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 13. Обучение: генетические алгоритмы
13. Обучение: генетические алгоритмы
В этом видео обсуждается концепция генетических алгоритмов, которые имитируют эволюцию и позволяют решать сложные задачи. Процесс генетического наследования через хромосомы разбивается и моделируется с использованием бинарных хромосом с выбором мутаций и кроссоверов. Вероятность выживания и ранжирование кандидатов объясняются на примере, показывающем эффективность при правильном выполнении. Обсуждается проблема преодоления локальных максимумов и введение метода имитации отжига. Демонстрируются практические применения генетических алгоритмов, в том числе проект по построению экспертной системы на основе правил и эволюции существ, состоящих из блочных объектов. Лектор размышляет о происхождении и успехе генетических алгоритмов, отмечая, что разнообразие является ключевым компонентом их успеха.
Лекция 14. Обучение: разреженные пространства, фонология
14. Обучение: разреженные пространства, фонология
В этом разделе видео профессор Уинстон представляет концепцию разреженных пространств и фонологии как механизмов, связанных с исследованием того, как люди учатся. Он обсуждает взаимодействие между тем, что мы видим, и тем, что мы слышим, когда дело доходит до изучения языка, используя примеры, иллюстрирующие, как визуальные подсказки могут влиять на то, что мы воспринимаем в языке. Докладчик объясняет элементы и связи машины, предназначенной для распознавания и воспроизведения звуков речи, включая регистры, набор слов, ограничения и буфер для фонем. Он также объясняет технику обобщения шаблонов в фонологии, используя положительные и отрицательные примеры, на которых можно учиться, используя пример изучения в классе отличительных черт, связанных со словами «кошки» и «собаки». Наконец, он обсуждает важность создания ограничений, соответствующих функции механизма, и включения визуального представления для лучшего понимания и решения проблемы.
Лекция 15. Обучение: промахи, условия счастья
15. Обучение: промахи, условия счастья
В этом видео профессор Патрик Уинстон обсуждает концепцию обучения на промахах и состояниях счастья. Он использует различные примеры, в том числе построение арки и определение конкретных ограничений, необходимых для того, чтобы ее можно было считать аркой. Он также объясняет, как компьютерная программа может определить ключевые особенности поезда, используя эвристическое обучение. Спикер подчеркивает важность самообъяснения и рассказывания историй, особенно того, как включение того и другого в презентации может сделать идею заметной и известной. В конечном счете, он считает, что идеи упаковки связаны не только с ИИ, но и с тем, чтобы заниматься наукой, становиться умнее и становиться более известным.
Лекция 16. Обучение: машины опорных векторов
16. Обучение: машины опорных векторов
В видео Патрик Уинстон обсуждает, как работают машины опорных векторов (SVM) и как их можно использовать для оптимизации правила принятия решений. Он объясняет, что алгоритм SVM использует преобразование Phi для перемещения входного вектора x в новое пространство, где легче разделить два похожих вектора. Функция ядра, k, обеспечивает скалярное произведение x sub i и x sub j. Все, что нужно, — это функция k, которая является функцией ядра. Вапнику, советскому иммигранту, работавшему над SVM в начале 1990-х, приписывают возрождение идеи ядра и превращение ее в неотъемлемую часть подхода SVM.
Лекция 17. Обучение: Бустинг
17. Обучение: Бустинг
В видео обсуждается идея бустинга, которая заключается в объединении нескольких слабых классификаторов для создания сильного классификатора. Идея состоит в том, что слабые классификаторы голосуют, а сильный классификатор набирает наибольшее количество голосов. В видео объясняется, как использовать алгоритм повышения для повышения производительности отдельных классификаторов.
Лекция 18. Представления: классы, траектории, переходы
18. Представления: классы, траектории, переходы.
В этом видео профессор Патрик Уинстон обсуждает концепцию человеческого интеллекта, способность формировать символические представления и ее связь с языком, а также использование семантических сетей для представления внутреннего языка и мыслей. Уинстон подчеркивает важность понимания фундаментальных паттернов и разработки словаря изменений, чтобы помочь понять различные объекты и их поведение. Кроме того, он обсуждает использование фреймов траектории для описания действий, связанных с движением от источника к месту назначения, и важность множественных представлений для лучшего понимания предложения. Наконец, Уинстон предлагает советы о том, как улучшить техническое письмо, особенно для тех, для кого английский язык не является родным, избегая двусмысленности, путаных местоимений и переключения слов.
Лекция 19. Архитектуры: GPS, SOAR, Subsumment, Society of Mind
19. Архитектуры: GPS, SOAR, подчинение, общество разума.
В этом видео обсуждаются различные архитектуры для создания интеллектуальных систем, включая общий решатель задач и архитектуру SOAR, которая в значительной степени включает эксперименты по когнитивной психологии и ориентирована на решение проблем. Спикер также обсуждает «Машину эмоций» Марвина Мински, которая рассматривает мышление на многих уровнях, включая эмоции, и гипотезу здравого смысла, которая выступает за оснащение компьютеров здравым смыслом, как у людей. Также обсуждается архитектура подчинения, вдохновленная структурой человеческого мозга, и Roomba является успешным примером. Способность воображать и воспринимать вещи связана со способностью описывать события и понимать культуру, а язык играет решающую роль в построении описаний и объединений. Подчеркивается важность участия в таких действиях, как взгляд, слушание, рисование и разговор, для тренировки областей мозга, обрабатывающих язык, и говорящий предостерегает от быстро говорящих, которые могут блокировать речевой процессор и приводить к импульсивным решениям.
Лекция 21. Вероятностный вывод I
21. Вероятностный вывод I
В этом видео о вероятностном выводе профессор Патрик Уинстон объясняет, как вероятность может использоваться в искусственном интеллекте для получения выводов и расчета вероятностей на основе различных сценариев. Он использует такие примеры, как появление статуи, собака, лающая на енота или грабителя, и основание Массачусетского технологического института в 1861 г. до н.э., чтобы продемонстрировать использование совместной таблицы вероятностей, как вычислять вероятности с помощью аксиом и цепного правила. и концепции независимости и условной независимости. Докладчик подчеркивает необходимость правильно заявить о независимости переменных и предлагает использовать сети убеждений как способ представления причинно-следственной связи между переменными при одновременном упрощении расчетов вероятности.
Лекция 22. Вероятностный вывод II
22. Вероятностный вывод II
В этом видео профессор Патрик Уинстон объясняет, как использовать сети логического вывода, также известные как «Байесовские сети», для получения вероятностных выводов. Он обсуждает, как упорядочить переменные в байесовской сети, используя цепное правило для вычисления совместной вероятности всех переменных. Докладчик демонстрирует, как накапливать вероятности, запуская симуляции, и как генерировать вероятности с помощью модели. Он также обсуждает правило Байеса и то, как его можно использовать для решения задач классификации, выбора моделей и обнаружения структур. Видео подчеркивает полезность вероятностного вывода в различных областях, таких как медицинская диагностика, обнаружение лжи и устранение неполадок оборудования.
Лекция 23. Слияние моделей, кросс-модальное связывание, краткое содержание курса
23. Слияние моделей, кросс-модальное соединение, краткое изложение курса
В этом видео профессор Патрик Уинстон рассказывает о слиянии моделей, кросс-модальном соединении и размышляет над материалом курса. Он обсуждает важность обнаружения регулярности, не слишком зацикливаясь на байесовской вероятности, и потенциальные преимущества кросс-модальной связи для понимания окружающего мира. Он также предлагает предложения для будущих курсов и подчеркивает важность сосредоточения внимания на получении новых доходов и возможностей за счет совместной работы людей и компьютеров, а не исключительно на замене людей. Кроме того, он подчеркивает важность выявления проблемы в первую очередь и выбора соответствующей методологии для ее решения. Наконец, профессор размышляет об ограничениях сведения интеллекта к воспроизводимой искусственной модели и подчеркивает исключительную работу своей команды.