Lima sekolah pembelajaran mesin yang anda tidak tahu
Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa pengaturcaraan yang jelas. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi.
1. Sekolah Semiotik
Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah satu proses deduksi terbalik, menggunakan pengetahuan dan peraturan sedia ada untuk mencari pandangan daripada falsafah, psikologi dan logik. Asal usul semiotik boleh dikesan kembali ke zaman purba, apabila ahli falsafah awal, ahli logik, dan ahli psikologi mengkaji kognisi melalui penggunaan simbol. Walau bagaimanapun, semiotik yang benar-benar sistematik bermula dalam budaya Perancis pada akhir abad ke-19 dan awal abad ke-20, terutamanya dipromosikan oleh sekumpulan penulis, artis dan ahli falsafah daripada sekolah semiotik, beliau dan Allen Newell bersama-sama mencadangkan konsep Penyelesai Masalah Umum (GPS).
- Allen Newell: Salah seorang pengasas sekolah semiotik, dia dan Herbert Simon bersama-sama mencadangkan konsep Penyelesai Masalah Umum (GPS).
Marvin Lee Minsky: Salah seorang pengasas Makmal Kecerdasan Buatan MIT Beliau mencadangkan teori rangka kerja dan memberi sumbangan besar kepada bidang kecerdasan buatan. Marvin Minsky ialah seorang saintis komputer dan saintis kognitif terkemuka. Dia mula belajar kecerdasan buatan pada tahun 1950-an dan menjadi salah satu perintis dalam bidang itu. Fokus penyelidikannya
Algoritma utama
Pengaturcaraan Logik Induktif (ILP) ialah kaedah penaakulan terbalik. Penaakulan songsang biasanya menggunakan penaakulan logik untuk menemui pengetahuan dengan mengekstrak peraturan am daripada contoh khusus.
- 2. Sekolah Connectionism
Connectionism, juga dikenali sebagai connectionism, diilhamkan oleh neurosains dan fizik, menekankan analisis terbalik otak dan simulasi struktur dan fungsi rangkaian saraf. Aliran pemikiran ini percaya bahawa kecerdasan timbul melalui hubungan dan interaksi antara sejumlah besar unit mudah (neuron). Teori ini berpendapat bahawa simulasi sambungan dan interaksi antara neuron boleh menghasilkan tingkah laku pintar. Sambungan dan interaksi ini dicapai melalui sambungan antara unit ringkas (neuron). Dengan melaraskan kekuatan dan berat sambungan dalam rangkaian saraf, sambungan dan pemindahan maklumat antara neuron dalam otak manusia boleh disimulasikan. Salah satu kelebihan utama connectomics ialah ia membolehkan penjanaan kecerdasan melalui sebilangan besar unit mudah
Representative
Yann LeCun ialah seorang saintis cemerlang yang membangunkan dan berjaya menggunakan rangkaian nevisional komputer. tugasan seperti pengecaman digit tulisan tangan. Kerja LeCun telah menggalakkan pembangunan pembelajaran mendalam dalam aplikasi praktikal.
- Geoffrey Hinton: Seorang perintis pembelajaran mendalam, beliau mencadangkan seni bina penting seperti rangkaian neural konvolusi (CNN) dan rangkaian kepercayaan mendalam (DBN).
David Rumelhart: Pakar psikologi dan salah seorang pengasas model Pemprosesan Teragih Selari (PDP), beliau mencadangkan algoritma perambatan balik.
Frank Rosenblatt: Ahli psikologi dan pencipta perceptron, beliau mencadangkan algoritma pembelajaran perceptron.
Algoritma utama sekolah sambungan ialah Backpropagation. Backpropagation ialah algoritma yang mengemas kini berat rangkaian saraf dengan mengira kecerunan fungsi kehilangan, yang sangat meningkatkan kecekapan melatih rangkaian saraf dalam. Pengiraan Evolusi diilhamkan oleh genetik dan biologi evolusi serta menjalankan pembelajaran dan pengoptimuman dengan mensimulasikan proses evolusi biologi. Idea teras sekolah ini adalah menggunakan operasi genetik seperti pemilihan, crossover dan mutasi untuk mensimulasikan proses evolusi biologi pada komputer untuk mencari penyelesaian optimum kepada masalah tersebut. John Holland John Holland ialah perintis dalam bidang pengkomputeran evolusi dia mencadangkan algoritma genetik (Algoritma Genetik) Kerja Holland meletakkan asas untuk pengiraan evolusi, dan algoritma genetiknya menggunakan pemilihan semula jadi dan operasi genetik untuk menyelesaikan masalah pengoptimuman yang kompleks. David E. Goldberg David E. Goldberg telah membuat sumbangan penting dalam penyelidikan dan aplikasi algoritma genetik. Bukunya "Genetic Algorithm" memperkenalkan teori dan aplikasi algoritma genetik secara terperinci, yang telah menarik perhatian dan perkembangan meluas dalam bidang ini. Algoritma utama sekolah evolusi ialah Pengaturcaraan Genetik (GP). Pengaturcaraan genetik ialah algoritma yang menggunakan teknologi pengkomputeran evolusi untuk menjana program komputer secara automatik Ia secara beransur-ansur mengoptimumkan program untuk menyelesaikan masalah tertentu dengan mensimulasikan proses evolusi biologi. Bayesianisme adalah berdasarkan statistik dan percaya bahawa pembelajaran adalah proses penaakulan kemungkinan. Aliran pemikiran ini menggunakan teorem Bayes untuk melaksanakan pembelajaran dan inferens dengan mengemas kini taburan kebarangkalian terdahulu. . Walaupun Bayes sendiri tidak terlibat secara langsung dalam penyelidikan pembelajaran mesin, kerjanya sangat penting untuk pembentukan dan pembangunan sekolah Bayesian.
Algoritma Utama Algoritma utama sekolah Bayesian ialah Inferens Bayesian. Penaakulan Bayesian membuat ramalan dan keputusan dengan mengira kebarangkalian posterior, dan mempunyai kelebihan yang ketara dalam menangani ketidakpastian dan sistem yang kompleks. 5. Sekolah Analogi Tom Michael Mitchell Algoritma utama sekolah analogi ialah Mesin Vektor Sokongan (SVM). Sokongan mesin vektor melaksanakan tugas klasifikasi dengan membina hyperplane untuk memaksimumkan pemisahan antara kategori yang berbeza. Dalam ruang data berdimensi tinggi, SVM berfungsi dengan baik dan amat sesuai untuk masalah pengecaman corak yang kompleks. Wakil Idea utama Algoritma utama Bidang aplikasi Herbert Simon, Alan Newell Er, John McCarthy, Marvin Lee Minsky Pembelajaran ialah satu proses manipulasi simbolik Potongan terbalik Perwakilan bahasa semula jadi Sekolah Connectionist Jan LeCun, Jeffrey Hinton, Joshua Bengio, David Rummelhart, Frank Rosenblatt Pembelajaran ialah proses yang meniru rangkaian saraf otak Rambatan belakang Pengecaman imej, pemprosesan bahasa semula jadi Sekolah evolusi John Holland, David Goldberg Pembelajaran ialah proses yang meniru evolusi biologi Algoritma genetik, strategi evolusi Sekolah Bayesian Sekolah Analogi Vladimir Vapnik, Tom Michael Mitchell Pembelajaran ialah satu proses dengan mengekstrapolasi pertimbangan persamaan berdasarkan analogi sistem pujian, alasan kes, terjemahan mesin 7. Ringkasan Sekolah semiotik menekankan penaakulan logik dan perwakilan pengetahuan, sekolah koneksi mensimulasikan struktur dan fungsi rangkaian saraf, sekolah evolusi menggunakan proses evolusi biologi untuk pengoptimuman, sekolah Bayesian mengendalikan ketidakpastian melalui penaakulan kebarangkalian, dan sekolah analogi melakukan penaakulan analogi melalui penghakiman persamaan. Setiap sekolah mempunyai wakil dan algoritma utamanya, dan sumbangan mereka bersama-sama mempromosikan pembangunan dan kemajuan bidang pembelajaran mesin.
3. Pengiraan Evolusi
4. Bayesianisme
Judea Pearl telah membuat sumbangan cemerlang kepada rangkaian Bayesian dan inferens sebab-akibat. Pembangunan rangkaian Bayesian beliau ialah alat penting yang menjadikan penaakulan kebarangkalian dalam sistem kompleks lebih cekap dan intuitif. Karya Pearl telah memberi impak yang mendalam pada kedua-dua kecerdasan buatan dan statistik.
Tom Michael Mitchell telah membuat sumbangan yang luas dalam bidang pembelajaran mesin, dan bukunya "Pembelajaran Mesin" ialah buku teks penting dalam bidang ini. Penyelidikan Kowalski tentang pembelajaran analogi dan pengaturcaraan logik induktif memberikan sokongan teori yang penting untuk pembangunan sekolah analogi.
6. Perbandingan lima sekolah utama pembelajaran mesin
Walaupun kelima-lima sekolah ini mempunyai perbezaan dalam teori dan kaedah, mereka tidak saling eksklusif, tetapi boleh saling melengkapi dan berintegrasi. Dalam aplikasi praktikal, penyelidik sering menggabungkan pelbagai kaedah untuk menangani masalah yang kompleks dan boleh diubah. Dengan perkembangan teknologi dan pendalaman penyelidikan antara disiplin, pembelajaran mesin akan terus memainkan peranan penting dalam semua aspek kecerdasan buatan, membawa lebih banyak inovasi dan penemuan.
Penapisan spam, diagnosis perubatan, perolehan maklumat
Atas ialah kandungan terperinci Lima sekolah pembelajaran mesin yang anda tidak tahu. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undress AI Tool
Gambar buka pakaian secara percuma

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
