機械学習とニューラルネットワーク - ページ 19

[MetaQuotes]

講義 16. 学習: サポート ベクター マシン

16. 学習: サポート ベクター マシン

このビデオでは、パトリック ウィンストンが、サポート ベクター マシン (SVM) の仕組みと、それらを使用して決定ルールを最適化する方法について説明しています。彼は、SVM アルゴリズムが変換 Phi を使用して、入力ベクトル x を、2 つの類似したベクトルを分離しやすい新しい空間に移動すると説明しています。カーネル関数 k は、x sub i と x sub j の内積を提供します。必要なのは、カーネル関数である関数 k だけです。 1990 年代初頭に SVM に取り組んだソビエト移民の Vapnik は、カーネルのアイデアを復活させ、それを SVM アプローチの不可欠な部分にしたことで知られています。

• 00:00:00 サポート ベクター マシンは、スペースを分割して決定境界を決定する洗練された方法です。それらは Vladimir Vapnik によって開発されたもので、より正確な意思決定を可能にするため、非常に重要です。
  
  
• 00:05:00 このビデオでは、サポート ベクター マシンがどのように機能するかについて説明し、サンプルがポジティブかネガティブかの決定ルールを提供します。
  
  
• 00:10:00 このビデオでは、パトリック ウィンストンがサポート ベクター マシン (SVM) の概念を紹介しています。これは、問題の最適な解決策を見つけるのに役立つ機械学習アルゴリズムです。 SVM の最初の方程式はコスト関数です。これは、変数のベクトルを取り込んで数値を出力する関数です。コスト関数は、コスト関数の各変数の重要度に対応するベクトルである重みベクトルで乗算されます。 SVM の 2 番目の方程式は最適化問題です。これは、コスト関数と重みベクトルを取り込んで最適解を見つけようとする関数です。最適化問題は、コスト関数を最小化することによって解決されます。 SVM の最後の方程式は、SVM の出力である出力ベクトルです。
   
  
• 00:15:00 ビデオでは、サポート ベクター マシン (SVM) を使用して問題を解決する方法について説明し、この手法を使用して道路の幅を計算する方法を示しています。
  
  
• 00:20:00 このビデオでは、Patrick Winston が、制約付きの関数を最適化するためにラグランジュ乗数がどのように機能するかについて説明しています。このビデオでは、ラグランジュ乗数を使用して、制約のある関数の極値を見つける方法についても説明しています。
  
  
• 00:25:00 このビデオでは、サンプルの線形和がサンプルのコンポーネントの線形和に等しいことがわかります。さらに、異なる変数に関するラグランジュの導関数が微分され、アルファ i に y sub i を掛けた合計が 0 に等しいことが示されます。これは、ベクトル w がいくつかのアルファの合計に等しいことを意味します。 i、いくつかのスカラー、これにマイナス 1 またはプラス 1 の変数を掛けます。
  
  
• 00:30:00 このビデオでは、サポート ベクター マシンを使用して二次最適化問題を解く方法を説明しています。決定ベクトルはサンプルの線形和であり、代数は簡単であることが説明されています。生徒は、問題のすべての項について、代数はアルファ i と y サブ i と x サブ i の合計を取ることによって単純化されると説明します。
  
  
• 00:35:00 このビデオでは、数学者が、決定ルールの最適化がサンプルのペアの内積のみに依存する方法を説明しています。これは、数学的解析が実行可能であり、最適化アルゴリズムが 2 つの最適解を分離する直線を見つけることを示しています。
  
  
• 00:40:00 サポート ベクター マシンでは、変換 Phi を使用して、入力ベクトル x を、2 つの類似したベクトルを分離しやすい新しい空間に移動します。カーネル関数 k は、x sub i と x sub j の内積を提供します。必要なのは、カーネル関数である関数 k だけです。
  
  
• 00:45:00 このビデオでは、サポート ベクター マシン (SVM) の仕組みと、カーネルを使用して SVM のパフォーマンスを向上させる方法について説明しています。 1990 年代初頭に SVM に取り組んだソビエト移民の Vapnik は、カーネルのアイデアを復活させ、それを SVM アプローチの不可欠な部分にしたことで知られています。

[MetaQuotes]

講義 17. 学習: ブースティング

17. 学習: ブースティング

このビデオでは、いくつかの弱い分類器を組み合わせて強い分類器を作成するブースティングの考え方について説明しています。弱い分類器が投票し、強い分類器が最も多くの票を獲得するという考え方です。このビデオでは、ブースティング アルゴリズムを使用して個々の分類器のパフォーマンスを向上させる方法について説明しています。

• 00:00:00 ビデオでは、いくつかの弱い分類器を組み合わせて強い分類器を作成するブースティングのアイデアについて説明しています。弱い分類器が投票し、強い分類器が最も多くの票を獲得するという考え方です。
  
  
• 00:05:00 YouTube ビデオでは、ブースティング アルゴリズムを使用して個々の分類器のパフォーマンスを向上させる方法を説明しています。このアルゴリズムでは、異なるデータセットで各分類器をトレーニングし、結果を結合します。このビデオでは、このアルゴリズムを使用する際に過剰適合を回避する方法についても説明しています。
  
  
• 00:10:00 ビデオでは、講演者は、機械学習アルゴリズムを「ブースト」することで精度を向上させる方法について話しています。ブーストには、歪んだサンプルのセットを調べることが含まれます。アルゴリズムが間違っているサンプルは、結果に誇張された影響を与えます。これにより、アルゴリズムは間違いから学び、精度を向上させることができます。
  
  
• 00:15:00 YouTube ビデオでは、スピーカーはブースティングを使用してテストのバッチを作成する方法を説明しています。また、エラー率の計算方法と、一部のエラーの影響を誇張するために重みを使用する方法についても説明しています。
  
  
• 00:20:00 スピーカーは、それぞれ独自の重みを持つ複数の分類器を組み合わせて分類器を構築する方法を説明します。彼は、これが分類器の最先端であり、単に分類器を追加するよりも効果的であると説明しています。
  
  
• 00:25:00 ビデオでは、ブースティング学習アルゴリズムに含まれるさまざまなステップについて説明しています。これらの手順には、誤り率を最小化する分類器の選択、アルファ値の計算、分類器を使用した修正された重みの生成が含まれます。アルゴリズムの全体的な目標は、すべてのサンプル データに対して完全な結論を生成する分類子を作成することです。
  
  
• 00:30:00 このビデオでは、エラー率を最小限に抑えてパフォーマンスを向上させるように機械を学習させる方法について説明しています。これを一連の例で示し、エラー率を指数関数的に減少させる方法を示します。
  
  
• 00:35:00 このビデオでは、スピーカーはアルファ値を使用して新しい重みを計算する方法を説明しています。彼は、プログラムがどのように機能するか、また、この種のことを行うためのより良い方法を見つけるためには、どのように計算を行う必要があるかについて語っています。彼はまた、誤り率の平方根を 1 で割った値から誤り率を引いた値が、答えが正しい場合の重みの乗数であり、1 の平方根から誤り率を引いた値を誤り率で割った値が重みの乗数であると説明しています。答えが間違っている場合の重み。
  
  
• 00:40:00 正しく分類されたサンプルの重みの合計は 1/2 であり、誤って分類されたサンプルの重みの合計は 1/2 です。
  
  
• 00:45:00 ブースティングは、機械学習モデルのパフォーマンスを向上させるために使用される方法です。複数の弱いモデルを組み合わせて、より強いモデルを作成することで機能します。ブースティングはオーバーフィッティングを減らす効果があり、手書き認識や音声理解などの分野でよく使われます。
  
  
• 00:50:00 このビデオでは、機械学習アルゴリズムのパフォーマンスを向上させる方法である「ブースティング」の概念について説明しています。ブースティングには、一連の弱分類器のトレーニングと、それらの予測の組み合わせが含まれます。通常、これにより、単一の強力な分類子を使用する場合よりもパフォーマンスが大幅に向上します。

[MetaQuotes]

講義 18. 表現: クラス、軌跡、遷移

18. 表現: クラス、軌跡、遷移

このビデオでは、パトリック ウィンストン教授が、人間の知性の概念、象徴的な表現を形成する能力とその言語との関係、セマンティック ネットを使用して内なる言語と思考を表現する方法について説明しています。ウィンストンは、基本的なパターンを理解し、さまざまなオブジェクトとその動作を理解するのに役立つ変化の語彙を開発することの重要性を強調しています。さらに、ソースから目的地への動きを含むアクションを記述するための軌道フレームの使用と、文をよりよく理解するための複数の表現の重要性についても説明しています。最後に、Winston は、あいまいな言葉遣いを避け、代名詞を混乱させ、言葉を入れ替えることによって、特に英語を母国語としない人のために、テクニカル ライティングを改善する方法についてのヒントを提供します。

• 00:00:00 このセクションでは、パトリック ウィンストンが、機械の知能と比較して人間の知能の性質を考察することから始めます。彼は、マシンはサポート ベクター マシンやブースティングなどの方法でスマート タスクを実行できますが、自分が何をしているのかを理解しておらず、人間の知性についての洞察を提供していないと説明しています。次にウィンストンは、人間の知能の進化的展望について議論し、家系図における脳のサイズの増大に焦点を当てています。しかし、現生人類よりも大きな脳を持っていたネアンデルタール人はあまり影響を与えなかったため、脳の大きさだけでは人間の知性を説明するのに十分ではないと彼は指摘する.代わりに、他の誰も持っていないものを開発し、すぐに引き継いだのは南アフリカのホモサピエンスのグループでした.ツールとアートワークがそれを証明しています.
  
  
• 00:05:00 このセクションでは、スピーカーは、象徴的な表現を形成する能力によって、人間が物語を語り、理解できるようになったという考えについて説明します。言語の発達に関連したこの能力により、私たちの種は特別なものになりました.2つの概念を組み合わせて3番目の概念を無限に形成することができたからです.彼はまた、「内なる言語」の概念についても議論しています - 私たちが考える言語であり、私たちがコミュニケーションする言語と同じではないかもしれません.スピーカーは、意味を伝えるノードとリンクのネットワークであるセマンティック ネットの使用を提案し、内なる言語と思考を表現します。彼はセマンティック ネットの例を提供しています。たとえば、サポート関係を記録するネットや、マクベスのイベントを追跡するネットなどです。
  
  
• 00:10:00 このセクションでは、スピーカーはセマンティック ネットの概念、その要素、および人工知能への応用について説明します。セマンティック ネットは、ノードとリンクを使用して情報を表現する方法であり、リンクはノードを接続します。リンク間の接続を、他のリンクのサブジェクトまたはオブジェクトにすることができるオブジェクトとして扱うことができます。もう 1 つの概念は「具体化」です。これは、リンクをオブジェクトとして扱うプロセスです。講演者は、コンビネータ ネットワークの概念の上にローカリゼーション レイヤーを配置することの重要性を強調しています。分類の使用は、セマンティック ネットの内部言語で最も有用な要素の 1 つであり、ピアノ、ツール、マップなどに適用されます。また、物理的な世界との接触に基づいていない機械に私たちの理解を投影する、寄生的なセマンティクスのリスクもあります。
  
  
• 00:15:00 このセクションでは、パトリック ウィンストン教授がオブジェクトの理解におけるレベルの概念について説明します。彼は、私たちがさまざまなレベルでさまざまなことについて知っていることを強調し、分類の特異性に基づいて、いくつかのオブジェクトは他のオブジェクトよりも視覚化しやすい.たとえば、ツールの図を作成するのは困難ですが、ボール ピーン ハンマーはより具体的であるため、視覚化が容易です。ウィンストンはまた、階層内の要素を使用して、オブジェクトに関する知識をぶら下げます。階層内の基本レベルは、「ピアノ」という言葉のように、ほとんどの知識をぶら下げる場所です。さらに、ウィンストンは、車が壁に衝突する例を使用して、階層内のさまざまなレベルにあるオブジェクトについてどのように話すかについて説明します。これには、車の速度、壁までの距離、および壁の状態などのさまざまなことを考慮する必要があります。車。
  
  
• 00:20:00 このセクションでは、自動車事故などのイベントの前、最中、後など、さまざまな期間のオブジェクトを理解するために変化の語彙をどのように使用できるかについて話します。語彙には、減少、増加、変化、現れる、消えるなどの要素が含まれており、これらはすべて視覚に深く関係しています。類推は、カメラの仕組みなど、さまざまな概念を理解するためにも使用されます。話者はまた、表現の 3 番目の要素として軌跡を紹介します。これには、軌跡に沿って移動するオブジェクトが含まれます。全体として、スピーカーは、基本的なパターンを理解し、さまざまなオブジェクトとその動作を理解するのに役立つ言語を開発することの重要性を強調しています。
  
  
• 00:25:00 このセクションでは、スピーカーは、ソースから目的地へのモーションを含むアクションを説明するための軌道フレームの使用について説明します。これらのフレームは、オブジェクト、エージェント、インストゥルメントなどのさまざまな要素で構成されています。講演者は、英語などの言語では、これらの要素を装飾するために前置詞がよく使用されることに注意します。さらに、スピーカーは、軌跡を欠いているが、手段や受益者などの要素をまだ含んでいる役割フレームについて説明します。講演者は、これらのフレームはウォール ストリート ジャーナル コーパスで一般的に見られ、特定のテキストの遷移と軌跡の密度を分析するために使用できると説明しています。最後に、話者はストーリー シーケンスの概念を紹介し、トラブルを避けるために選択された性別に中立な名前の例を示します。
  
  
• 00:30:00 このセクションでは、複数の表現の重要性と、それらが文の理解を深める方法について説明します。与えられた例は、Pat が Chris を慰めるもので、これは役割フレームと、おそらく気分が改善されたと思われるオブジェクト (Chris) を含む遷移フレームに分解できます。このビデオでは、アクションをネガティブなもの (恐怖など) に変更すると、フレームにどのような影響があるかについても説明しています。さらに、このビデオでは、「Pat kissed Chris」のような文から形成できる一種の心的イメージとして、軌跡フレームのアイデアを紹介しています。
  
  
• 00:35:00 このセクションでは、ジョーダン ピーターソン教授が、人間が一連の出来事をどのように使用して物語の表現を作成するかについて説明します。彼は、この表現が、キスや刺すような単純な行為から複雑な物語にまで及ぶこと、および出来事が発生する状況によってどのように変化するかを説明しています.彼はまた、ストーリーテリングにおけるシーケンスの重要性と、私たちの記憶がシーケンスのアイデアに根ざしていることについても話します.最後に、イベント フレーム、災害フレーム、パーティー フレームなど、人間が属するスーパー クラスに基づいて、人間が遭遇するストーリーについてより理解を深めるために、ストーリーのライブラリがどのように役立つかについて説明します。
  
  
• 00:40:00 このセクションでは、スピーカーは、イベントをパーティーや災害などの種類のフレームにグループ化する方法について説明します。各フレームには、死亡者や新郎新婦の名前などの種類の情報を入力する特定のスロットがあります。ただし、代名詞の先行詞には構文上の問題があるため、ストーリーを理解するのは難しい場合があります。スピーカーは、理解を妨げる可能性があるため、ストーリーテリングに不必要な構文上の困難を加えないことの重要性を強調します。新聞記者は、読者が情報を簡単に理解できるように、明確かつ簡潔な方法で記事を書きます。
  
  
• 00:45:00 このセクションでは、Patrick Winston がテクニカル ライティングを上達させるためのヒントを提供しています。特に、ロシア語とドイツ語のライターが英語で明確に書きたいと考えている場合に役立ちます。彼は、読み手のあいまいさと混乱を減らすために代名詞を避け、代わりに明確な名詞を使用することを提案しています。彼はまた、「前者」や「後者」など、読者が意味を特定するために後から参照する必要がある単語を避け、「シャベル」や「スペード」などの単語を入れ替えないようにすることの重要性を強調しています。ウィンストン氏によると、これらの単純なルールに従うことで、テクニカル ライターは自分の文章をより明確にし、読者が理解しやすくすることができます。

[MetaQuotes]

講義 19. アーキテクチャ: GPS、SOAR、Subsumption、Society of Mind

19. アーキテクチャ: GPS、SOAR、Subsumption、Society of Mind

このビデオでは、一般的な問題解決ツールや、認知心理学の実験を多用し、問題解決に重点を置いた SOAR アーキテクチャなど、インテリジェント システムを作成するためのさまざまなアーキテクチャについて説明します。講演者はまた、マーヴィン・ミンスキーの「エモーション・マシーン」について議論します。これは、感情を含む多くの層での思考を考慮したものであり、コンピューターに人間のような常識を持たせることを主張する常識仮説についても説明しています。人間の脳の構造に着想を得た包摂アーキテクチャについても説明されており、ルンバが成功例です。物事を想像し、知覚する能力は、出来事を説明し、文化を理解する能力に結びついており、言語は説明と結合者を構築する上で重要な役割を果たします。脳の言語処理領域を鍛えるために、見る、聞く、描く、話すなどの活動に従事することの重要性が強調され、話者は、言語プロセッサを妨害し、衝動的な決定につながる可能性のある早口の人に対して警告します。

• 00:00:00 このセクションでは、教授はインテリジェント システムを作成するためのさまざまな代替アーキテクチャについて説明します。彼は、2007 年のエストニアのサイバー攻撃と、後で実演するものを除いて、どのコンピューターもその背後にある物語を理解できないことについて話すことから始めます。次に、カーネギー メロン大学で Newell と Simon によって開発された一般的な問題解決ツールについて説明します。このソリューションでは、インテリジェント システムは、現在の状態と目標状態の間の記号的な違いを測定し、中間状態から次の状態に移動する演算子を選択することによって動作します。より良い状態、目標が達成されるまでプロセスを繰り返します。このセクションは、次の講義でカバーされるアイデアの説明で終わります。この講義では、AI ビジネスで会社を始めるときに破産を回避する方法に焦点を当てます。
  
  
• 00:05:00 このセクションでは、手段-目的分析の概念について学びます。これには、現在の状態と望ましい最終状態の違いを特定し、適切な演算子を選択して違いを最小限に抑えることが含まれます。 MIT から家に帰る問題を解決するために手段-目的分析を使用する例が提示され、目的の最終状態が達成されるまで違いを特定し、演算子を選択する再帰的なプロセスを示します。当時、一般的な問題解決ツールの概念は刺激的なアイデアでしたが、違いをオペレーターに関連付ける表を作成することが困難であったため、期待どおりにはなりませんでした。これにより、"State Operator And Result" の略である新しい SOAR アーキテクチャが開発されましたが、このアーキテクチャの支持者は、これは頭字語ではなく単なるラベルであると主張しています。
  
  
• 00:10:00 このセクションでは、SOAR アーキテクチャとそのさまざまなコンポーネントに焦点を当てています。 SOAR は、長期記憶と短期記憶、視覚システム、行動システム、および選好システムで構成されています。このアーキテクチャには認知心理学の実験が大きく組み込まれており、主な焦点は問題解決にあります。さらに、SOAR には、ルールベースのシステムの結びつきを断ち切るための精巧なサブシステムがあり、人間はシンボル操作者であるという考えに基づいています。このシステムは、問題を体系的に解決するように設計されており、ルールベースのシステムの関係を断ち切るための精巧な優先システムを備えています。
  
  
• 00:15:00このセクションでは、スピーカーは、SOAR や Newell のアーキテクチャなど、問題解決に大きく偏ったさまざまなアーキテクチャについて説明します。ただし、講演者によると、最も重要なアーキテクチャは、問題解決がどのようにレイヤーで行われるかを強調する、マービン ミンスキーの「The Emotion Machine」です。スピーカーは、女性が道路を横断している短いビネットを通して、マーヴィンの建築の例を提供します。マーヴィンの建築は、音を聞いたときの本能的な反応から始まり、社会的文脈における内省的な思考まで、女性が経験するさまざまなレベルの思考に光を当てています。
  
  
• 00:20:00このセクションでは、SOAR アーキテクチャが問題解決に焦点を当てているのに対し、ミンスキーの「エモーション マシン」は、感情を含む多くの層での思考を考慮しています。しかし、常識の発達は、そのような思考を達成するための障害となります。コンピューターには、常識があまり備わっていないからです。このように、常識仮説は、コンピューターがそのような知的思考プロセスを持つためには、人間のような常識を備えている必要があると主張しています。これにより、オープン マインド プロジェクトが生まれ、層状の思考を実現する手段として、ワールド ワイド ウェブから常識が収集されました。対照的に、Rod Brooks と彼の包摂アーキテクチャは、カプセル化されたビジョン システム、推論システム、およびアクション システムを備えたロボットを構築することについて、人々が間違った方法で考えているため、ロボットには多くのことができないと考えています。代わりに、ブルックスは、オブジェクトを回避する、さまよう、探索する、探すなど、世界を扱うことに焦点を当てた抽象化の層を持つことを提案しています。
  
  
• 00:25:00このセクションでは、人間の脳がどのように構築されているかに触発されたロドニー・ブルックスによって提案されたアーキテクチャについて話します。ブルックスは、コースで表現に焦点を当てた方法で必ずしも表現を必要とせずに、機械を昆虫のように賢く振る舞わせることができると仮定しました。彼のアイデアは、モデルの代わりに世界を使用することでした。そのため、頭の中に部屋の地図を持っているのではなく、行うことはすべて反応的です。最も純粋な形のメカニズムは、有限状態マシンです。ブルックスはこのアイデアを包摂アーキテクチャと名付け、大きな成功を収めたルンバ ロボットで使用されました。ルンバはナビゲーションに赤外線近接センサーを使用しているため、集中コントローラーや世界モデルの必要性を回避できます。
  
  
• 00:30:00ビデオのこのセクションでは、スピーカーは、缶を見つけてそれを拾うことができるロボットで例示されている包摂アーキテクチャについて説明します。ロボットはレーザー光ストライパーを使用して缶の位置を特定し、アームにセンサーを搭載して特定の方法で缶をつかみます。また、ロボットは磁気コンパスを使用して出発点に戻ります。講演者は、SOAR や GPS などの他のアーキテクチャについても言及し、言語を中心として知覚システムを導くジェネシス アーキテクチャを紹介します。
  
  
• 00:35:00このセクションでは、スピーカーは、物事を想像して知覚する能力が、出来事を記述し、物語を語り、理解し、最終的に文化を理解する能力にどのように関連しているかについて説明します。彼は、テーブルソーを操作する際に手袋を着用することの危険性など、明示的に教えられていないことを人々がどのように知っているかの例を挙げています.彼は、50,000 年前に私たちの種が開花したことの可能な説明として、「ストロング ストーリー仮説」を提案しています。
  
  
• 00:40:00このセクションでは、認知および発達心理学でこれまでに行われた一連の実験の中で最も重要と考えられている実験について学びます。この実験では、長方形の部屋の向かい合う 2 つのコーナーにあるバスケットに食べ物を置き、ネズミ、小さな子供、大人を回転させて、どこに行くかを確認します。片方の壁が青く塗られている場合を除いて、彼らは皆、食べ物を持って2つの角に行く傾向があります.ネズミと子供は同じ確率で斜めの 2 つの角に行きますが、大人は食べ物のある角にしか行きません。世界を説明するために左と右という言葉を使い始めると、子供は大人になります。
  
  
• 00:45:00このセクションでは、スピーカーがボランティアを対象に実験を行い、説明とコンバイナーの構築において言語がいかに重要な役割を果たすかを示します。この実験では、ボランティアが本の一節を読みながらそれを同時に繰り返し、言語プロセッサを妨害し、特定の形や色を関連付けることができなくなります。話し手は、見る、聞く、絵を描く、話すなどの活動を行うことで、言語処理を担当する脳の同じ領域を鍛えることができ、頭が良くなるとアドバイスしています。さらに、話し手は早口の人や、早口の人が言語プロセッサを妨害し、衝動的に決断を下す可能性があることを警告します。

[MetaQuotes]

講義 21. 確率的推論 I

21. 確率的推論 I

確率論的推論に関するこのビデオでは、Patrick Winston 教授が、人工知能で確率を使用して推論を行い、さまざまなシナリオに基づいて確率を計算する方法について説明しています。彼は、彫像の出現、アライグマや強盗に吠える犬、紀元前 1861 年の MIT の設立などの例を使用して、結合確率表の使用法、公理と連鎖則を使用して確率を計算する方法を示しています。独立性と条件付き独立性の概念。スピーカーは、変数の独立性を正しく述べる必要性を強調し、確率計算を簡素化しながら変数間の因果関係を表す方法として信念ネットの使用を提案します。

• 00:00:00 ビデオのこのセクションでは、パトリック ウィンストン教授が、人工知能における確率の使用、特にランダムな事象の観察に関連する方法について説明しています。彼は、キャンパスで彫像の外観を観察する例を使用し、彫像の外観につながる可能性のあるイベントの可能な組み合わせを追跡するテーブルを作成します。彼は、表の行数は変数の数の 2 倍であり、長期間の観察を使用して、これらの各イベントが発生する確率を判断できることに注目しています。最終的に、特定のイベントの確率は、単にその発生頻度を観測の総数で割ったものです。
  
  
• 00:05:00 このセクションでは、プレゼンターが結合確率テーブルを使用してさまざまな確率を計算する方法を示します。使用されている例では、アート ショーやハッキングの存在など、特定の条件が満たされている場合に、彫像が出現する確率を知ることが含まれます。プレゼンターは、吠える犬に基づいてアライグマが現れる確率、およびアライグマが存在する場合に犬が吠える確率についても同様の計算を実行します。このデモンストレーションでは、結合確率テーブルを使用して、さまざまなシナリオに基づいて推論を行い、確率を計算する方法を示します。
  
  
• 00:10:00 このセクションでは、確率的推論を計算するための同時確率テーブルの使用についてスピーカーが説明します。このツールの有用性にもかかわらず、より複雑な状況では多数の行が必要になるため、管理が困難になる可能性があるため、確率的推論に加えて他の方法を検討する必要があります。講演者は、MIT が紀元前 1861 年に設立されたという架空のシナリオも提示し、どの物体が浮いているかを判断するために使用された可能性のある実験方法について説明します。
  
  
• 00:15:00 このセクションでは、スピーカーは確率の基礎とそれを支える公理について説明します。彼らは、確率は 0 より大きく 1 未満でなければならないこと、およびバイナリの世界では真の確率は 1 で偽の確率は 0 であることを説明しています。話者はまた、A の確率と確率B の確率から A と B の確率を引いたものは、A または B の確率に等しい。彼らは、この確率の基本的な理解が、確率論的推論で使用されるより複雑な計算の基礎として役立つことに注目しています。
  
  
• 00:20:00 このセクションでは、スピーカーは、公理を使用して確率を処理するための形式的なアプローチと、空間に関する議論を含む直感によってどのように反映できるかについて説明します。 a の確率は、長方形の総面積に対する円のサイズに関連付けられており、公理 1 ～ 3 はその図に関して意味があります。次にスピーカーは、条件付き確率と、それが与えられた b の確率としてどのように定義されるかを説明します。これは、a と b の確率を B の確率で割った値に等しくなります。元の宇宙の一部。
  
  
• 00:25:00 このセクションでは、スピーカーは確率空間を 3 つの部分に分割するという考え方を紹介し、a、b、c の確率をどのように決定できるかを説明します。式を展開すると、すべてがそうである確率は、3 つの条件付き確率の積に分割されます。次に、話者はこの考えを連鎖律に一般化します。これは、一連のものの確率は条件付き確率の積として記述できると述べています。話者は図の途中に過ぎませんが、順調に進んでいることを示しています。彼らが議論する次の概念は、条件付き確率のアイデアです。
  
  
• 00:30:00 このセクションでは、教授が独立性と条件付き独立性の定義について説明します。独立性とは、a の確率が b で何が起こっているかに依存しない場合です。たとえば、a と b が独立している場合、与えられた b は a に等しくなります。条件付き独立とは、世界が z 内に制限されている場合、a の確率は b の値に依存しないことを意味します。教授は、直観主義の図を使用してこれらの概念を説明し、図の領域を使用して確率を示します。
  
  
• 00:35:00 このセクションでは、講師は確率論的推論における条件付き独立性と、それが変数の同時確率の推論にどのようにつながるかについて説明します。彼は、アライグマや強盗に吠える犬の例を使用して概念を説明し、さらに 2 つの変数を追加すると、大きな同時確率表が必要になることを説明しています。次に、変数間の因果関係を表す方法として信念ネットのアイデアを紹介し、すべてのノードがその非子孫変数から独立していることを正しく述べる必要性を強調しています。
  
  
• 00:40:00 このセクションでは、スピーカーは、非子孫の親を考慮した独立性の概念と、確率論的推論においてこの言語を理解することの重要性について説明します。次にスピーカーは、アライグマなどの他の要因の存在に基づいて、強盗の出現や犬の吠えなどのさまざまなイベントの確率を決定するモデルを作成します。話者は、モデルを指定するのに 10 個の数値しか必要としないことに注意します。これにより、結合確率表をすぐに構築しようとする場合に比べて、かなりの労力を節約できます。
  
  
• 00:45:00 このセクションでは、スピーカーは完全結合確率表の計算におけるチェーン ルールの使用について説明します。彼らは、条件付きの独立性の知識を使用して、子孫に依存しないため、式から特定の確率を取り除くことができる方法を説明しています。数式を特定の方法で配置することにより、話者は、数字を作成したり、多くの測定を行ったりすることなく、完全な同時確率表を計算できます。講演者は、この特定のケースでは、32 の数字のうち 10 の数字を考案するだけで済み、より多くのプロパティがあればどれだけの節約が達成されるかを疑問視していると述べています。

[MetaQuotes]

講義 22. 確率的推論 II

22. 確率的推論 II

このビデオでは、パトリック ウィンストン教授が、「ベイズ ネット」とも呼ばれる推論ネットを使用して確率的推論を行う方法を説明しています。彼は、連鎖則を使用してベイジアン ネットワーク内の変数を並べ替え、すべての変数の同時確率を計算する方法について説明しています。スピーカーは、シミュレーションを実行して確率を累積する方法と、モデルを使用して確率を生成する方法を示します。また、ベイズ ルールと、それを使用して分類問題を解決し、モデルを選択し、構造を発見する方法についても説明します。このビデオでは、医療診断、嘘発見、機器のトラブルシューティングなど、さまざまな分野における確率的推論の有用性を強調しています。

• 00:00:00 このセクションでは、パトリック ウィンストン教授が、確率的推論を行うために使用される「ベイズ ネット」とも呼ばれる推論ネットの使用について説明します。彼は、適切なボックスをクリックして確率を決定するために使用できる同時確率表を確認することから始めますが、問題は、多くの変数が関係している場合、数値を作成または収集するのが難しく、時間がかかることです。次に、推論ネットを使用して計算を実行し、イベントが同時に発生する可能性を取得します。ここでは連鎖律を用いており、この規則について説明して本項を終了する。
  
  
• 00:05:00 このセクションでは、スピーカーは、ベイジアン ネットワークで変数を順序付けするプロセスと、それをチェーン ルールで使用してすべての変数の同時確率を計算する方法について説明します。その子孫がその左側に直線的に現れないように変数を配置し、連鎖法則を使用することで、彼はそれらの変数の特定の組み合わせの確率を計算することができます。彼は、このシナリオのすべての条件付き確率は非子孫であり、依存関係に基づいて変数を削除すると、テーブル内のエントリを計算するのに役立つと主張しています。
  
  
• 00:10:00 このセクションでは、テーブルで実行できることを小さなネットワークを使用して実行する方法と、これを達成するために必要な確率について説明します。彼は、犬が吠える確率または B が発生する確率を計算するために必要な集計を追跡するためにテーブルを拡張する方法について説明し、実験結果を使用してテーブルの関連するセクションに目盛りまたは集計を与え、最終的にプロセス。
  
  
• 00:15:00 ビデオのこのセクションでは、教授はシミュレーションを実行してネットワークの確率を累積する方法を示すことから始めます。彼は、表をどのように解釈し、特定の組み合わせが出現する頻度についてデータ要素が何を示しているかを追跡する方法を説明しています。彼は複数のシミュレーションを実行して、より正確な確率を取得します。次に、上位の確率テーブルを行ったり来たりしてコインを投げることで、すべての変数の値の組み合わせを生成するシステムをシミュレートする方法を示します。
  
  
• 00:20:00 このセクションでは、スピーカーは、確率の表で適切な行を選択して、シナリオの確率を生成するプロセスについて説明します。次にスピーカーは、左側のモデルを使用してこれらの確率を生成する方法を説明します。このモデルは、右側の確率を計算するためのデータを生成するために使用できます。ただし、話者は、特定のシナリオには複数の正しいモデルが存在する可能性があることを認めており、どれが正しいかを判断するのが難しくなっています。この問題に対処するために、スピーカーは単純なベイジアン推論の概念を紹介します。これには、ベイズの定理を使用して計算できるように条件付き確率を書き直すことが含まれます。
  
  
• 00:25:00 このセクションでは、ベイズの法則を使用して分類問題を解決する方法をビデオで説明しています。たとえば、病気の診断では、証拠が与えられた場合の病気の確率は、病気が与えられた証拠の確率を証拠の全体的な確率で割り、これに与えられた病気の事前確率を掛けることによって計算できます。複数の独立した証拠が存在する場合、特定の疾患の証拠の結合確率を証拠の全体的な確率で割った値を計算し、関連するすべてのクラスの確率を比較できます。
  
  
• 00:30:00 このセクションでは、講師が 2 つのコインを選択することについての話をします。1 つは表の確率が 0.8 にバイアスされ、もう 1 つは表の確率が 0.5 にバイアスされています。コインを投げた後、講師はベイジアン確率を使用して、以前の確率とフリップからの証拠に基づいて、どのコインが選択されたかを判断します。講義では、確率論的推論においてさまざまな仮説の確率を決定するために証拠を使用する方法を示します。
  
  
• 00:35:00 このセクションでは、一連のフリップでさまざまなコインの確率がどのように変化するか、および証拠の優位性が表を得る確率をどのように変えることができるかを教授が示しています。大数の法則が働き始め、選択したコインが有効になる確率はますます 1 に近づきます。次に、教授はこの概念を使用して、子供の政党を見て親政党の分類子を作成し、その政党について推論します。親が所属する政党。全体として、確率的推論の概念をさまざまなシナリオに適用して、予測を行い、結論を導き出すことができます。
  
  
• 00:40:00 ビデオのこのセクションでは、スピーカーは、ベイジアン ハックを使用して 2 つのモデルを比較し、データに基づいて最適なモデルを選択する方法について説明します。このプロセスには、モデルからの描画のシミュレーションと、データが与えられた各モデルの確率の計算が含まれます。次に、スピーカーは構造の発見に進みます。ここでは、変数がリンクされていない状態から開始し、ランダム検索を使用してモデルを変更し、好ましいモデルが見つかるまで比較します。このプロセスでは、32 ビット マシンで情報が失われないように、積の代わりに確率の対数の合計を使用する必要があります。ただし、空間が大きく、極大値が大きいため、最適な構造の検索は困難な場合があります。
  
  
• 00:45:00 このセクションでは、スピーカーは、医療診断、嘘発見、機器のトラブルシューティングなど、さまざまな分野における確率的推論と構造発見の有用性について説明します。彼は、確率計算が情報が限られている場合に使用する適切なアプローチであり、この方法を使用して観察された症状に基づいて問題の最も可能性の高い原因を特定する方法について説明しています。講演者はまた、この方法を使用してパターンやストーリーを発見する方法について、今後の議論を示唆しています。

[MetaQuotes]

講義 23. モデルのマージ、クロスモーダル結合、コースのまとめ

23. モデルのマージ、クロスモーダル結合、コースのまとめ

このビデオでは、Patrick Winston 教授がモデルのマージ、クロスモーダル結合について話し、コースの内容を振り返ります。彼は、ベイジアン確率に過度に固執することなく規則性を発見することの重要性と、私たちの周りの世界を理解するためのクロスモーダルカップリングの潜在的な利点について説明しています.彼はまた、将来のコースについて提案を行い、単に人を置き換えることを目的とするのではなく、人とコンピューターが協力して新しい収益と能力を生み出すことに焦点を当てることの重要性を強調しています.さらに、彼は最初に問題を特定し、それに対処するための適切な方法論を選択することの重要性を強調しています。最後に、教授は知性を複製可能な人工モデルに還元することの限界を振り返り、彼のチームの並外れた仕事を強調します。

• 00:00:00 このセクションでは、Patrick Winston がモデルのマージとクロスモーダル結合について話します。彼は、2 つのストーリーでイベントを発見し、それらを 2 つのストーリー グラフに組み立てるなど、他の方法では見つけられない状況で構造を発見する方法を示すことで、ベイジアン ストーリーのマージのアイデアを示しています。彼はまた、機械学習とクラウド コンピューティングを効率的に使用するいくつかのレベルを通じて概念を発見する能力についても語っています。最後に、彼は、複数のモダリティとそれらの間の対応を使用して、キンカチョウの歌に寄与する両方のモダリティを整理するマイケル・コーエンのプログラムを紹介します。
  
  
• 00:05:00 このセクションでは、母音を生成するジェスチャを音自体に関連付ける例を通して、クロスモーダル結合の概念を説明します。母音のフーリエ変換はフォルマントを生成し、口の周りの楕円は 2 番目のモダリティを形成します。クロスモーダル カップリング データを使用すると、データをマークアップしなくても、サウンドをクラスタ化し、リップ フォームをサウンドに関連付けることができます。 Coen の作品によるデモンストレーションでは、メトリックのコンポーネントとして射影とベクトルを使用してクラスターを形成する方法を示しています。
  
  
• 00:10:00 このセクションでは、スピーカーはクロスモーダル結合の概念と、提示された世界を理解するのにどのように役立つかについて説明します。彼は、ベイジアン確率に執着しなくても規則性を発見することが可能であり、この種のカップリングのアイデアは、私たちの周りの世界の理解に結びついている可能性が高いと示唆しています.講演者はまた、コースの内容を要約し、人工知能の洗練されたアプリケーションを作成する上で工学と科学の両方の視点が重要であることを強調します。彼はまた、単に人を置き換えることを目的とするのではなく、人とコンピューターが連携して新しい収益と機能を生み出すことに焦点を当てる必要があると指摘しています。
  
  
• 00:15:00 このセクションでは、モデルの作成と実験の実施においてプログラミングが提供する独自の利点についてスピーカーが説明します。具体的には、プログラミングはメタファを提供し、これらのモデルの意味をテストするための実験を可能にするモデルを作成する機能を提供します。スピーカーはまた、メカニズムの嫉妬に陥って特定の方法に焦点を当てるのではなく、最初に問題を特定してから、使用する適切な方法論または機械を選択することの重要性を強調しています。最後に、講演者は試験形式を簡単に確認し、時計と電卓を持参することや、試験中に柔軟に衣装を着用することなど、学生にいくつかの注意事項を提供します.
  
  
• 00:20:00 このセクションでは、教授は次の学期に何をすべきかについていくつかの提案をします。その中には、マービン ミンスキーの科目、Society of Mind、またはボブ バーウィックの言語理解と進化に関する科目、またはジェリー サスマンの大規模記号システム科目の受講が含まれます。彼はまた、彼自身の春のコースであるヒューマン インテリジェンス エンタープライズを推進しています。教授は自分のコースを人文科学コースと説明しており、講義はありませんが、彼との会話です。彼は、パッケージングやさまざまなインテリジェンス システムに見られる共通要素など、コースで取り上げるいくつかのトピックについて説明します。
  
  
• 00:25:00 このセクションでは、スピーカーはパッケージングの重要性と、キャリアパスに関係なく、パッケージングが成功にどのように影響するかについて説明します.講演者は、「How to Speak」レクチャーと呼ばれるイベントについて言及します。これは、1 時間のノンリニア レクチャーであり、ジョークを言うタイミングや方法などのヒントを提供することで、プレゼンテーション、レクチャー、およびジョブ トークを行う人の能力に大きな影響を与える可能性があります。をクリックしてプレゼンテーションを開きます。さらに、スピーカーは、可能性のある病気の発症を検出できる領域に移動しようとしている、彼らのグループのジェネシス システムについて話します。
  
  
• 00:30:00 このセクションでは、システムがストーリーを複数の視点から読み取って理解する方法をライブ デモンストレーションで示します。これにより、潜在的な問題を検出し、災害を防止するための介入が可能になります。学歴の異なる 2 人のペルソナが、ストーリーに明示的に含まれているものを特定し、他の概念をグレーで推測します。彼らのユニークな背景のために、彼らは物語について異なる視点を持っており、お互いに交渉したり、他のドメインを教えたり、災害が発生する前に回避したりすることさえできます.このシステムは、潜在的な復讐作戦とピュロスの勝利も検出し、潜在的な問題を予測して介入する能力を示しています。
  
  
• 00:35:00 このセクションでは、複数のレベルでストーリーを理解することによって、情報検索にキーワード カウントの代わりに概念のベクトルを使用する方法を学びます。 Propagator アーキテクチャは、個人が仕事をやりすぎないようにするために使用され、MIT グループへの学生の関与が称賛されています。大学院の進路については、誰に師事するかを考え、AI など別の分野のプログラムを見つけて視野を広げてください。
  
  
• 00:40:00 このセクションでは、ウィンストン教授が理論物理学と人工知能の大学院に出願する学生にアドバイスを提供し、前者にとってはサイト訪問の重要性を強調し、後者にとっては特定の分野に焦点を当てることの重要性を強調しています。彼はまた、AI キャリア選択の欠陥理論の極端なケースについての逸話を共有しています。これは、コンピュータ ビジョンの研究者がオブジェクト認識を専門としているために妻を認識できないというものです。最後に、Winston 教授は、コンピューター サイエンスにおける強力なアイデアの有用性と単純性について考察し、言語を理解するために真の知性が必ずしも必要ではないという議論に取り組みます。
  
  
• 00:45:00 このセクションでは、スピーカーは人工的に複製できるものに知性を還元することの限界について話します。彼はペットのアライグマを非常に知的な動物の例として挙げていますが、これと同じくらい知的な機械を構築できるとは思っていませんでした。人工知能は不可能であるという考えは、時間の経過とともに実行される実行中のプログラムから得られる知識と魔法を考慮に入れていない還元主義的な議論に基づいていることがよくあります。スピーカーはまた、彼のチームの並外れた仕事に感謝し、学生が最終試験でうまくいくことを願っています。

[MetaQuotes]

メガR1。ルールベースのシステム

メガR1。ルールベースのシステム

このビデオは、メガ朗読に焦点を当てています。これは、学生が講義や朗読でカバーされている資料を扱うのに役立つチュートリアル形式の講義です。このビデオでは、後方連鎖、前方連鎖、ルールのタイブレーク順序、マッチング プロセスなど、ルールベースのシステムに関連するいくつかのトピックを取り上げています。後方連鎖プロセスでは、ルールの結果を調べ、必要に応じて前提条件を追加して最上位の目標に到達します。ゴール ツリーにはタイブレークと曖昧さの解消が不可欠です。このビデオでは、一連のアサーションを使用したアサーションへのフォワード チェーンおよびマッチング ルールについても説明します。講演者は、ルールを使用する前にアサーションをチェックし、何もしない無力なルールを避けることの重要性を強調しています。マッチング プロセスでは、指定されたアサーションに一致するルールを特定するために後方連鎖を使用します。システムは、新しいかどうかに関係なく、番号の小さいルールを優先します。

• 00:00:00 このセクションでは、 Mark Seifter がMega-Recitation の概念を紹介します。Mega-Recitation は、学生が講義や朗読で取り上げられている資料を扱うのに役立つように設計されたチュートリアル スタイルの講義です。目標は、学生がクラスにとって重要なアルゴリズムを理解して操作できるようにし、クイズで理解を示すことです。焦点は、多くの学生をつまずかせた昨年のクイズの問題にあり、マルクスは、それらの間違いが再び起こらないようにすることを期待して、彼らを捕まえたトリックを調べます.最後に、ルールを書くための in-fix と prefix の 2 つの表記法の違いと、学生がそれらを認識する必要がある理由を説明します。
  
  
• 00:05:00 このセクションでは、P のラベルが付いた 6 つのルールと、それぞれに対応する if-then ステートメントについて学習します。最初のルールは、X が野心的であり、X がスクイブである場合、X には悪い用語があることを示しています。 X または Y の疑問符は、変数がバインドされるのを待っていることを示します。これらの変数のバインディングを決定するために、逆方向および順方向の連鎖が使用されます。スリザリンのダンジョンに住むミリセント、グリフィンドール塔にいてミリセントにタグを付けているシーマスなど、4 つのアサーションも与えられています。ルールを使用する前にアサーションをチェックすることの重要性が強調されています。これは、昨年一部の人々がつまずいた間違いだったためです。
  
  
• 00:10:00 このセクションでは、プレゼンターが後方連鎖の概念を説明し、前方連鎖との違いを強調します。仮説に基づいて、後方チェイナーはアサーションのリストで一致するアサーションを見つけようとします。一致がない場合は、一致する結果を持つルールを見つけようとします。司会者は簡単な問題の例を示してから、ミリセントがハーマイオニーの友達になる現実の問題に取り組みます。例を通して、発表者は目標ツリーでのタイブレークと曖昧さの解消の重要性を強調しています。
  
  
• 00:15:00 このセクションのビデオでは、ルールベースのシステムにおける後方連鎖のプロセスについて説明しています。後方連鎖には、ルールの結果を見て、必要に応じて前提条件を追加して、最上位の目標に到達することが含まれます。このビデオでは、他のルールをチェックする前に、結果に現在の目標があるものを探し、アサーションでそれを検索することの重要性を強調しています。このプロセスには、左側のノードから開始し、子がある場合は下に移動して、現在の目標に一致するルールを探す深度検索が含まれます。このビデオでは、最下部に or ノードを持つ終了ノードなど、ノードをゴール ツリーに正しく追加する方法についても説明しています。
  
  
• 00:20:00 このセクションでは、スピーカーは、ツリー図を使用して深さ優先検索について説明し、ミリセントが主人公か悪役かを特定し、最終的に彼女が悪役であることを証明しようとします。彼らは最初に左の分岐に従い、ミリセントが主人公かどうかについてのルールを見つけようとします。基準に一致するルールがないため、"or" ノードに戻り、Millicent が悪役であることに戻ります。アサーションには含まれていませんが、ブランチをたどって、その結果としてのルールがあるかどうかを確認します。最終的に、彼らはミリセントが悪役であるというルールを見つけましたが、究極の答えを見つけるために続けなければなりません.
  
  
• 00:25:00 このセクションでは、話し手は後方チェイナーのひたむきな焦点と、他の主張や前例に対する関心の欠如について説明します。バックワードチェイナーは、ミリセントが悪役である可能性を証明することのみを目的としており、ミリセントが野心的であるなど、他の結果は気にしません。これにより、不要な計算が発生する可能性がありますが、システムをコーディングするためのシンプルで効率的な方法であることに注意してください。ハッシュ テーブルの使用の可能性が議論されていますが、余分な努力をする価値はないと結論付けられています。
  
  
• 00:30:00 このセクションでは、ハッシュ テーブルを実装してルールベース システムの実行速度を向上させる方法について説明します。ただし、このアプローチには潜在的な問題がいくつかあります。テーブル内のアサーションが起動する順序が失われ、一部のルールがこれらのアサーションの順序に依存するためです。講義では、以前に主張されたこととは反対の主張がある場合のルールの解決と、この問題を解決する方法について、群衆からの質問にも対処します。クラスは、これがクイズに削除ステートメントがない理由であり、アサーションを追加しない代わりに、証明されるか反証されるまでゴール ツリー内のすべてのものをチェックする理由であると結論付けています。
  
  
• 00:35:00 このセクションでは、話者は主人公のミリセントの例の残りの部分と、ルールベースのシステムを使用してミリセントがハーマイオニーの友達になるかどうかを判断する方法について簡単に説明します。これには、ルールの結果に一致するアサーションを追加せずにミリセントがハーマイオニーの友達になるために必要な追加のアサーションの最小数を決定するなど、いくつかの質問に答えることが含まれます。このセクションでは、アサーションを追加したために発生するまれな状況と、矛盾するアサーションを削除して修正する必要性についても説明します。最後に、後方連鎖について簡単に言及し、スピーカーは聴衆に変数バインディングに関連する問題を解決するように求めます。ここでの目標は、Millicent に不適切な用語があるかどうかを判断することです。
  
  
• 00:40:00 このセクションでは、ナレーターは、新しいアサーションを追加することを含むフォワード チェーンと、ルールのタイブレーク順序について説明します。ルールのタイブレーク順序は 0 ～ 5 で、同じルールが複数の異なるアサーションでトリガーされる可能性がある場合、ルールは番号順に使用されます。ナレーターは、一連のアサーションを使用してルールをアサーションに一致させる方法と、ルールを起動する方法を示します。ナレーターはまた、無力なルール、または何もしないルールを起動するべきではなく、代わりに順序で次のルールに進む必要があることを教えてくれます。最後に、ナレーターは、ルールとアサーションをどのように一致させ、どのように新しいアサーションを追加したかを説明します。
  
  
• 00:45:00 ビデオのこのセクションでは、スピーカーはルールベースのシステムのマッチング プロセスについて説明します。与えられた例は、番号付きのルールとアサーションを使用したクイズの質問です。システムは後方連鎖を使用して、特定のアサーションに一致するルールを判別します。この場合、ルール 1、2、3、および 5 のみが一致します。スピーカーは、ルール番号が小さい新しいアサーションを最初に処理する必要があるかどうかについての質問にも答え、新しいかどうかに関係なく、システムは番号の小さいルールを優先することを説明します。

[MetaQuotes]

メガR2。基本検索、最適検索

メガR2。基本検索、最適検索

この YouTube ビデオでは、深さ優先検索、幅優先検索、最適検索、A* アルゴリズムなど、さまざまな検索アルゴリズムと手法について説明しています。このビデオでは、これらの概念を説明するために新しい拠点を探している悪の大君主マーク ベイダーの面白い例を使用しています。発表者は、グラフ検索における許容性と一貫性の重要性を強調し、ノードの再評価を防ぐための拡張リストの使用について説明します。ビデオは、視聴者からのよくある間違いや質問に対処し、視聴者にもっと質問するよう促します。全体として、このビデオでは、これらの検索アルゴリズムと手法を完全に紹介しています。

• 00:00:00 このセクションでは、クラスで学んだ開始探索テクニックを利用して、新しい拠点を探索する悪の君主マーク ベイダーの問題をビデオで紹介します。ベイダーは現在の拠点である深さ優先探索星から出発し、6:03 の要塞にたどり着きたいと考えています。この要塞には弱点がなく、奴隷化されたミニオン、レーザービームを備えたサメ、優れた脱出ルートなど、望ましい機能がすべて備わっています。このビデオでは、探索の選択肢のグラフが表示されます。ここでは、エッジが 1 つの機能だけ異なる要塞に結合し、視聴者には、信頼できるが遅いアプローチや、迅速だがエラーが発生しやすいアプローチなど、検索を行うためのいくつかの方法が提供されます。
  
  
• 00:05:00 このセクションでは、ビデオ プレゼンターが深さ優先探索を解決するためのさまざまなアプローチについて説明します。非常に高速なアプローチがありますが、間違いが発生しやすく、通常は使用されません。代わりに、プレゼンターは目標ツリーを使用し、開始ノードから開始して目標ノードで終了することを推奨しています。これは、議題全体を描くよりも少し速いです。プレゼンターは、辞書編集の概念と、検索中にアルファベット順で同点を解消するためにどのように使用されるかについても説明します。さらに、このビデオは、システムにルールを実装する際によくある間違いである自分の尻尾を噛むことに対して警告しています。最後に、プレゼンターは、同じノードが同じパス内に 2 回表示されないようにすることの重要性を強調しています。これは、エラーにつながる可能性があるためです。
  
  
• 00:10:00 このセクションでは、スピーカーは、キューの代わりにゴール ツリーを使用して深さ優先探索の問題を解決する方法を説明します。彼らはノード s から始めて、聴衆にそのノードでの選択肢を理解するための助けを求めます。スピーカーは、接続を確認し、指示を読むことの重要性を強調しています。辞書式のタイブレークを使用して、次に移動するノードを決定し、行き止まりになったときにバックトラックします。また、バックトラックを二重にカウントする間違いに注意し、バックトラックの回数に注意を払うよう聴衆に注意を喚起します。
  
  
• 00:15:00 このセクションでは、ソリューションを見つけるために必要なステップ数に影響を与える可能性があるため、スピーカーは検索を実行する際のアルゴリズムの重要性を説明します。また、バックトラックの手法についても説明し、検索中にそれを追跡する方法についてアドバイスします。次にスピーカーは、深さ優先探索の実行方法を実演し、幅優先探索の問題をすばやく解決する方法を提案します。それらは、幅優先検索中に見つかったパスがジャンプの数が最小であることが保証されていることを強調し、グラフをレベルごとに左から右に展開するように指示します。最後に、話者は、幅優先探索におけるタイプランク順の使用法を明確にします。
  
  
• 00:20:00 このセクションでは、スピーカーは、ビデオで使用されている検索アルゴリズムのキューでパスを並べ替えないことの重要性を強調しています。彼らは、ベストファースト検索はノードに到達したときにのみ同点を解消し、常にすべてをキューの最後に追加するため、バックトラックする必要がないことを説明しています.彼らはまた、グラフィカルな順序が検索で役割を果たしていると述べていますが、それは微妙で卑劣な方法でのみ行われます.最後に、拡張リストを使用した幅優先検索の可能性について説明します。これは、プログラムが既に訪れたノードを再評価するのを防ぐために使用できます。
  
  
• 00:25:00 ビデオのこのセクションでは、スピーカーは、マークが現在の宇宙から目標の宇宙までの最短経路を見つけようとしている例を使用して、最適な検索について説明しています。宇宙間のエネルギー コストはさまざまです。グラフには、各ノードに与えられた距離とヒューリスティック値が含まれており、スピーカーは、アルゴリズムがヒューリスティック値を使用して、各ノードに到達するための実際のコストも考慮しながら、ゴール ノードに向けて検索を導くことを説明します。使用されるアルゴリズムは、実際のコストとヒューリスティック コストの組み合わせが最も低いノードを展開する A-star アルゴリズムです。講演者は、拡張リストを使用して検索の繰り返しを防ぐことの重要性についても説明し、ノードが検索に追加される順序に関する質問に答えます。
  
  
• 00:30:00 このセクションでは、Mark がエネルギーをあまり消費せずに目標に到達できるように、ユニバース ジャンプの最短回数をプログラミングするという概念を紹介します。彼は、チーズピザのような単純な分岐限定検索と、トッピングを追加した肉愛好家のピザのような A スター検索について説明します。ただし、相互に影響を与える可能性があるため、現時点で最短のパスを選択することが重要です。この例では、コンピューターはノード C を拡張リストに追加し、長さが 0 の唯一のパスとしてマークします。SB の長さは 3 で、パス コストは 103 ですが、f は 4 でコストがあります。辞書式順序でタイブレーカーを無視するにもかかわらず、最短パスが選択され、B が消費されると、長さ 4 で D に移動するため、G への更新されたパスの長さは 7 です。
  
  
• 00:35:00 このセクションでは、スピーカーは最適な検索アルゴリズムを使用してパス S、B、F、および D を拡張します。パス E は H および A に拡張され、最短パスは SFHIG であることがわかります。 .講演者は、より効率的な検索アルゴリズムとして A-star を使用することについても言及し、拡張リストに既にあるノードの拡張に関する聴衆からの質問に答えます。パスが C と D に接続されているかどうかについての最初の混乱にもかかわらず、最終的に正しい答えが得られます。
  
  
• 00:40:00 このセクションでは、スピーカーは、作成された最終的なツリーから一部のノードが除外される原因となった、前のセクションで行われたエラーについて説明します。彼は、ノードも「e」に移動する必要があること、および拡張リストにないためにノードが実行された回数を尋ねられた場合に違いがあったことを明確にしています。次に、A-star アルゴリズムとヒューリスティック値の計算について説明します。リスト内のすべてのノードにヒューリスティック値を追加するのではなく、これまでのパスを最終的なヒューリスティック値に追加することが重要であることを強調します。また、ノード「G」を拡張する決定は好みの問題であり、問題セットでポイントを失うことのない実装の詳細であることも明確にしています。最後に、彼らは A スター検索を解決し、最終的な勝者は値が 57 のノード「D」であると決定されます。
  
  
• 00:45:00 このセクションのビデオでは、A* と呼ばれる検索アルゴリズムを要約し、それを最適に使用してグラフ内の最短経路を見つける方法を示しています。このビデオでは、グラフのすべてのポイントで許容可能なヒューリスティックを使用することの重要性について説明しています。許容できるとは、残りの作業量の見積もりが常に過小評価または正確な予測であることを意味します。過大評価であるヒューリスティックは、アルゴリズムが必要以上の作業を行う必要があると判断し、重要なノードを探索しない可能性があります。このビデオでは、一貫性についても説明しています。つまり、グラフ内の隣接するノード間の距離は、それらのノード間のヒューリスティックの差よりも小さいということです。このビデオでは、クイズに出題される可能性が高いため、これらの概念を理解することの重要性を強調しています。
  
  
• 00:50:00 このセクションでは、スピーカーは、グラフ検索における許容性と一貫性の概念について説明します。許容性は一貫性に似ていますが、すべてのノードとゴール ノード間の一貫性が必要です。一貫性のあるグラフは常に許容されますが、許容されるすべてのグラフが一貫しているわけではありません。拡張リストは、ゴール ノードまでのすべてのノードの推定値をチェックするため、許容グラフで機能します。ただし、ノード内の推定値が正しくない場合、それらを順不同で調べると、拡張リストの使用を決定する際の仮定に違反します。ビデオで示されているグラフは、ボトルネックの目標ノードになるように巧妙に作成されており、I と H を含むノード間の不一致が含まれており、重要な唯一の不一致であることが判明しています。最後に、スピーカーは視聴者にこのトピックに関する質問をするように促します。

[MetaQuotes]

メガR3。ゲーム、ミニマックス、アルファベータ

メガR3。ゲーム、ミニマックス、アルファベータ

このビデオでは、通常のミニマックス、アルファ ベータ加算、アルファ ベータ プルーニング、静的評価、漸進的な深化、ノードの並べ替えなど、ゲーム理論とミニマックス アルゴリズムに関連するさまざまなトピックを取り上げます。インストラクターは、例を使用してこれらの概念の説明とデモンストレーションを提供し、参加者にゲーム ツリーのさまざまなノードでの値の決定に参加するよう求めます。ビデオの最後には、ヒューリスティック関数の潜在的な欠陥についての議論と、今後のクイズへのアドバイスが含まれます。

• 00:00:00 このセクションでは、講師がゲームの概念を紹介し、ゲームのさまざまなコンポーネントに焦点を当てることに言及します。次に、通常のミニマックス アルゴリズムと、ゲーム ツリーの特定のポイントでのミニマックス値を計算する方法について説明します。ゲーム ツリーの例を使用して、講師は聴衆にアルゴリズムを説明し、さまざまなノードでのミニマックス値を決定します。白雪姫の原理と祖父の節についても簡単に触れています。
  
  
• 00:05:00 ビデオのこのセクションでは、スピーカーは、ゲーム理論のミニマックス フォーミュラへのアルファとベータの追加について説明します。彼は、これらの数字の追加を冷戦と比較します。冷戦では、双方が最悪の事態に備えながら可能な限り最良の結果を見つけようとしました。アルファとベータは、それぞれの側にフェイルセーフまたは最悪のシナリオを提供する数値を表します。講演者は、α-β 探索はミニマックスよりも複雑で、一部の人にとっては挑戦になる可能性があることを示唆しています。ただし、彼はまた、アルファベータ検索をマスターすることで、ミニマックス問題の理解と解決に役立つ可能性があるとも述べています。
  
  
• 00:10:00 このセクションでは、講師がそれぞれマキシマイザーとミニマイザーの核となるオプションとしてアルファとベータの概念を説明します。アルファを負の無限大に設定し、ベータを正の無限大に設定すると、フェイルセーフが作成され、マキシマイザーとミニマイザーの両方が毎回最初に見るパスを見るようになります。アルゴリズムが進行するにつれて、アルファとベータの値は、ゲームの潜在的な結果に応じて変化します。ベータがアルファよりも低くなったり、アルファがベータよりも低くなったりすると、アルゴリズムは枝を刈り込み、プレーヤーの 1 人がその枝を探索する必要がなくなったことを知らせます。講師はまた、ゲーム ツリーのさまざまなノードでアルファとベータの数字を描画するさまざまな方法があることにも注目しています。
  
  
• 00:15:00 このセクションでは、スピーカーはアルファ ベータ アルゴリズムで使用される白雪姫の原理について説明します。この原則では、親ノードからアルファ値とベータ値を継承しますが、親ノードに移動するときに自分にとってより良い値を取得します。デフォルトのアルファ値とベータ値についても説明しました。アルファは負の無限大、ベータは正の無限大です。次にスピーカーは、アルファ ベータの枝刈りの例を示し、聴衆に検索ツリーの各ノードのアルファ値とベータ値を決定するように求めます。親ノードから継承された値に基づいて、アルファ ベータ アルゴリズムが特定のノードの検索を回避できることを強調するために、ひっかけ問題が投げ込まれます。
  
  
• 00:20:00 このセクションでは、スピーカーは、より良い結果につながる可能性が低い決定木の枝を切り取ることを含む、α-β 剪定の原則について説明します。講演者は、敵の核攻撃のオプションを含む例を挙げ、アルファ ベータ プルーニングの原則に基づいてどの選択肢をプルーニングするかを決定します。さらに、スピーカーは、ブランチを剪定できるかどうかを判断するサニティ テストと、分岐をスキップするかどうかを判断するマキシマイザーの機能を提供します。これは、デシジョン ツリー ゲームで無限から始まるミニマイザーとは異なります。
  
  
• 00:25:00 ビデオのこのセクションでは、ゲーム ツリーのさまざまなノードの値を分析して、ミニマックス アルゴリズムでアルファ値とベータ値を決定するプロセスについて話します。話者は、最小化ノードに遭遇するとベータ値が正の無限大に設定され、最大化ノードに遭遇するとアルファ値が負の無限大に設定されると説明します。次に、スピーカーはゲーム ツリーで特定の値を使用して、アルゴリズムがどのように機能するか、およびアルファ値がベータ値以上の場合にノードがどのようにプルーニングされるかを示します。最後に、スピーカーは、段階的な深化を使用してゲーム ツリーでノードが評価される順序について説明します。
  
  
• 00:30:00 このセクションでは、スピーカーは静的評価の概念を説明します。静的評価は、基本的にリーフ ノードに数値を割り当てる機能です。静的エバリュエーターはこれらの値をリーフの下部に割り当て、評価の順序はリーフのみを参照します。スピーカーは、白雪姫の原理についても説明します。これにより、すべてのノードは、その祖父母 (アルファまたはベータ) から同じ型の値を取得することから始まります。マキシマイザーは、どのパスを取るかを制御できません。追求する道を選択するのは最小化者です。静的評価の概念は、特定のパスを削除するかどうかを決定するのに役立つため、アルファ ベータ プルーニング手法にとって重要です。本質的に、静的評価はアルゴリズムの効率に貢献し、いくつかの静的評価を取り除くことでアルファ ベータ プルーニングを有効にして、より多くの時間を節約します。
  
  
• 00:35:00 このセクションでは、スピーカーは、チェスなどのゲームでボードの位置を評価するために使用される静的評価の概念について説明します。評価には時間がかかり、ゲームの状態を注意深く分析する必要があります。検索ツリーのリーフ ノードは、ゲームの状態の分析に基づいて値をヒューリスティックに推測するため、静的と呼ばれます。講演者はまた、2 レベルの深さしかないツリーでの漸進的深化の概念を紹介し、アルファ ベータが可能な限り剪定できるようにツリーを並べ替える方法を尋ねます。
  
  
• 00:40:00 このセクションでは、ミニマックス アルゴリズムを使用して、潜在的な勝者に基づいてブランチを並べ替えることで、最適なノードを検索するプロセスを最適化する方法について説明します。最終的な勝者が最初に選ばれます。インストラクターは、各リーフ ノードにバイナリ値を割り当てることでこの概念を説明し、その値を使用して各サブツリーの最終的な勝者を計算し、最適な動きを見つけます。このアプローチを漸進的な深化と組み合わせると、評価する必要があるノードの数が大幅に削減されます。
  
  
• 00:45:00 このセクションでは、講師は漸進的な深化と、ノードを並べ替えてアルファ ベータ プルーニングを改善する可能性について説明します。漸進的な深化は、分岐のない小さなツリーにとっては時間の無駄かもしれませんが、より大きく複雑なツリーには不可欠です。ただし、漸進的な深化の結果に基づいてノードを並べ替えるという概念は、ヒューリスティック関数の精度に依存します。講師は、完全なヒューリスティック関数はなく、ヒューリスティック関数に欠陥があると、ノードを並べ替えるときに悪い結果につながる可能性があることを強調しています。最後に、講師は、同じヒューリスティック値が特定のゲーム状態にどのように到達したかに関係なく常に関連付けられる場合など、一貫したヒューリスティック関数のためにヒューリスティック値をキャッシュする方法を説明します。
  
  
• 00:50:00 ビデオのこのセクションでは、最良の動きではなく、常に最悪の動きを与えるヒューリスティックを使用することの潜在的な欠点についてインストラクターが説明します。リスクを最小限に抑えるのに役立つ可能性がありますが、可能な限り最悪のプルーニングが発生し、保証された成功が得られなくなる可能性があります。インストラクターは、今後のクイズは興味深く、さまざまな課題が含まれると述べています。しかし、彼は学生たちに、それについてあまりストレスを感じないように、そして週末を楽しむようにアドバイスしています.