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 15. Apprendimento: quasi incidenti, condizioni di felicità
15. Apprendimento: quasi incidenti, condizioni di felicità
In questo video, il professor Patrick Winston discute il concetto di apprendimento dai quasi incidenti e dalle condizioni di felicità. Usa diversi esempi, tra cui la costruzione di un arco e l'identificazione dei vincoli specifici necessari affinché possa essere considerato un arco. Spiega anche come un programma per computer potrebbe identificare le caratteristiche chiave di un treno utilizzando l'apprendimento euristico. L'oratore sottolinea l'importanza dell'auto-spiegazione e della narrazione, in particolare come incorporare entrambi nelle presentazioni può far risaltare un'idea e diventare famosa. In definitiva, crede che le idee di confezionamento non riguardino solo l'intelligenza artificiale, ma anche fare buona scienza, rendersi più intelligenti e diventare più famosi.
Lezione 16. Apprendimento: Support Vector Machines
16. Apprendimento: supporta le macchine vettoriali
Nel video, Patrick Winston illustra come funzionano le Support Vector Machine (SVM) e come possono essere utilizzate per ottimizzare una regola decisionale. Spiega che l'algoritmo SVM utilizza una trasformazione, Phi, per spostare un vettore di input, x, in un nuovo spazio dove è più facile separare due vettori simili. La funzione kernel, k, fornisce il prodotto scalare di x sub i e x sub j. Tutto ciò che serve è la funzione, k, che è una funzione del kernel. Vapnik, un immigrato sovietico che ha lavorato a SVM nei primi anni '90, è accreditato di aver rilanciato l'idea del kernel e di averla resa una parte essenziale dell'approccio SVM.
Lezione 17. Apprendimento: potenziamento
17. Apprendimento: potenziamento
Il video discute l'idea del potenziamento, che combina diversi classificatori deboli per creare un classificatore forte. L'idea è che i classificatori deboli votino e il classificatore forte sia quello con il maggior numero di voti. Il video spiega come utilizzare un algoritmo di potenziamento per migliorare le prestazioni dei singoli classificatori.
Lezione 18. Rappresentazioni: Classi, Traiettorie, Transizioni
18. Rappresentazioni: Classi, Traiettorie, Transizioni
In questo video, il professor Patrick Winston discute il concetto di intelligenza umana, la capacità di formare rappresentazioni simboliche e la sua relazione con il linguaggio, e l'uso di reti semantiche per rappresentare il linguaggio e i pensieri interiori. Winston sottolinea l'importanza di comprendere i modelli fondamentali e sviluppare un vocabolario di cambiamento per aiutare a comprendere diversi oggetti e il loro comportamento. Inoltre, discute l'uso di frame di traiettoria per descrivere azioni che coinvolgono il movimento da una sorgente a una destinazione e l'importanza di rappresentazioni multiple per una migliore comprensione di una frase. Infine, Winston offre suggerimenti su come migliorare la scrittura tecnica, in particolare per i non madrelingua inglese, evitando un linguaggio ambiguo, pronomi confusi e cambiando parole.
Lezione 19. Architetture: GPS, SOAR, Sussunzione, Society of Mind
19. Architetture: GPS, SOAR, Sussunzione, Society of Mind
Questo video discute varie architetture per la creazione di sistemi intelligenti, tra cui il risolutore di problemi generali e l'architettura SOAR, che incorpora pesantemente esperimenti di psicologia cognitiva ed è focalizzata sulla risoluzione dei problemi. L'oratore discute anche di "Emotion Machine" di Marvin Minsky, che considera il pensiero su molti livelli, comprese le emozioni, e l'ipotesi del buon senso che sostiene la necessità di dotare i computer di buon senso come gli umani. Viene discussa anche l'architettura di sussunzione, ispirata alla struttura del cervello umano, con Roomba che ne è un esempio riuscito. La capacità di immaginare e percepire le cose è connessa alla capacità di descrivere eventi e comprendere la cultura, e il linguaggio gioca un ruolo cruciale nella costruzione di descrizioni e combinatori. Viene evidenziata l'importanza di impegnarsi in attività come guardare, ascoltare, disegnare e parlare per esercitare le aree di elaborazione del linguaggio del cervello e l'oratore mette in guardia contro chi parla velocemente che può bloccare l'elaboratore del linguaggio e portare a decisioni impulsive.
Lezione 21. Inferenza probabilistica I
21. Inferenza probabilistica I
In questo video sull'inferenza probabilistica, il professor Patrick Winston spiega come la probabilità può essere utilizzata nell'intelligenza artificiale per fare inferenze e calcolare le probabilità sulla base di vari scenari. Usa esempi come l'apparizione di una statua, un cane che abbaia a un procione o un ladro, e la fondazione del MIT nel 1861 a.C. per dimostrare l'uso di una tabella di probabilità congiunta, come calcolare le probabilità usando assiomi e la regola della catena, e i concetti di indipendenza e indipendenza condizionata. Il relatore sottolinea la necessità di dichiarare correttamente l'indipendenza delle variabili e propone l'uso di reti di credenze come un modo per rappresentare la causalità tra variabili semplificando i calcoli di probabilità.
Lezione 22. Inferenza probabilistica II
22. Inferenza probabilistica II
In questo video, il professor Patrick Winston spiega come utilizzare le reti di inferenza, note anche come "reti di Bayes", per fare inferenze probabilistiche. Discute come ordinare le variabili in una rete bayesiana utilizzando la regola della catena per calcolare la probabilità congiunta di tutte le variabili. Il relatore dimostra come accumulare probabilità eseguendo simulazioni e come generare probabilità utilizzando un modello. Discute anche della regola di Bayes e di come può essere utilizzata per risolvere problemi di classificazione, selezionare modelli e scoprire strutture. Il video sottolinea l'utilità dell'inferenza probabilistica in vari campi come la diagnosi medica, il rilevamento di bugie e la risoluzione dei problemi delle apparecchiature.
Lezione 23. Fusione di modelli, accoppiamento cross-modale, riepilogo del corso
23. Fusione di modelli, accoppiamento cross-modale, riepilogo del corso
In questo video, il professor Patrick Winston parla di fusione di modelli, accoppiamento intermodale e riflette sul materiale del corso. Discute l'importanza di scoprire la regolarità senza essere eccessivamente fissati sulla probabilità bayesiana e sui potenziali benefici dell'accoppiamento intermodale per comprendere il mondo che ci circonda. Offre anche suggerimenti per corsi futuri e sottolinea l'importanza di concentrarsi sulla creazione di nuove entrate e capacità con persone e computer che lavorano insieme, piuttosto che mirare esclusivamente a sostituire le persone. Inoltre, sottolinea l'importanza di identificare prima il problema e selezionare la metodologia appropriata per affrontarlo. Infine, il professore riflette sui limiti della riduzione dell'intelligenza a un modello replicabile e artificiale e sottolinea l'eccezionale lavoro del suo team.
Mega-R1. Sistemi basati su regole
Mega-R1. Sistemi basati su regole
Questo video si concentra sulla Mega-Recitazione, che è una lezione in stile tutorial per aiutare gli studenti a lavorare con il materiale trattato nelle lezioni e nelle recitazioni. Il video copre diversi argomenti relativi ai sistemi basati su regole, tra cui il concatenamento all'indietro, il concatenamento in avanti, l'ordine di tiebreak per le regole e il processo di corrispondenza. Il processo di concatenamento all'indietro comporta l'osservazione del conseguente di una regola e l'aggiunta degli antecedenti secondo necessità per raggiungere l'obiettivo principale, mentre il pareggio e la disambiguazione sono cruciali per l'albero degli obiettivi. Il video illustra anche il concatenamento in avanti e le regole di abbinamento alle asserzioni utilizzando una serie di asserzioni. L'oratore sottolinea l'importanza di verificare le affermazioni prima di utilizzare una regola ed evitare regole impotenti che non fanno nulla. Il processo di corrispondenza prevede l'utilizzo del concatenamento all'indietro per determinare quali regole corrispondono alle asserzioni fornite e il sistema darà la priorità alle regole con numero inferiore, indipendentemente dal fatto che siano nuove o meno.
Mega-R2. Ricerca di base, ricerca ottimale
Mega-R2. Ricerca di base, ricerca ottimale
Questo video di YouTube copre vari algoritmi e tecniche di ricerca, tra cui la ricerca approfondita, la ricerca in ampiezza, la ricerca ottimale e l'algoritmo A*. Il video utilizza un divertente esempio di un malvagio Overlord Mark Vader alla ricerca di una nuova roccaforte per illustrare questi concetti. Il relatore sottolinea l'importanza dell'ammissibilità e della coerenza nella ricerca di grafici e spiega l'uso di elenchi estesi per impedire la rivalutazione dei nodi. Il video affronta errori e domande comuni del pubblico e incoraggia gli spettatori a chiedere di più. Nel complesso, il video fornisce un'introduzione completa a questi algoritmi e tecniche di ricerca.