vicini
10. Introduzione all'apprendimento, vicini più prossimi
In questo video di YouTube, il professor Winston introduce l'argomento dell'apprendimento e discute due tipi di apprendimento: l'apprendimento basato sulla regolarità e l'apprendimento basato sul feedback. Si concentra su tecniche di apprendimento basate sulla regolarità come l'apprendimento del vicino più vicino, le reti neurali e il potenziamento. L'apprendimento del vicino più vicino coinvolge un rilevatore di caratteristiche, che genera un vettore di valori, che viene quindi confrontato con i vettori di una libreria di possibilità per trovare la corrispondenza più vicina e determinare cos'è un oggetto. Il relatore fornisce vari esempi di come questo metodo può essere applicato. Discute inoltre come i confini decisionali possono essere utilizzati per identificare la categoria di un oggetto. Viene introdotto il principio di somiglianza tra casi diversi e viene sottolineata l'importanza della gestione del sonno in quanto influisce notevolmente sull'apprendimento. Infine, tocca il problema della non uniformità, il problema del "ciò che conta" e l'importanza di normalizzare i dati utilizzando tecniche statistiche.
Lezione 11. Apprendimento: alberi di identificazione, disordine
11. Apprendimento: alberi di identificazione, disordine
Il professore del MIT Patrick Winston spiega il concetto di costruzione di un meccanismo di riconoscimento per identificare i vampiri utilizzando i dati e l'importanza di creare un albero di identificazione piccolo ed economico che soddisfi il rasoio di Occam. Propone di utilizzare meccanismi euristici per costruire l'albero poiché il calcolo di tutti gli alberi possibili è un problema NP. Winston suggerisce di utilizzare un test dell'ombra, un test dell'aglio, un test della carnagione e un test dell'accento per identificare quali individui sono vampiri e spiega come misurare il disturbo nei set per trovare la qualità complessiva di un test basato sulla misurazione del disturbo. Il video illustra anche come gli alberi di identificazione possono essere utilizzati con dati numerici e l'albero può essere convertito in un insieme di regole per creare un semplice meccanismo basato sul comportamento basato su regole.
Lezione 12a: Reti Neurali
12a: Reti Neurali
Questo video copre una serie di argomenti relativi alle reti neurali. Il relatore inizia discutendo la storia delle reti neurali, evidenziando il lavoro fondamentale svolto da Geoff Hinton che ha trasformato il campo. Viene quindi discussa l'anatomia di un neurone, nonché il modo in cui gli input vengono raccolti ed elaborati. Il video approfondisce quindi il funzionamento delle reti neurali come approssimatori di funzioni e come le prestazioni possono essere migliorate utilizzando l'arrampicata in salita e la discesa in pendenza. La regola della catena viene introdotta per facilitare il calcolo delle derivate parziali e il relatore dimostra come la rete neurale più semplice del mondo può essere addestrata utilizzando questo approccio. Viene anche discussa la costante di velocità ottimale per una rete neurale e l'oratore introduce una rete neurale più complessa con due ingressi e due uscite. Infine, viene introdotto il principio del riutilizzo per affrontare il problema del potenziale aumento esponenziale dei percorsi attraverso reti di grandi dimensioni. Nel complesso, il video sottolinea che le grandi idee nelle reti neurali sono spesso semplici e facili da trascurare, anche se possono avere un impatto significativo sul campo.
Lezione 12b: Reti Neurali Profonde
12b: reti neurali profonde
Questo video copre diversi argomenti relativi alle reti neurali profonde, tra cui il processo di calcolo coinvolto, le reti neurali convoluzionali, gli algoritmi di codifica automatica, la regolazione dei parametri nel livello di output, il softmax e la retropropagazione con le reti convoluzionali. Il video esplora anche concetti come i massimi locali, l'ampliamento delle reti e l'apprendimento delle reti neurali, dimostrando al contempo come funzionano le reti neurali profonde nell'elaborazione delle immagini. Nel complesso, il video fornisce una panoramica completa dei principali concetti coinvolti nelle reti neurali profonde, compresi i loro punti di forza e i loro limiti.
Lezione 13. Apprendimento: algoritmi genetici
13. Apprendimento: algoritmi genetici
Questo video discute il concetto di algoritmi genetici, che imitano l'evoluzione e ci permettono di risolvere problemi complessi. Il processo di eredità genetica attraverso i cromosomi viene scomposto e simulato utilizzando cromosomi binari con scelte per mutazioni e incroci. Le probabilità di sopravvivenza e l'ordine in classifica dei candidati sono spiegate con un esempio, che mostra l'efficacia se eseguito correttamente. Vengono discusse la sfida del superamento dei massimi locali e l'introduzione della tecnica di ricottura simulata. Vengono presentate applicazioni pratiche di algoritmi genetici, tra cui un progetto sulla costruzione di un sistema esperto basato su regole e l'evoluzione di creature costituite da oggetti simili a blocchi. Il docente riflette sulle origini e il successo degli algoritmi genetici, osservando che la diversità è una componente chiave del loro successo.
Lezione 14. Apprendimento: spazi sparsi, fonologia
14. Apprendimento: spazi sparsi, fonologia
In questa sezione del video, il professor Winston introduce il concetto di spazi sparsi e fonologia come meccanismi legati alla ricerca su come gli esseri umani apprendono. Discute l'interazione tra ciò che vediamo e ciò che sentiamo quando si tratta di apprendimento delle lingue, utilizzando esempi per illustrare come i segnali visivi possono influenzare ciò che percepiamo nel linguaggio. L'oratore spiega gli elementi e le connessioni di una macchina progettata per riconoscere e produrre suoni del parlato, inclusi registri, un insieme di parole, vincoli e un buffer per i fonemi. Spiega anche la tecnica di generalizzazione dei modelli in fonologia utilizzando esempi positivi e negativi da cui imparare, utilizzando un esempio in classe di osservazione delle caratteristiche distintive associate alle parole "gatti" e "cani". Infine, discute l'importanza di creare vincoli che corrispondano alla funzione del meccanismo e di incorporare una rappresentazione visiva per comprendere e risolvere meglio un problema.