人工智能纪录片的历史带我们穿越了科幻作家和电影业催生的“思维机器”概念的早期,到人工智能和深度学习过程的当今进步。这部纪录片展示了所取得的进展在 AI 中,机器像人类一样学习的能力,以及计算机工作原理背后的原理。该视频探讨了计算机的局限性、它们的发展潜力以及人工智能 (AI) 的可能未来。科学家们讨论了机器能够思考和产生新想法的可能性,目标是创建一个更通用的计算机系统,可以通过经验学习、形成概念和做逻辑。迈向 AI 的第一步可以在可以从经验中学习的小型计算机中看到,如电控鼠标解决迷宫的示例所示。
第三部分涵盖了与人工智能的历史和未来相关的广泛主题。它讨论了基于常识实现通用智能的持续努力,包括 Cyc 项目和 AI 中一般自然语言理解的潜力。还探讨了实现类人智能的挑战,包括对正式智能模型的需求和心理学的作用。受访者讨论了计算机对心理学领域的影响,以及非单调推理带来的挑战和概念突破的必要性。尽管受到批评,受访者仍将人工智能的目标视为一项能够帮助我们更好地了解自己的崇高项目。
00:00:00 在这一部分,我们回到了 1950 年代,那时“思考机器”的想法仍然是一个梦想,只有科幻作家和电影业才持有。电影《会思考的机器》讨论了机器是否真的会思考,这个概念在当时还是太牵强,因为人工智能领域才刚刚起步,研究人员还没有搞清楚如何让机器产生真正的新想法。今天,这部纪录片让我们想起了 AI 和深度学习过程所取得的进步,这些进步为我们有时认为理所当然的技术进步做出了贡献。
00:35:00 在这一部分,麻省理工学院的工作人员 Doug Ross 解释了他们如何使用一个程序编写一个小剧来说明构成智能行为的规则。他们强调智能行为是遵守规则的行为,并展示了如何让计算机进行创造性工作。他们提到了计算机用来确定合理行为的规则,他们甚至编写了影响强盗行为的醉酒因素。他们强调在机器上做这些事情并没有什么黑魔法,而且他们展示了计算机每次都写出不同的剧本,展示了它的创造力。
01:25:00 在本节中,纪录片探讨了教计算机像人类一样看东西和移动的挑战。研究人员发现,视觉的计算问题是如此巨大,以至于许多人决定专注于一种无形的智能形式,称为图灵测试,它衡量机器智能使用语言的能力。为此目的而创建的首批计算机程序之一是“Eliza”程序,它使用了一系列技巧来模拟对话,但不可能通过图灵测试。该纪录片强调了人类语言理解的复杂性如何使开发能够像人类一样理解意义和语境的 AI 语言模型变得困难。
专家系统标志着该领域的一个转折点,将重点从开发通用智能转移到狭窄的特定领域 AI,并有助于提高业务效率。然而,围绕专家系统的炒作导致资金减少,尤其是在 1987 年市场崩盘之后。该视频承认理解和定义 AI 的挑战,并推荐 Brilliant 作为人们了解 AI 从基础构建块到更高级架构的资源。
00:00:00 在本节中,我们将了解现代人工智能在 1956 年达特茅斯夏季研究项目中的正式诞生,“人工智能”一词最早被创造出来。该会议旨在通过描述机器可以模拟的智能的每个特征来模拟人类学习。这七个方面包括对计算机进行编程以使用语言、神经网络、抽象、自我完善以及随机性和创造力。会议之后的时期被称为 AI 的“黄金岁月”,计算和 AI 理论和算法开始实施,包括作为搜索的推理、语义网和微观世界。这些算法是开创性的,并为该领域注入了乐观情绪,使像马文·明斯基这样的人相信,创造人工智能可以在一代人的时间内得到实质性解决。
00:05:00 在这一部分中,视频探讨了人工智能的诞生,以及它如何在 60 年代和 70 年代初产生大量乐观情绪和炒作。这导致主要来自政府的大量资金用于 AI 研究和实施,导致许多研究机构处于当今 AI 研究的前沿。然而,在 70 年代中期,第一个 AI 冬天开始了,因为他们没有意识到他们所面临的问题的困难,再加上这一时期计算机科学领域仍在定义中。列出了五个问题,包括在有限的计算性能下取得突破的事实,以及 Moravec 的悖论,这是卡内基梅隆大学人工智能和机器人研究人员 Hans Moravec 提出的理论。
00:10:00 在本节中,我们将了解专家系统如何通过将重点从开发通用智能转移到狭窄的特定领域 AI 来标志着 AI 领域的一个重要转折点。基于特定领域专家知识的专家系统具有切实的现实影响,并帮助企业提高效率,正如 XCON 物流专家系统所见,它每年为数字设备公司节省近 4000 万美元。此外,专家系统的兴起帮助复兴了联结主义,联结主义成为学习和处理信息的可行方式。 Hopfield 网络和反向传播等训练 AI 的方法在此期间得到普及和完善,为深度学习铺平了道路。然而,随着对专家系统的期望逐渐失控,并且其脆弱的、基于条件逻辑的系统开始出现裂缝,人工智能的资金再次减少,部分原因是 1987 年的世界市场崩盘。
00:00:00 在本节中,我们将了解无监督机器学习,它适用于未标记和非结构化的数据。它代表了大多数现实世界的问题,发生在大数据和人工智能领域的交叉领域。无监督学习主要用于从非结构化数据中获取结构。这种类型的学习被细分为两种主要类型:关联和聚类。聚类涉及使用 K 均值聚类等算法,其目标是将具有多个数据点的决策空间划分为指定数量的离散类别或聚类。这是通过首先添加质心然后在更新质心的同时迭代地将数据点重新分配给它们的新集群来完成的。
00:00:00 在本节中,重点是机器学习的含义和定义以及它与人工智能的关系。机器学习是一个研究领域,它使计算机无需明确编程即可学习。它涉及使用算法在数据集的决策空间上形成决策边界。形成模型的过程称为训练,一旦经过训练的模型在训练数据上表现出良好的准确性,就可以用于推理以预测新的数据输出。这个过程定义了卡内基梅隆大学的 Tom Mitchell 博士建立的第二个最广泛使用的机器学习定义。
00:05:00 在这一部分中,视频通过突出机器学习的五个主要部落来探索机器学习和人工智能的兴起:符号主义者、联结主义者、进化论者、贝叶斯主义者和类比主义者。它接着解释了 AI 的发展是如何从 AI 早期试图创建一个更通用、更强大的 AI 转变为专注于获取各个领域的特定领域专业知识的。机器学习的兴起可以归因于计算能力和存储的增加,从而允许更大更好的数据以及深度学习的兴起。此外,该视频还谈到了由于数据成为行业中的巨大瓶颈,人工智能取得了多少突破。
00:00:00 在本节中,视频介绍了人工神经元的基础知识,人工神经元是人工神经网络的主要组成部分。人工神经元的结构类似于生物神经元,具有三个主要组成部分:胞体或细胞核、树突或连接其他神经元的臂,以及将信息传入和传出细胞的轴突或长尾身体。该视频展示了深度学习神经网络架构的基本结构是如何从 Santiago Ramon y Cajal 的第一张神经元图导出的,将树突表示为输入,将体细胞表示为处理中心,将轴突表示为输出。此外,神经元之间的连接或突触被建模,连接的强度与线条的粗细有关。
00:00:00 在本节中,视频讨论了过去的深度学习视频中未涵盖的一些概念。解释了神经网络中的偏差参数,这是另一个必须调整以学习表示的参数。偏置参数的目的是在满足特定阈值时启动节点以强烈激活。该视频解释说,偏差是线性方程的 Y 截距,其中权重是斜率。还讨论了参数与超参数的概念,其中超参数是模型外部的配置,其值无法从数据中估计。讨论强调超参数调整和优化是深度学习的一个完整子领域,需要不同的技术来为不同的参数找到最佳值。还解释了作为超参数的学习率,学习率的值对神经网络将构建的表征具有巨大的影响。
人工智能的历史 [纪录片]
人工智能的历史 [纪录片]
人工智能纪录片的历史带我们穿越了科幻作家和电影业催生的“思维机器”概念的早期,到人工智能和深度学习过程的当今进步。这部纪录片展示了所取得的进展在 AI 中,机器像人类一样学习的能力,以及计算机工作原理背后的原理。该视频探讨了计算机的局限性、它们的发展潜力以及人工智能 (AI) 的可能未来。科学家们讨论了机器能够思考和产生新想法的可能性,目标是创建一个更通用的计算机系统,可以通过经验学习、形成概念和做逻辑。迈向 AI 的第一步可以在可以从经验中学习的小型计算机中看到,如电控鼠标解决迷宫的示例所示。
第二部分探讨了计算机在思维、感觉和创造力方面的局限性和潜力。虽然计算机擅长逻辑运算和数学计算,但它们在识别、模式识别和泛化、识别块、翻译语言和执行简单任务方面都很吃力。尽管最初的结果平平无奇,但 SHRDLU 和 TENDRIL 等专家系统和程序展示了计算机如何利用知识来解决歧义和语言学习。然而,教授常识知识(包括事实知识和人们随着时间的推移获得的经验)的挑战仍然存在。神经网络虽然最初很吸引人,但也有局限性,只能处理小任务。研究人员需要训练计算机了解大自然如何构建和协调大脑中的许多微型机器,然后才能构建完全人工的版本。
第三部分涵盖了与人工智能的历史和未来相关的广泛主题。它讨论了基于常识实现通用智能的持续努力,包括 Cyc 项目和 AI 中一般自然语言理解的潜力。还探讨了实现类人智能的挑战,包括对正式智能模型的需求和心理学的作用。受访者讨论了计算机对心理学领域的影响,以及非单调推理带来的挑战和概念突破的必要性。尽管受到批评,受访者仍将人工智能的目标视为一项能够帮助我们更好地了解自己的崇高项目。
人工智能的诞生
人工智能的诞生
该视频讨论了现代人工智能 (AI) 的诞生,以及在 60 年代和 70 年代初人工智能的“黄金岁月”期间随之而来的乐观情绪。然而,该领域面临着重大挑战,包括 20 世纪 70 年代中期的第一个 AI 冬天,因为他们面临的问题的难度和计算性能有限。
专家系统标志着该领域的一个转折点,将重点从开发通用智能转移到狭窄的特定领域 AI,并有助于提高业务效率。然而,围绕专家系统的炒作导致资金减少,尤其是在 1987 年市场崩盘之后。该视频承认理解和定义 AI 的挑战,并推荐 Brilliant 作为人们了解 AI 从基础构建块到更高级架构的资源。
监督机器学习解释
监督机器学习解释
该视频解释了监督学习涉及一个带标签的数据集,其目标是学习从输入变量到输出变量的映射函数。标记数据集分为训练集和测试集,模型在训练集上进行训练,在测试集上进行评估以衡量其准确性。
视频指出,如果模型过于复杂并且与训练集过于贴合,就会出现过拟合,导致在新数据上的表现不佳,而如果模型过于简单,无法捕捉到数据的复杂性,则会出现欠拟合。该视频提供了鸢尾花数据集的示例,并演练了训练模型的过程,以使用决策树算法根据其测量结果预测新鸢尾花的种类。
无监督机器学习解释
无监督机器学习解释
该视频解释了无监督机器学习,它处理未标记和非结构化数据,主要用于从非结构化数据中推导出结构。它分为两种类型:关联和聚类,其中聚类涉及使用像 K-means 聚类这样的算法将决策空间划分为离散的类别或聚类。
关联问题识别数据集特征之间的相关性,并且要提取有意义的关联,必须通过降维来降低列的复杂性。此过程涉及最小化表示数据点所需的特征数量并实现有意义的结果和关联,同时防止欠拟合或过拟合。视频的最后一部分介绍了在 Brilliant 上学习数学和科学的概念,该平台提供有趣且相互关联的数学和科学学习,并为观看未来学内容的高级订阅提供 20% 的折扣。该视频还征求了对该频道在 Patreon 或 YouTube 会员资格上的支持,并欢迎在评论中就未来的主题提出建议。
什么是机器学习(机器学习解释)
什么是机器学习(机器学习解释)
机器学习是一个研究领域,它使计算机无需明确编程即可学习。它涉及使用算法在数据集的决策空间上形成决策边界。这种对机器学习的理解是第二广泛使用的,由 Tom Mitchell 博士建立。
机器学习可以归因于计算能力和存储的增加,允许更大更好的数据,以及深度学习的兴起。虽然它被归类为弱人工智能,因为它执行的任务通常是孤立的和特定领域的。机器学习包含许多不同的方法和模型,虽然由于抽象和简化,它们在预测现实世界问题的输出时永远无法 100% 准确,但它们仍然可以在广泛的应用程序中发挥作用。 Brilliant 被认为是学习机器学习和其他 STEM 主题的资源之一。
深度学习解释(以及为什么深度学习如此受欢迎)
深度学习解释(以及为什么深度学习如此受欢迎)
该视频解释说,深度学习的流行源于它可以直接从数据中学习特征,并使用神经网络来学习数据集中的潜在特征。深度学习的兴起可归因于大数据、增强的处理能力和简化的软件界面。
从大脑到人工智能(什么是神经网络)
从大脑到人工智能(什么是神经网络)
该视频讨论了人工神经元(人工神经网络的主要元素)的组成部分,以及它如何基于生物神经元的结构。
它还解释了神经网络如何在可应用于任何类型输入的逐层过程中从大量数据中导出表示。该视频建议前往 brilliant.org 了解更多有关深度学习算法的基本构建块的信息。
如何制作神经网络 |神经网络解释
如何制作神经网络 |神经网络解释
该视频通过讨论所涉及的结构和数学解释了神经网络如何形成模式识别能力。它以图像为例,讨论了输入层、输出层节点,并引入了隐藏层的概念。
然后,该视频深入探讨了激活函数以及它们如何将输入信号转换为输出信号。讨论了双曲正切函数和修正线性单元层,表明构建的神经网络需要大量的人工工程来确保无歧义值。视频推荐 Brilliant.org 了解更多。
计算机如何学习 |神经网络解释(梯度下降和反向传播)
计算机如何学习 |神经网络解释(梯度下降和反向传播)
该视频解释了神经网络如何通过改变隐藏层中的权重来让网络确定它们来学习。引入成本函数的概念以最小化神经网络的错误率,并将反向传播解释为调整网络参数的基本过程。
连接主义部落涵盖了机器学习的三个主要组成部分,包括表示、评估和优化。该视频还指出,网络并不总是在抽象层中完美地安排自己。深度学习的目标是让网络自己学习和调整权重。
神经网络如何工作 |神经网络解释
神经网络如何工作 |神经网络解释
该视频解释了神经网络中的偏差参数,当达到某个阈值时,它会启动节点以激活,以及参数和超参数之间的区别,超参数需要通过优化技术进行微调。
还讨论了学习率,并强调了在避免过度拟合或欠拟合的同时找到最佳学习率的挑战。特征工程是神经网络中的另一个子领域,分析师必须在其中确定准确描述问题的输入特征。该视频指出,虽然理论上的人工神经网络涉及完美的抽象层,但由于所使用的网络类型,它在现实中更加随机,这是通过选择最重要的超参数来选择的。