人工智能

人工智能程序可以具有智商吗？ 换句话说，可以测量AI程序的智商吗？ 就像人类如何进行智商测试一样。

10 intelligence-testing 

已关闭。这个问题是基于观点的。它当前不接受答案。 想改善这个问题吗？更新问题，以便通过编辑此帖子以事实和引用的形式回答。 3年前关闭。 史蒂芬·霍金（Stephen Hawking）的这段话已经登上头条新闻了很长时间了： 当人工智能变得太聪明时，人工智能可能会消灭人类，就像人类会像蚂蚁一样。 他为什么这样说？简单来说，AI可能带来哪些威胁？如果我们知道AI如此危险，为什么还要继续推广它呢？为什么不禁止它？ 所谓的技术奇点性有哪些不利后果？

10 intelligent-agent 

似乎深度神经网络和其他基于神经网络的模型正在主导许多当前领域，例如计算机视觉，对象分类，强化学习等。 SVM（或其他模型）仍在哪些领域中产生最新的结果？

10 machine-learning  svm  state-of-the-art 

自动编码器是一种神经网络，可以学习输入的压缩表示形式以便稍后对其进行重构，因此可以将其用于降维。它们由编码器和解码器（可以是独立的神经网络）组成。降维可用于处理或减弱与维数诅咒有关的问题，因为维数诅咒中的数据变得稀疏，更难获得“统计意义”。因此，可以使用自动编码器（以及类似PCA的算法）来处理维数的诅咒。 为什么我们特别在意使用自动编码器进行降维？如果目的是降低尺寸，为什么我们不能简单地使用PCA？ 如果只想进行降维，为什么需要解压缩输入的潜在表示，或者为什么需要在自动编码器中使用解码器部分？有哪些用例？通常，为什么我们需要压缩输入以稍后对其进行解压缩？仅使用原始输入（开始）会更好吗？

10 machine-learning  autoencoders  dimensionality-reduction  curse-of-dimensionality 

有几种激活功能，例如ReLU，Sigmoid或谭谭\tanh。混合激活功能会怎样？ 我最近发现Google开发了Swish激活功能，即（x * sigmoid）。通过更改激活函数，可以提高诸如XOR问题之类的小型神经网络问题的准确性吗？

10 neural-networks  machine-learning  activation-function  relu  sigmoid 

如果环境也是随机的，最优策略是否总是随机的（即，从状态到动作的概率分布的映射）？ 直观地，如果环境是确定性的（即，如果代理处于状态sss并采取操作，则下一个状态始终相同，无论在哪个时间步长），那么最优策略也应该是确定性的（也就是说，它应该是状态到动作的映射，而不是动作的概率分布）。a一个as′s′s'

10 reinforcement-learning  stochastic-policy  deterministic-policy  policy  environment 

我只是偶然发现了神经元覆盖率的概念，即神经网络中激活的神经元与总神经元之比。但是，神经元被“激活”是什么意思？我知道什么是激活函数，但是被激活意味着什么，例如在ReLU或S型函数的情况下？

10 neural-networks  ai-basics  concepts  activation-function 

我认为使用Leaky ReLU而不是ReLU的优势在于，这样我们就不会消失梯度。参数化ReLU具有相同的优势，唯一的区别在于，负输入的输出斜率是可学习的参数，而在Leaky ReLU中则是超参数。 但是，我无法确定是否存在使用ReLU代替Leaky ReLU或Parametric ReLU更方便的情况。

10 neural-networks  activation-function  relu 

因此，我试图在“ 滑块”难题（数字类型）上实现BFS 。现在，我主要注意到的是，如果您有一块4*4木板，那么状态数可能会很多，16!因此我无法事先枚举所有状态。 所以我的问题是如何跟踪已经访问过的州？（我正在使用一个类板，每个类实例包含一个唯一的板模式，并通过枚举当前步骤中的所有可能步骤来创建）。 我在网上搜索，很显然它们并没有返回到刚刚完成的上一步，但是我们也可以通过另一条路线返回到上一步，然后再次枚举之前已访问过的所有步骤。那么，当尚未枚举所有状态时，如何跟踪访问的状态呢？（将已经存在的状态与当前步骤进行比较将很昂贵）。

10 ai-design  algorithm  ai-basics  breadth-first-search 

是否有可能在不久的将来取代神经网络的模型？ 而且我们甚至需要吗？就效率而言，使用神经网络最糟糕的事情是什么？

10 neural-networks  convolutional-neural-networks  recurrent-neural-networks 

它最近引起了我的注意的是国际象棋高手把这个现在著名比赛的结果作为心烦的事。 参见：国际象棋的最佳新手是一种无所畏惧的，无畏的算法 作为国际象棋和国际象棋AI的非专家，我的假设是，基于AlphaGo的性能以及与组合游戏相关的这种方法的验证，较早的AI将没有机会。 为什么AlphaZero的胜利令人惊讶？

10 chess  alphazero 

我正在尝试检测视频文件中的电视频道徽标，因此只需给定输入.mp4视频，即可检测它是否在特定帧（例如第一帧）中存在该徽标。 我们预先有该徽标（尽管可能不是％100的相同尺寸），并且位置始终是固定的。 我已经有一个基于模式匹配的方法。但这要求图案必须为％100相同大小。我想使用深度学习和神经网络来实现这一目标。我怎样才能做到这一点？相信CNN可以有更高的效率？

10 neural-networks  convolutional-neural-networks  pattern-recognition  detecting-patterns 

对于拥有丰富的神经网络经验的人来说，这听起来很愚蠢，但却困扰着我。 我的意思是，将初始权重随机化可能会为您提供更好的结果，该结果会更接近受训网络的外观，但也可能恰好相反，而合理权重范围的平均值为0.5或其他平均值值听起来像是一个很好的默认设置... 为什么对神经元的初始权重进行随机分配而不是对所有神经元进行权重分配？

10 neural-networks  training 

我目前正在编写一个玩纸牌游戏的引擎，因为此特定游戏还没有引擎。 我希望以后能够将神经网络引入游戏中，并让它学会玩游戏。 我正在以对AI播放器有用的方式编写引擎。有选择点，并在这些点上显示有效选项的列表。随机选择将能够玩游戏（尽管效果不佳）。 我已经学习了很多有关神经网络（主要是NEAT和HyperNEAT）的知识，甚至建立了自己的实现。我仍然不确定如何最好地构建可以考虑这些类型游戏之一中所有变量的AI。有没有通用的方法？我知道Keldon为RftG编写了很好的AI，它具有相当高的复杂性，我不确定他如何设法建立这样的AI。 有什么建议吗？可行吗 有什么好的例子吗？输入如何映射？ 编辑：我在网上看了一下，了解了神经网络如何工作，通常它们与图像识别或操纵简单代理有关。我不确定是否或如何将其应用于具有复杂协同作用的卡片进行选择。朝我应该研究的方向发展将不胜感激。 关于游戏：游戏类似于《魔术：聚会》。有一个具有健康和能力的指挥官。玩家拥有一个能量池，可用来将小兵和咒语放在棋盘上。仆从具有生命值，攻击值，费用等。纸牌也具有能力，这些能力不易枚举。纸牌是从手中开始的，新的纸牌是从牌组中抽出的。这些都是神经网络考虑的方面。

10 neural-networks  machine-learning  gaming  neat 

我几次听说深度学习的根本/开放问题之一是缺乏“通用理论”，因为实际上我们不知道为什么深度学习如此有效。甚至有关深度学习的Wikipedia页面也有类似的评论。这样的陈述是否可信并能代表该领域的现状？

10 deep-learning