Questions tagged «machine-learning»

目前，我正在做一个有关创建AI来玩Gomoku游戏的项目（这就像井字游戏，但在15 * 15的板上玩，要连续赢5个）。我已经使用Q学习成功地实现了一个完美的井字游戏AI，并将游戏状态/动作存储在表格中，但是对于15 * 15的游戏板，可能的游戏状态变得太大了，因此实施此项目也是如此。 我的问题是，我应该使用神经网络还是遗传算法解决这个问题？更具体地说，我应该如何实现呢？

9 neural-networks  machine-learning  genetic-algorithms  combinatorial-games 

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 

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 

最近击败扑克玩家冠军的机器有多强大？

9 neural-networks  machine-learning 

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 

因此，自从我碰到Adam Geitgey关于机器学习的博客以来，我就一直试图理解神经网络。我已经读了尽可能多的关于该主题的文章（我能理解），并且相信我理解所有广泛的概念和一些工作原理（尽管数学上很弱），神经元，突触，权重，成本函数，反向传播但是，我还无法弄清楚如何将现实世界中的问题转化为神经网络解决方案。 典型的例子，亚当Geitgey给出作为一个例子使用，其中给定的包含数据集的房子的价格预测系统的卧室号，平方。脚，邻居和销售价格，你可以训练神经网络，以能够预测的房子的价格。但是，他没有在代码中实际实现可能的解决方案。举例来说，他得到的最接近的是一个基本函数，该函数演示了如何实现权重： def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): price = 0 # a little pinch of this price += num_of_bedrooms * 1.0 # and a big pinch of that price += sqft * 1.0 # maybe a handful of this price += neighborhood * 1.0 # and finally, just a little …

9 neural-networks  machine-learning 

因此，从某种意义上讲，机器学习可以使系统实现自动化，该系统可以根据到目前为止所学的知识来预测未来的状态。我的问题是：机器学习技术是使系统发展其领域知识的唯一方法吗？

9 machine-learning  knowledge-representation 

我正在尝试为用户输入一些症状的系统提出正确的算法，并且系统必须预测或确定一些选定症状与系统中现有症状相关联的可能性。然后，在将它们关联之后，结果或输出应该是针对症状的特定疾病。 该系统由一系列疾病组成，每种疾病都有特定的症状，该症状也存在于系统中。 假设用户输入了以下输入： A, B, C, and D 系统应该做的第一件事是检查每个症状（在这种情况下用字母表示）并将其与已经存在的症状的数据表关联起来。并且在不存在输入的情况下，系统应报告或发送有关该输入的反馈。 而且，我们假设它A and B在数据表中，因此我们100％确保其有效或存在，并且系统能够根据输入来确定疾病。然后让我们说，输入现在是C and D哪里C在数据表中不存在，但有一个可能性D存在。 我们D的得分不是100％，但是可能更低（比如说90％）。那么C在数据表中根本就不存在。因此，C得分为0％。 因此，系统应具有某种关联和预测技术或规则，以通过判断用户的输入来输出结果。 生成输出的摘要： If A and B were entered and exist, then output = 100% If D was entered and existed but C was not, then output = 90% If all entered don't exist, then output …

9 algorithm  machine-learning  prediction 

通常认为AI代理具有“传感器”，“存储器”，“机器学习处理器”和“反应”组件。但是，具有这些功能的计算机不一定会成为自编程AI代理。除了上面提到的部分之外，要使机器成为自编程AI代理，是否还需要其他要素或细节？ 例如，2011年发表的一篇论文宣称，解决智能化最大化的优化问题是自编程过程的必备功能，如下所述： 据说一个系统在学习有关其“认知基础结构”某些要素的知识时会执行自编程实例，其中后者被定义为系统的“智能关键”特征的模糊集合。从解决多特征系统智能最大化的优化问题的角度考虑，将系统特征的智能重要性定义为它的“特征质量”。 但是，这种“智能优化”的描述是模糊的。谁能为自编程代理的必要组件提供清晰的定义或更好的摘要？ 这个问题来自2014年封闭测试版，询问者的UID为23。

9 machine-learning  computer-programming 

我们可以在Wikipedia页面上读到Google为机器学习构建了定制的ASIC芯片，并为TensorFlow量身定制了该芯片，这有助于加速AI。 由于ASIC芯片是专门为一种特定用途而定制的，因此无法更改其电路，因此必须调用某些固定算法。 那么，如果无法更改其算法，使用ASIC芯片的AI加速将如何工作呢？它的哪一部分恰好在加速？

9 neural-networks  machine-learning  hardware  neuromorphic-engineering