Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
A História da Inteligência Artificial [Documentário]
A História da Inteligência Artificial [Documentário]
O documentário History of Artificial Intelligence nos leva pelos primeiros dias do conceito de "máquina pensante", gerado por escritores de ficção científica e pela indústria cinematográfica, até os avanços atuais em IA e processos de aprendizado profundo. O documentário mostra o progresso feito em IA, a capacidade das máquinas de aprender como humanos e os princípios por trás do funcionamento dos computadores. O vídeo explora as limitações dos computadores, o potencial de seu desenvolvimento e o possível futuro da inteligência artificial (IA). Os cientistas discutem a possibilidade de as máquinas serem capazes de pensar e produzir novas ideias, e o objetivo é criar um sistema de computador mais geral que possa aprender por experiência, formar conceitos e fazer lógica. Os primeiros passos em direção à IA podem ser vistos em uma pequena máquina de computação que pode aprender com a experiência, como mostra o exemplo de um mouse controlado eletricamente resolvendo um labirinto.
A segunda parte explora as limitações e o potencial dos computadores em termos de pensamento, sentimento e criatividade. Enquanto os computadores se destacam em operações lógicas e cálculos matemáticos, eles lutam com reconhecimento, reconhecimento de padrões e generalização, reconhecendo blocos, traduzindo idiomas e executando tarefas simples. Apesar dos resultados iniciais insatisfatórios, sistemas especialistas e programas como SHRDLU e TENDRIL mostraram como os computadores podem usar o conhecimento para resolver a ambigüidade e o aprendizado de idiomas. No entanto, permanece o desafio de ensinar o conhecimento do senso comum, que inclui tanto o conhecimento factual quanto as experiências que as pessoas adquirem ao longo do tempo. As redes neurais, embora inicialmente atraentes, têm limitações e são capazes apenas de lidar com pequenas tarefas. Os pesquisadores precisam treinar computadores para entender como a natureza constrói e coordena muitas micromáquinas dentro do cérebro antes que uma versão totalmente artificial possa ser construída.
A terceira parte abrange uma ampla gama de tópicos relacionados à história e ao futuro da inteligência artificial. Ele discute os esforços contínuos para alcançar a inteligência de uso geral com base no senso comum, incluindo o projeto Cyc e o potencial para compreensão geral da linguagem natural na IA. Os desafios para alcançar a inteligência semelhante à humana, incluindo a necessidade de modelos formais de inteligência e o papel da psicologia, também são explorados. Os entrevistados discutem o impacto dos computadores no campo da psicologia, bem como os desafios impostos pelo raciocínio não monotônico e a necessidade de avanços conceituais. Apesar das críticas, os entrevistados veem o objetivo da IA como um projeto nobre que pode nos ajudar a entender melhor a nós mesmos.
O Nascimento da Inteligência Artificial
O Nascimento da Inteligência Artificial
O vídeo discute o nascimento da inteligência artificial (IA) moderna e o otimismo que veio com ela durante os 'anos dourados' da IA nos anos 60 e início dos anos 70. No entanto, o campo enfrentou desafios significativos, incluindo o primeiro inverno de IA em meados dos anos 70 devido à dificuldade dos problemas que enfrentaram e ao desempenho computacional limitado.
Os sistemas especialistas marcaram um ponto de virada no campo, mudando o foco do desenvolvimento da inteligência geral para a IA específica do domínio restrito e ajudando a aumentar a eficiência dos negócios. No entanto, o hype em torno dos sistemas especialistas levou a uma diminuição no financiamento, principalmente após o crash do mercado de 1987. O vídeo reconhece os desafios de entender e definir a IA, recomendando o Brilliant como um recurso para as pessoas aprenderem sobre IA desde os blocos de construção fundamentais até arquiteturas mais avançadas.
Aprendizado de máquina supervisionado explicado
Aprendizado de máquina supervisionado explicado
O vídeo explica que o aprendizado supervisionado envolve um conjunto de dados rotulado, com o objetivo de aprender uma função de mapeamento de variáveis de entrada para variáveis de saída. O conjunto de dados rotulado é dividido em um conjunto de treinamento e um conjunto de teste, com o modelo sendo treinado no conjunto de treinamento e avaliado no conjunto de teste para medir sua precisão.
O vídeo observa que o overfitting pode ocorrer se o modelo for muito complexo e se ajustar muito próximo ao conjunto de treinamento, resultando em desempenho ruim em novos dados, enquanto o underfitting ocorre se o modelo for muito simples e incapaz de capturar a complexidade dos dados. O vídeo fornece o exemplo do conjunto de dados da íris e percorre o processo de treinamento de um modelo para prever as espécies de uma nova flor de íris com base em suas medições, usando o algoritmo de árvore de decisão.
Aprendizado de máquina não supervisionado explicado
Aprendizado de máquina não supervisionado explicado
O vídeo explica o aprendizado de máquina não supervisionado, que lida com dados não rotulados e não estruturados e é usado principalmente para derivar estrutura de dados não estruturados. É dividido em dois tipos: associação e agrupamento, onde o agrupamento envolve o uso de algoritmos como o agrupamento K-means para dividir o espaço de decisão em categorias ou agrupamentos discretos.
Os problemas de associação identificam correlações entre os recursos do conjunto de dados e, para extrair associações significativas, a complexidade das colunas deve ser reduzida por meio da redução da dimensionalidade. Esse processo envolve minimizar o número de recursos necessários para representar um ponto de dados e obter resultados e associações significativos, evitando o subajuste ou o superajuste. O segmento final do vídeo apresentou o conceito de aprendizado de matemática e ciências no Brilliant, uma plataforma que oferece aprendizado divertido e interconectado de matemática e ciências e oferece um desconto de 20% em assinaturas premium para visualização de conteúdo de futurologia. O vídeo também solicitou suporte para o canal no Patreon ou na assinatura do YouTube e recebeu sugestões de tópicos futuros nos comentários.
O que é aprendizado de máquina (aprendizado de máquina explicado)
O que é aprendizado de máquina (aprendizado de máquina explicado)
O aprendizado de máquina é um campo de estudo que permite que os computadores aprendam sem serem explicitamente programados. Envolve o uso de algoritmos para formar limites de decisão sobre o espaço de decisão de um conjunto de dados. Essa compreensão do aprendizado de máquina é a segunda mais usada e estabelecida pelo Dr. Tom Mitchell.
O aprendizado de máquina pode ser atribuído ao aumento do poder de computação e armazenamento que permitiu dados maiores e melhores, e o surgimento do aprendizado profundo. Embora seja classificado como inteligência artificial fraca, já que as tarefas que executa são frequentemente isoladas e específicas de um domínio. O aprendizado de máquina abrange muitas abordagens e modelos diferentes e, embora nunca possam ser 100% precisos na previsão de resultados em problemas do mundo real devido a abstrações e simplificações, eles ainda podem ser úteis em uma ampla gama de aplicativos. Brilliant é mencionado como um dos recursos para aprender sobre aprendizado de máquina e outros tópicos STEM.
Aprendizado profundo explicado (e por que o aprendizado profundo é tão popular)
Aprendizado profundo explicado (e por que o aprendizado profundo é tão popular)
O vídeo explica que a popularidade do aprendizado profundo decorre do fato de que ele pode aprender recursos diretamente dos dados e usar redes neurais para aprender recursos subjacentes em um conjunto de dados. A ascensão do aprendizado profundo pode ser atribuída a big data, maior poder de processamento e interfaces de software simplificadas.
Do cérebro à IA (o que são redes neurais)
Do cérebro à IA (o que são redes neurais)
O vídeo discute os componentes de um neurônio artificial, que é o principal elemento de uma rede neural artificial, e como ele se baseia na estrutura de um neurônio biológico.
Ele também explica como as redes neurais derivam a representação de grandes quantidades de dados em um processo camada por camada que pode ser aplicado a qualquer tipo de entrada. O vídeo recomenda ir para bright.org para saber mais sobre os blocos de construção fundamentais dos algoritmos de aprendizado profundo.
Como fazer uma rede neural | Redes neurais explicadas
Como fazer uma rede neural | Redes neurais explicadas
O vídeo explica como as redes neurais formam capacidades de reconhecimento de padrões, discutindo a estrutura e a matemática envolvidas. Ele usa uma imagem como exemplo e discute a camada de entrada, os nós da camada de saída e apresenta a ideia de camadas ocultas.
O vídeo então se aprofunda nas funções de ativação e como elas convertem os sinais de entrada em sinais de saída. A função tangente hiperbólica e a camada de unidade linear retificada são discutidas, e é revelado que a rede neural construída requer engenharia humana significativa para garantir valores não ambíguos. O vídeo recomenda Brilliant.org para saber mais.
Como os Computadores Aprendem | Redes neurais explicadas (descida de gradiente e retropropagação)
Como os Computadores Aprendem | Redes neurais explicadas (descida de gradiente e retropropagação)
Este vídeo explica como as redes neurais aprendem alterando os pesos nas camadas ocultas para permitir que a rede os determine. O conceito de função de custo é introduzido para minimizar a taxa de erro da rede neural e a retropropagação é explicada como o processo essencial no ajuste dos parâmetros da rede.
Os três componentes principais do aprendizado de máquina, incluindo representação, avaliação e otimização, são abordados na tribo do conexionismo. O vídeo também observa que a rede nem sempre se organiza perfeitamente em camadas de abstração. O objetivo do aprendizado profundo é que a rede aprenda e ajuste os pesos por conta própria.
Como funcionam as redes neurais | Redes neurais explicadas
Como funcionam as redes neurais | Redes neurais explicadas
O vídeo explica o parâmetro de viés em redes neurais, que inicia os nós para ativar quando um determinado limite é atingido, bem como a diferença entre parâmetros e hiperparâmetros, com hiperparâmetros que precisam de ajuste fino por meio de técnicas de otimização.
A taxa de aprendizado também é discutida, e os desafios de encontrar a taxa ideal, evitando overfitting ou underfitting, são destacados. A engenharia de recursos é outro subcampo encontrado em redes neurais, onde os analistas devem determinar os recursos de entrada que descrevem com precisão um problema. O vídeo observa que, embora as redes neurais artificiais teóricas envolvam camadas perfeitas de abstração, elas são muito mais aleatórias na realidade devido ao tipo de rede usada, que é escolhida por meio da seleção dos hiperparâmetros mais importantes.