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
Мега-Р1. Системы, основанные на правилах
Мега-Р1. Системы, основанные на правилах
В этом видео основное внимание уделяется мегачтению, которое представляет собой лекцию в стиле учебника, помогающую студентам работать с материалом, изложенным в лекциях и декламациях. Видео охватывает несколько тем, связанных с системами, основанными на правилах, включая обратную цепочку, прямую цепочку, порядок разрешения конфликтов для правил и процесс сопоставления. Процесс обратной цепочки включает в себя просмотр следствия правила и добавление антецедентов по мере необходимости для достижения главной цели, а устранение разногласий и устранение неоднозначности имеют решающее значение для дерева целей. В видео также обсуждаются прямые цепочки и правила сопоставления утверждений с использованием серии утверждений. Докладчик подчеркивает важность проверки утверждений перед использованием правила и избегания бессильных правил, которые ничего не делают. Процесс сопоставления включает использование обратной цепочки для определения того, какие правила соответствуют заданным утверждениям, и система будет отдавать приоритет правилам с меньшими номерами, независимо от того, новые они или нет.
Мега-Р2. Базовый поиск, оптимальный поиск
Мега-Р2. Базовый поиск, оптимальный поиск
В этом видео на YouTube рассматриваются различные алгоритмы и методы поиска, включая поиск в глубину, поиск в ширину, оптимальный поиск и алгоритм A*. В видео используется забавный пример злого повелителя Марка Вейдера, ищущего новую крепость, чтобы проиллюстрировать эти концепции. Докладчик подчеркивает важность допустимости и согласованности при поиске по графу и объясняет использование расширенных списков для предотвращения повторной оценки узлов. В видео рассматриваются распространенные ошибки и вопросы аудитории, а также побуждает зрителей задавать дополнительные вопросы. В целом, видео представляет собой подробное введение в эти алгоритмы и методы поиска.
Мега-Р3. Игры, Минимакс, Альфа-Бета
Мега-Р3. Игры, Минимакс, Альфа-Бета
В этом видео рассматриваются различные темы, связанные с теорией игр и минимаксным алгоритмом, в том числе обычный минимакс, добавления альфа-бета, сокращение альфа-бета, статическая оценка, прогрессивное углубление и переупорядочивание узлов. Инструктор дает объяснения и демонстрации этих концепций на примерах и просит аудиторию принять участие в определении значений в разных узлах дерева игры. Видео заканчивается обсуждением потенциальных недостатков эвристических функций и советами для предстоящей викторины.
Мега-Р4. Нейронные сети
Мега-Р4. Нейронные сети
Видео охватывает различные аспекты нейронных сетей, в том числе их представления, путаницу с входными и выходными данными, сигмовидные и рабочие функции, веса и смещения, обратное распространение, изменение сигмовидных и рабочих функций, пороговые веса, визуализацию и потенциал нейронных сетей. Преподаватель объясняет различные формулы, необходимые для викторины, и как рекурсивно вычислять и корректировать дельты. Он также обсуждает типы нейронных сетей, необходимых для решения простых задач, и упоминает недавнее реальное применение нейронных сетей в соревновании по игре в Университете Мэриленда. Наконец, он упоминает, что, хотя нейронные сети потеряли популярность из-за их ограничений и сложностей в исследованиях, они по-прежнему полезны для викторин.
Мега-Р5. Опорные векторные машины
Мега-Р5. Опорные векторные машины
В видео рассказывается о машинах опорных векторов (SVM), которые определяют разделительную линию или границы решений в данных, находя опорные векторы, которые не совпадают с любой другой точкой данных. Он также включает использование функций ядра, которые позволяют ядру вычислять скалярное произведение без непосредственного манипулирования векторами. Профессор разъясняет цель поиска альф, обеспечивающих наилучшую W для самой широкой дороги, и то, как W является границей решения для SVM. Студенты спрашивают об интуиции, стоящей за SVM, и оптимизация, основанная на альфа-каналах, создает самый широкий путь для лучшей классификации данных. Ядро SVM также помогает оптимизировать процесс, делая его более эффективным.
Мега-Р6. Бустинг
Мега-Р6. Бустинг
В видео «Мега-R6. Бустирование» спикер объясняет концепцию бустинга в машинном обучении и демонстрирует процесс подбора правильных классификаторов для минимизации ошибок. Они приводят пример идентификации вампиров по определенным качествам и обсуждают, как выбрать наиболее эффективные классификаторы. Выбранные классификаторы используются для создания окончательного классификатора, который применяется к точкам данных, чтобы определить, сколько из них классифицировано правильно. Спикер также подчеркивает важность выбора времени остановки процесса и признает, что достижение полной точности не всегда возможно.
Мега-R7. Близкие промахи, Arch Learning
Мега-R7. Близкие промахи, Arch Learning
В видео представлена концепция обучения на грани промаха, включающая изучение различных типов источников света и их характеристик. Подход Arch Learning использует шесть эвристик для уточнения модели, включая требование ссылки, запрет ссылки, восхождение по дереву, расширение набора, закрытый интервал и отбрасывание ссылки. В видео обсуждаются различные методы, используемые в машинном обучении, такие как расширенный набор, восхождение по дереву, закрытый интервал и сброс ссылки. Спикеры также говорят о проблемах, связанных с хрупкостью и уязвимостью модели Arch Learning для упорядочения, что приводит к непоследовательным реакциям на противоречивую информацию. В видео также обсуждается концепция обобщения для Mega-R7 и чем она отличается от предыдущих моделей. Кроме того, обсуждаются компромиссы между ирландским обучением и решетчатым обучением с точки зрения их способности выражать подмножества информации, а также обучение системы с использованием нескольких моделей с различными деталями реализации.
AlphaGo - документальный фильм
AlphaGo | Документальный фильм
Документальный фильм о разработке компьютерной программы AlphaGo, предназначенной для победы над игроками-людьми в игре го. В фильме рассказывается о победе программы над чемпионом мира среди людей в матче из пяти игр. Некоторые зрители считают, что победа AlphaGo может ознаменовать конец человеческой расы, какой мы ее знаем, поскольку машины все лучше справляются с выполнением когнитивных задач.
AlphaGo - Как ИИ освоил самую сложную настольную игру в истории
AlphaGo - Как ИИ освоил самую сложную настольную игру в истории
В видео рассматриваются технические детали AlphaGo Zero, системы искусственного интеллекта, которая была полностью обучена посредством самостоятельной игры и без использования наборов данных, созданных человеком. Система использовала остаточную сетевую архитектуру и подход с двумя исследованиями для прогнозирования стоимости и сильных движений. В видео освещаются сделанные улучшения, в том числе возможность предсказывать результаты игры, обнаружение системы и отход от хорошо известных ходов в го. Однако практическое применение системы ограничено потребностью в идеальном симуляторе, что затрудняет применение подхода в других областях.
Deepmind AlphaZero — освоение игр без человеческого знания
Deepmind AlphaZero — освоение игр без человеческого знания
В видео рассказывается о разработке архитектуры глубокого обучения с подкреплением DeepMind, AlphaZero, которая использует единую политику и сеть ценностей для достижения успеха в играх с огромным пространством состояний без каких-либо предварительных человеческих данных. Алгоритм AlphaZero включает в себя обучение нейронной сети предсказанию действия, выбранного при поиске по всему дереву Монте-Карло, итеративной фильтрации знаний для создания более сильных игроков с течением времени. Алгоритм показал впечатляющие кривые обучения, превзойдя предыдущие версии всего за несколько часов обучения и продемонстрировав замечательную масштабируемость, несмотря на то, что он оценивал меньше позиций, чем предыдущие поисковые системы. В видео также обсуждается способность AlphaZero сочетать лучшее из человеческого и машинного подходов, демонстрируя при этом потенциал универсального обучения с подкреплением.