![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Лекция 4. Поиск: поиск в глубину, восхождение на холм, луч
4. Поиск: поиск в глубину, восхождение на холм, луч
В этом видео на YouTube Патрик Уинстон обсуждает различные алгоритмы поиска, в том числе поиск в глубину, восхождение на холм, луч и поиск по лучшему. На примере карты он демонстрирует преимущества и ограничения каждого алгоритма и то, как понимание различных методов поиска может улучшить навыки решения проблем. Уинстон также обсуждает применение алгоритмов поиска в интеллектуальных системах, используя систему Genesis для ответа на вопросы об истории Макбета. Он также представляет концепцию пирровой победы и то, как поисковые программы могут обнаруживать такие ситуации, просматривая графики и сообщая о своих выводах на английском языке. В целом, видео представляет собой исчерпывающий обзор алгоритмов поиска и их практического использования в реальных сценариях.
Лекция 5. Поиск: оптимальный, метод ветвей и границ, A*
5. Поиск: оптимальный, метод ветвей и границ, A*
В видео обсуждаются несколько поисковых алгоритмов для нахождения кратчайшего пути между двумя местами на примере Route 66 между Чикаго и Лос-Анджелесом. Видео знакомит с концепцией эвристического расстояния и предоставляет примеры различных алгоритмов поиска, таких как восхождение на холм, поиск по лучу и метод ветвей и границ. Докладчик подчеркивает важность использования допустимых и непротиворечивых эвристик в алгоритме A* для оптимизации поиска. Кроме того, в видео отмечается эффективность использования расширенного списка и расстояний авиакомпаний для определения нижних границ кратчайшего пути. В конце концов, видео заканчивается обещанием обсудить дальнейшие усовершенствования алгоритма A* на следующей лекции.
Лекция 6. Поиск: игры, минимакс и альфа-бета
6. Поиск: Игры, Минимакс и Альфа-Бета
В видео обсуждается история игр с искусственным интеллектом, начиная со знаменитой цитаты Дрейфуса о том, что компьютеры не могут играть в шахматы. Выступающие объясняют, что правила «если-то» неэффективны в игровых программах, и требуется более глубокий анализ и стратегия. Они вводят минимаксный алгоритм и концепцию сокращения альфа-бета для оптимизации эффективности поиска игр. В видео также рассматриваются такие методы, как минимизация стоимости страховых полисов и постепенное углубление. Спикер заключает, что, хотя интеллект бульдозера важен, это не обязательно тот же тип интеллекта, который есть у людей в голове.
Лекция 7. Ограничения: интерпретация линейных рисунков
7. Ограничения: интерпретация линейных рисунков
В видео обсуждается разработка проблемы удовлетворения ограничений для интерпретации линейных рисунков, которая началась с попытки создать компьютер, который мог бы видеть простые объекты. Была проанализирована работа экспериментатора Гусмана, что привело к подходу Дэвида Хаффмана к работе в простом математическом мире с ограничениями, которые позволили ему разработать лучшую теорию, чем программа Гусмана. В видео исследуется словарь, используемый для каталогизации и классификации линий и соединений на чертежах, возможность заполнения пяти октантов материалом и использование ограничений для проверки объектов на конструируемость. В видео также обсуждается проблема использования меток для интерпретации линейных рисунков, алгоритм Вальца и процесс работы с разветвленными вершинами при анализе рисунков. Ограничения, разработанные в этом проекте, находят применение при решении задач с большим количеством ограничений, таких как раскраска карты и составление расписания.
симметричная противоположность синей перспективе. Докладчик далее исследует вершины, которые могут создавать развилки и L-образные соединения, а также затемняющие объекты, которые могут создавать Т-образные формы с оставшейся линией в качестве границы. Наконец, спикер упоминает, что вершины с шестью гранями также могут быть созданы, когда объекты собираются вместе в точке.
Лекция 8. Ограничения: Поиск, Редукция домена
8. Ограничения: поиск, сокращение домена
В этом видео обсуждается концепция ограничений при решении проблем, особенно в контексте поиска и сокращения доменов. Докладчик использует пример присвоения цветов штатам на карте, чтобы проиллюстрировать, как можно использовать ограничения для сужения возможностей еще до начала поиска. Докладчик также исследует различные подходы к работе с ограничениями, такие как проверка только заданий или учет всего, и представляет концепцию планирования ресурсов как еще одно применение решения проблем на основе ограничений. В целом, видео дает исчерпывающий обзор того, как можно использовать ограничения для эффективного решения сложных задач.
Лекция 9. Ограничения: визуальное распознавание объектов
9. Ограничения: визуальное распознавание объектов
В этом видео Патрик Уинстон обсуждает проблемы распознавания визуальных объектов, в том числе идеи Дэвида Марра о формировании описания объектов на основе границ, нормалей поверхности и обобщенных цилиндров. Докладчик также подробно рассматривает различные методы визуального распознавания объектов, в том числе теорию выравнивания и использование алгоритмов корреляции для расчета местоположения объектов среднего размера. Уинстон подчеркивает проблемы распознавания природных объектов, которые не имеют одинаковых размеров, и важность контекста и повествования для визуального распознавания, используя пример пьющей кошки. На протяжении всего видео он предоставляет демонстрации и примеры для объяснения различных концепций. В целом докладчик подчеркивает трудности визуального распознавания и призывает студентов продолжать исследования в этой области.
Лекция 10. Введение в обучение, ближайшие соседи
10. Введение в обучение, ближайшие соседи
В этом видео на YouTube профессор Уинстон представляет тему обучения и обсуждает два типа обучения: обучение на основе регулярности и обучение на основе обратной связи. Он фокусируется на методах обучения, основанных на регулярности, таких как обучение ближайших соседей, нейронные сети и бустинг. Изучение ближайших соседей включает в себя детектор признаков, генерирующий вектор значений, который затем сравнивается с векторами из библиотеки возможностей, чтобы найти ближайшее совпадение и определить, что представляет собой объект. Докладчик приводит различные примеры того, как можно применять этот метод. Далее он обсуждает, как можно использовать границы решений для определения категории объекта. Вводится принцип подобия между разными случаями и подчеркивается важность управления сном, так как он сильно влияет на обучение. Наконец, он касается проблемы неравномерности, проблемы «что важно» и важности нормализации данных с использованием статистических методов.
Лекция 11. Обучение: деревья идентификации, беспорядок
11. Обучение: деревья идентификации, беспорядок
Профессор Массачусетского технологического института Патрик Уинстон объясняет концепцию создания механизма распознавания для идентификации вампиров с использованием данных и важность создания небольшого и экономичного идентификационного дерева, удовлетворяющего требованиям бритвы Оккама. Он предлагает использовать эвристические механизмы для построения дерева, поскольку вычисление всех возможных деревьев является NP-задачей. Уинстон предлагает использовать теневой тест, чесночный тест, тест на цвет лица и тест на акцент, чтобы определить, какие люди являются вампирами, и объясняет, как измерять беспорядок в наборах, чтобы определить общее качество теста на основе измерения беспорядка. В видео также обсуждается, как деревья идентификации можно использовать с числовыми данными, и дерево можно преобразовать в набор правил для создания простого механизма, основанного на поведении, основанном на правилах.
Лекция 12а: Нейронные сети
12а: Нейронные сети
Это видео охватывает ряд тем, связанных с нейронными сетями. Докладчик начинает с обсуждения истории нейронных сетей, подчеркивая ключевую работу, проделанную Джеффом Хинтоном, которая изменила эту область. Затем обсуждается анатомия нейрона, а также способ сбора и обработки входных данных. Затем в видео рассказывается, как нейронные сети функционируют как аппроксиматоры функций и как можно повысить производительность с помощью восхождения на холм и градиентного спуска. Цепное правило вводится для облегчения вычисления частных производных, и спикер демонстрирует, как с помощью этого подхода можно обучить самую простую в мире нейронную сеть. Также обсуждается оптимальная константа скорости для нейронной сети, и докладчик представляет более сложную нейронную сеть с двумя входами и выходами. Наконец, вводится принцип повторного использования для решения проблемы потенциального экспоненциального увеличения путей в больших сетях. В целом, в видео подчеркивается, что отличные идеи в области нейронных сетей часто просты и их легко упустить из виду, даже если они могут оказать значительное влияние на область.
Лекция 12b: Глубокие нейронные сети
12b: Глубокие нейронные сети
В этом видео рассматриваются несколько тем, связанных с глубокими нейронными сетями, в том числе задействованный процесс вычислений, сверточные нейронные сети, алгоритмы автокодирования, настройка параметров в выходном слое, softmax и обратное распространение с помощью сверточных сетей. В видео также рассматриваются такие концепции, как локальные максимумы, расширяющиеся сети и обучение нейронных сетей, а также демонстрируется, как глубокие нейронные сети работают при обработке изображений. В целом, видео предоставляет всесторонний обзор основных концепций, связанных с глубокими нейронными сетями, включая их сильные и слабые стороны.