Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Anlatım 15. Öğrenme: Ramak Kala Olaylar, Felicity Koşulları
15. Öğrenme: Ramak Kala Olaylar, Felicity Koşulları
Bu videoda, Profesör Patrick Winston ramak kalalardan öğrenme kavramını ve mutluluk koşullarını tartışıyor. Bir kemer inşa etmek ve bunun bir kemer olarak kabul edilmesi için gerekli olan belirli kısıtlamaları belirlemek de dahil olmak üzere farklı örnekler kullanır. Ayrıca bir bilgisayar programının buluşsal öğrenmeyi kullanarak bir trenin temel özelliklerini nasıl tanımlayabileceğini açıklıyor. Konuşmacı, kendini açıklamanın ve hikaye anlatımının önemini, özellikle de sunumlara ikisini de dahil etmenin bir fikrin öne çıkmasını ve ünlü olmasını nasıl sağlayabileceğini vurgular. Nihayetinde, paketleme fikirlerinin yalnızca AI ile ilgili olmadığına, aynı zamanda iyi bilim yapmak, kendini daha akıllı hale getirmek ve daha ünlü olmakla ilgili olduğuna inanıyor.
Anlatım 16. Öğrenme: Vektör Makinelerini Destekleyin
16. Öğrenme: Vektör Makinelerini Destekleyin
Videoda Patrick Winston, destek vektör makinelerinin (SVM) nasıl çalıştığını ve bir karar kuralını optimize etmek için nasıl kullanılabileceğini tartışıyor. DVM algoritmasının, bir giriş vektörünü (x) iki benzer vektörü ayırmanın daha kolay olduğu yeni bir uzaya taşımak için bir dönüşüm (Phi) kullandığını açıklıyor. Çekirdek işlevi k, x sub i ve x sub j'nin iç çarpımını sağlar. Gereken tek şey, bir çekirdek işlevi olan k işlevidir. 1990'ların başında SVM üzerinde çalışan bir Sovyet göçmeni olan Vapnik, çekirdek fikrini yeniden canlandırmakla ve onu SVM yaklaşımının önemli bir parçası haline getirmekle tanınır.
Anlatım 17. Öğrenme: Arttırma
17. Öğrenme: Güçlendirme
Video, güçlü bir sınıflandırıcı oluşturmak için birkaç zayıf sınıflandırıcıyı birleştiren güçlendirme fikrini tartışıyor. Buradaki fikir, zayıf sınıflandırıcıların oy kullanması ve güçlü sınıflandırıcının en çok oyu almasıdır. Video, bireysel sınıflandırıcıların performansını iyileştirmek için bir artırma algoritmasının nasıl kullanılacağını açıklar.
Anlatım 18. Temsiller: Sınıflar, Yörüngeler, Geçişler
18. Temsiller: Sınıflar, Yörüngeler, Geçişler
Bu videoda Profesör Patrick Winston, insan zekası kavramını, sembolik temsiller oluşturma yeteneğini ve bunun dille ilişkisini ve iç dili ve düşünceleri temsil etmek için semantik ağların kullanımını tartışıyor. Winston, farklı nesneleri ve davranışlarını anlamaya yardımcı olmak için temel kalıpları anlamanın ve bir değişim sözlüğü geliştirmenin önemini vurguluyor. Ek olarak, bir kaynaktan bir hedefe hareketi içeren eylemleri tanımlamak için yörünge çerçevelerinin kullanımını ve bir cümleyi daha iyi anlamak için çoklu temsillerin önemini tartışır. Son olarak, Winston, özellikle anadili İngilizce olmayanlar için, belirsiz bir dilden, kafa karıştırıcı zamirlerden ve sözcükleri değiştirmekten kaçınarak teknik yazının nasıl geliştirileceğine dair ipuçları sunuyor.
Anlatım 19. Mimariler: GPS, SOAR, Submission, Society of Mind
19. Mimariler: GPS, SOAR, Submission, Society of Mind
Bu video, genel problem çözücü ve bilişsel psikoloji deneylerini büyük ölçüde içeren ve problem çözmeye odaklanan SOAR mimarisi dahil olmak üzere akıllı sistemler oluşturmak için çeşitli mimarileri tartışıyor. Konuşmacı ayrıca Marvin Minsky'nin duygular da dahil olmak üzere birçok katman üzerinde düşünmeyi ele alan "Duygu Makinesi"ni ve bilgisayarları insanlar gibi sağduyu ile donatmayı savunan sağduyu hipotezini tartışıyor. İnsan beyninin yapısından ilham alan kapsayıcı mimari de başarılı bir örnek olan Roomba ile tartışılmaktadır. Bir şeyleri hayal etme ve algılama becerisi, olayları tanımlama ve kültürü anlama becerisiyle bağlantılıdır ve dil, betimlemeler ve birleştiriciler oluşturmada çok önemli bir rol oynar. Beynin dil işleme alanlarını çalıştırmak için bakmak, dinlemek, çizmek ve konuşmak gibi faaliyetlerde bulunmanın önemi vurgulanır ve konuşmacı, dil işlemcisini bozabilecek ve fevri kararlara yol açabilecek hızlı konuşanlara karşı uyarır.
Ders 21. Olasılıksal Çıkarım I
21. Olasılıksal Çıkarım I
Olasılığa dayalı çıkarımla ilgili bu videoda Profesör Patrick Winston, olasılığın yapay zekada çıkarımlar yapmak ve çeşitli senaryolara dayalı olasılıkları hesaplamak için nasıl kullanılabileceğini açıklıyor. Ortak bir olasılık tablosunun kullanımını, aksiyomları ve zincir kuralını kullanarak olasılıkların nasıl hesaplanacağını göstermek için bir heykelin görünümü, rakuna veya hırsıza havlayan bir köpek ve MÖ 1861'de MIT'nin kuruluşu gibi örnekler kullanır. ve bağımsızlık ve koşullu bağımsızlık kavramları. Konuşmacı, değişken bağımsızlığını doğru bir şekilde ifade etme ihtiyacını vurgular ve olasılık hesaplamalarını basitleştirirken değişkenler arasındaki nedenselliği temsil etmenin bir yolu olarak inanç ağlarının kullanılmasını önerir.
Ders 22. Olasılıksal Çıkarım II
22. Olasılıksal Çıkarım II
Bu videoda Profesör Patrick Winston, olasılıksal çıkarımlar yapmak için "Bayes Ağları" olarak da bilinen çıkarım ağlarının nasıl kullanılacağını açıklıyor. Tüm değişkenlerin ortak olasılığını hesaplamak için zincir kuralını kullanarak bir Bayes ağında değişkenlerin nasıl sıralanacağını tartışıyor. Konuşmacı, simülasyonlar çalıştırarak olasılıkların nasıl biriktirileceğini ve bir model kullanarak olasılıkların nasıl üretileceğini gösterir. Ayrıca Bayes kuralını ve onun sınıflandırma problemlerini çözmek, modelleri seçmek ve yapıları keşfetmek için nasıl kullanılabileceğini tartışıyor. Video, tıbbi teşhis, yalan tespiti ve ekipman sorun giderme gibi çeşitli alanlarda olasılıksal çıkarımın yararlılığını vurgulamaktadır.
Anlatım 23. Model Birleştirme, Modlar Arası Eşleştirme, Ders Özeti
23. Model Birleştirme, Modlar Arası Eşleştirme, Ders Özeti
Bu videoda, Profesör Patrick Winston model birleştirme, modlar arası eşleştirme hakkında konuşuyor ve ders materyali üzerine düşünüyor. Bayesci olasılığa fazla takılmadan düzenliliği keşfetmenin önemini ve çevremizdeki dünyayı anlamak için modlar arası eşleşmenin potansiyel faydalarını tartışıyor. Ayrıca gelecekteki kurslar için önerilerde bulunuyor ve yalnızca insanların yerini almayı hedeflemek yerine, birlikte çalışan insanlarla ve bilgisayarlarla yeni gelirler ve yetenekler elde etmeye odaklanmanın önemini vurguluyor. Ek olarak, önce sorunu belirlemenin ve sorunu ele almak için uygun metodolojiyi seçmenin önemini vurguluyor. Son olarak profesör, zekayı tekrarlanabilir, yapay bir modele indirgemenin sınırlamaları üzerine düşünür ve ekibinin olağanüstü çalışmasını vurgular.
Mega-R1. Kural Tabanlı Sistemler
Mega-R1. Kural Tabanlı Sistemler
Bu video, öğrencilerin derslerde ve ezberden okumalarda kapsanan materyallerle çalışmasına yardımcı olmak için öğretici tarzı bir ders olan Mega-Tekrar'a odaklanmaktadır. Video, geriye doğru zincirleme, ileri zincirleme, kurallar için eşitlik bozma sırası ve eşleştirme süreci dahil olmak üzere kural tabanlı sistemlerle ilgili çeşitli konuları kapsar. Geriye doğru zincirleme işlemi, bir kuralın sonucuna bakmayı ve en üst hedefe ulaşmak için gerektiği şekilde öncülleri eklemeyi içerir ve eşitliği bozma ve netleştirme, hedef ağacı için çok önemlidir. Video ayrıca, bir dizi iddia kullanarak ileri zincirleme ve iddialarla eşleştirme kurallarını tartışıyor. Konuşmacı, bir kuralı kullanmadan önce iddiaları kontrol etmenin ve hiçbir işe yaramayan etkisiz kurallardan kaçınmanın önemini vurgular. Eşleştirme işlemi, verilen iddialarla hangi kuralların eşleştiğini belirlemek için geriye doğru zincirleme kullanmayı içerir ve sistem, yeni olup olmadıklarına bakılmaksızın daha düşük numaralı kurallara öncelik verir.
Mega-R2. Temel Arama, Optimal Arama
Mega-R2. Temel Arama, Optimal Arama
Bu YouTube videosu, önce derinlik araması, genişlik önceliği araması, optimum arama ve A* algoritması dahil olmak üzere çeşitli arama algoritmalarını ve tekniklerini kapsar. Video, bu kavramları göstermek için yeni bir kale arayan Kötü Derebeyi Mark Vader'ın eğlenceli bir örneğini kullanıyor. Sunucu, grafik aramada kabul edilebilirlik ve tutarlılığın önemini vurgular ve düğümlerin yeniden değerlendirilmesini önlemek için genişletilmiş listelerin kullanımını açıklar. Video, izleyicilerden gelen yaygın hatalara ve sorulara değiniyor ve izleyicileri daha fazla soru sormaya teşvik ediyor. Genel olarak, video bu arama algoritmalarına ve tekniklerine kapsamlı bir giriş sağlar.