人工智能

是否有可能凭经验估算出在普通消费级GPU上可训练的神经网络的大小？例如： 的步态（加固）的出现纸列车使用神经元的tanh激活的网络。它们具有3层NN，其中300,200,100单位用于Planar Walker。但是他们没有报告硬件和时间... 但是可以发展一条经验法则吗？同样仅基于当前的经验结果，例如： 使用S型激活的X单位可以在1060上每小时运行Y个学习迭代。 或使用激活功能a代替b会导致性能下降。 如果学生/研究人员/好奇心的人打算购买GPU来与这些网络一起玩耍，那么您如何决定获得的结果呢？1060显然是入门级预算选项，但是如何评估仅获得一台笨拙的上网本而不是构建高功率台式机并将节省的资金用于按需云基础架构，是否更明智。 问题的动机：我刚购买了1060，并且（聪明，以后问这个问题吧）想知道我是否应该保留$并创建一个Google Cloud帐户。而且，如果我可以在GPU上运行我的硕士论文模拟。

9 neural-networks 

我发明了象棋的棋盘游戏。我建立了一个引擎，使其可以自主播放。引擎基本上是决策树。由以下人员组成： 一个搜索功能，可以在每个节点找到所有可能的合法举动 评估功能，可为棋盘位置分配一个数值（正数表示第一个玩家获得优势，负数表示第二个玩家赢得胜利） Alphabeta修剪negamax算法 有关此引擎的主要问题是评估功能的优化确实很棘手。我不知道要考虑哪些因素以及要考虑的权重。我认为改善引擎的唯一方法是，每次因数和权重的不同组合进行尝试时都要迭代游戏。但是，这在计算上似乎是一项艰巨的壮举（我可以不使用深度学习而向后传播吗？）。 我想使用强化学习，通过与自己对战来改善引擎。我一直在阅读有关该主题的文章，但我仍然很困惑。 在游戏中，输赢（1或0）部分还有什么其他奖励？如果我使用其他奖励，例如每次评估函数的输出，该如何实现呢？如何修改评估函数，以在迭代后获得更好的回报？

9 reinforcement-learning  game-ai  game-theory  combinatorial-games  negamax 

我是计算机科学博士学位的学生，目前正在以机器伦理学（将哲学和AI相结合的多学科领域，致力于创建明确的伦理计划或代理）创建应用程序的最新概述。尽管该领域有很多技术背景，但似乎该领域主要包含理论论据，并且实现相对较少。 我了解到，因为涉及道德，所以没有根本的真理，并且由于它是哲学的一部分，因此在争论应实施哪种类型的道德以及如何最好地做到这一点时，可能会迷失方向。但是，在计算机科学中，通常甚至尝试尝试一种简单的实现来展示您的方法的可能性或局限性。 在AI中明确实施道德规范并进行尝试的工作很少做的可能原因是什么？

9 philosophy  ethics  social  implementation 

我正在阅读Hinton的新论文“胶囊之间的动态路由”，但没有抽象地理解术语“活动向量”。 胶囊是一组神经元，其活动矢量代表特定类型的实体（例如对象或对象部分）的实例化参数。我们使用活动矢量的长度来表示实体存在的概率，并使用其方向来表示实例化参数。一级的活动胶囊通过转换矩阵对高层胶囊的实例化参数进行预测。当多个预测结果一致时，更高级别的胶囊就会生效。我们表明，经过判别训练的多层胶囊系统在MNIST上达到了最先进的性能，并且在识别高度重叠的数字方面比卷积网络要好得多。为了获得这些结果，我们使用了一种按协议迭代路由的机制： https://arxiv.org/pdf/1710.09829.pdf 我认为向量就像是您通过网络运行的数据数组。 我开始学习安德鲁·伍（Andrew Ng）的深度学习课程，但它是全新的，术语令我头疼。

9 neural-networks 

从去年开始，我一直在研究各种主题，以了解一些机器学习最重要的论文，例如 S. Hochreiter和J. Schmidhuber。（1997）。短期记忆长。神经计算，9（8），1735-1780。 但是，由于我没有任何数学背景，因此我开始学习诸如 结石 多元微积分 数学分析 线性代数 微分方程 实数分析（测度理论） 基本概率统计 数理统计 现在，我不能说我已经严格地研究了这些主题，但是我知道上面的主题想要处理什么。问题是我现在不知道该做什么。机器学习用于解决许多问题的领域很多，我不知道如何正确地利用它们。 例如，强化学习现在是最流行的主题之一，成千上万的研究人员正在进行他们的研究，以突破维度的诅咒。但是，作为将来要在IT公司工作的员工，办公桌上的任务并不是我期望的。 拥有自己的专业知识在这些领域中工作重要吗？如果是这样，我现在必须学习哪些科目？ 为了您的方便，我想进一步了解Markov过程和Markov决策过程。

9 machine-learning  getting-started 

类比在交流中非常强大。通过映射到已知领域，他们可以向没有领域知识的人解释复杂的概念。霍夫施塔特说他们很重要，而迪克斯特拉说他们很危险。无论如何，类比可视为在人类交流中传递概念的一种有效方式（敢于说是转移学习吗？）。 我知道一些传统的工作，例如基于案例的推理，但是没有关于AI中的类比机制的最新工作。 对于AGI是否需要类比是否存在共识，它们的重要性如何？ 请考虑以具体的工作或出版物来支持您的答案。

9 ai-design  philosophy  agi 

我提到的多种资源都提到MSE很棒，因为它是凸的。但是我不知道怎么做，尤其是在神经网络的情况下。 假设我们有以下内容： XXX：训练数据集 YYY：目标 ΘΘ\Theta：模型（具有非线性的神经网络模型）的参数集fΘfΘf_\Theta 然后： MSE(Θ)=(fΘ(X)−Y)2MSE⁡(Θ)=(fΘ(X)−Y)2\operatorname{MSE}(\Theta) = (f_\Theta(X) - Y)^2 为什么这个损失函数总是凸的？这是否取决于？FΘ（X）fΘ(X)f_\Theta(X)

9 neural-networks  math  backpropagation  gradient-descent 

刚刚观看了有关虚拟助手讲笑话的最新WIRED视频。它们是由人类组成的，但是我想知道AI是否已经足够好来编写一些。

9 machine-learning 

我遇到了Winograd SHRDLU程序，我发现它非常有趣且令人向往。 对此有什么共识？有没有类似的尝试？ 我正在阅读Terry Winograd 了解自然语言的书，他在其中讨论程序的功能，LISP语言等。我还发现了语言学家Michael Halliday和Winograd的书中提到的语言理论系统（功能）语法。 是否还有其他AI / NLP使用此理论作为语义功能的基础？ https://zh.wikipedia.org/wiki/SHRDLU

9 natural-language-processing  computational-linguistics  lisp 

最近击败扑克玩家冠军的机器有多强大？

9 neural-networks  machine-learning 

我想对神经网络进化（NEAT）进行一些实验。早在90年代，我就用C ++编写了一些GA和神经网络代码，只是为了玩弄而已，但事实证明，DIY方法非常耗费人力，最终我放弃了它。 从那时起，事情发生了很大的变化，并且有很多非常不错的开源库和工具可以满足人们的几乎任何兴趣。我已经用Google搜索了不同的开源库（例如DEAP），但是我可以使用一些帮助来选择一个合适的库... 我花了很多时间编写代码来可视化正在发生的事情（神经网络状态，人口适应度）或最终结果（图表等）。也许这必须由一个单独的开源库来实现，但是可视化支持将使我能够在问题/解决方案上花费更多的时间，而在实现细节上花费更少的时间。 我知道C / C ++，Java，C＃，Python，Javascript和其他一些语言。在高级语言和家用硬件上的良好性能之间进行很好的权衡将是一个不错的选择。 有经验的人可以建议一个好的开源库或工具集吗？

9 neural-networks  genetic-algorithms  neat 

在研究数据挖掘方法时，我已经了解到有两个主要类别： 预测方法： 分类 回归 描述方法： 聚类 关联规则 由于我想根据位置，活动，电池电量（培训模型的输入）来预测用户的可用性（输出），因此我认为很明显我会选择“预测方法”，但是现在我似乎无法选择分类和回归。从到目前为止的理解，分类可以解决我的问题，因为输出是“可用”或“不可用”。 分类能否为我提供用户可用或不可用的概率（或可能性）？ 在输出中，不仅仅是0（不可用）或1（可用），还可以是： 80%80%80\%可用 20%20%20\%不可用 也可以使用回归来解决此问题吗？ 我知道回归用于连续输出（不仅是0或1个输出），但是输出不能是用户可用性的连续值（例如输出为表示用户为可用，则用户是无法使用）。80808080%80%80\%20%20%20\%

9 machine-learning  ai-design  classification  prediction  regression 

我正在阅读一本名为《使用Scikit-Learn和TensorFlow进行机器学习动手》的书，在该书的第10章中，作者写道： 生物神经网络（BNN）4的体系结构仍是活跃研究的主题，但大脑的某些部分已被绘制地图，似乎神经元通常组织在连续的层中，如图10-2所示。 但是，那里似乎与任何研究都没有联系。考虑到他使用了“ 似乎神经元通常组织在连续的层中”，因此作者并没有断言。 这是真的吗？人们相信它有多强烈？这是什么研究？

9 artificial-neuron  biology 

我首先想到的一个问题是“人工智能会受苦吗？”。痛苦对人类很重要。想象一下您正在损坏脚跟。没有痛苦，您将继续伤害它。对于AI同样如此。但是后来我告诉自己：“请稍等。它已经存在。出现的错误和警告 ”。可以说，它具有与苦难相似的目的。但是，我感到有些失踪。我们感到痛苦。错误和错误仅仅是数据。假设机器人可以使用机器学习和基因编程进行进化。 人工智能可以学会受苦吗？而不仅仅是知道它仅仅是信息。

9 philosophy  emotional-intelligence 

我读到深度神经网络可以相对容易地被愚弄（链接），从而使人们对完全（或至少大部分）不在置信对象范围内的合成/人工图像的识别具有很高的信心。 就我个人而言，我真的没有看到DNN对那些合成/人造图像具有高置信度的大问题，但是我认为对白噪声（链接）具有高置信度可能是一个问题，因为这是相机可能看到的一种真正的自然现象。在现实世界。 对于DNN的实际使用，白噪声有多少问题？可以通过某种方式防止从普通噪声中检测到这种误报吗？

9 neural-networks  deep-network  image-recognition  convolutional-neural-networks  signal-processing