首页
Alice_小杰

人工智能是如何学习的

1 人工智能
1 人工智能
2 机器学习
3
2 机器学习
2.1 非监督式学习
2.1 非监督式学习
2.2 监督式学习
2.2 监督式学习
2.3 强化学习
2.3 强化学习
3 争议问题
3 争议问题
人工智能的用途
人工智能的用途
生活中的人工智能
生活中的人工智能
科学家难以理解
科学家难以理解
人工智能的特点
人工智能的特点
机器如何学习
机器如何学习
三大类型
三大类型
提取信息
提取信息
适用场景
适用场景
医疗场景
医疗场景
非监督式学习
非监督式学习
非监督意义
非监督意义
诊断疾病
诊断疾病
收集数据
收集数据
生成算法
生成算法
改进算法
改进算法
监督式学习
监督式学习
寻找差异
寻找差异
治疗方案
治疗方案
收集反馈
收集反馈
比较数据
比较数据
迭代更新
迭代更新
强化学习概念
强化学习概念
各有千秋
各有千秋
复杂系统
复杂系统
协同运作
协同运作
头部模型
头部模型
运用场景
运用场景
发展方向
发展方向
难以理解
难以理解
尝试解决
尝试解决
潜在隐患
潜在隐患
教导伦理
教导伦理
伦理困境
伦理困境
人员名单
人员名单
单集封面
单集封面

人工智能是如何学习的

2023-11-13
560 人已看
12 讨论
Alice_小杰
Alice_小杰
粉丝:54
主题:6
描述:9
例子:13
其他:12
字数:1844
Alice_小杰
Alice_小杰
粉丝:54

#人工智能是如何学习的

1 人工智能

人工智能的用途

如今,人工智能可以帮助医生诊断病人,帮助飞行员驾驶商用客机,帮助城市规划师预测交通情况。

提问 生活中的人工智能

请读者尝试回答,在现实生活中,哪里用到了人工智能?

疑惑 科学家难以理解

但无论人工智能作何用途,设计它们的计算机科学家可能并不知道它们是如何工作的。

人工智能的特点

这是因为人工智能通常能自我学习,它们根据一组简单的指令去生成特定的规则和策略。

提问 机器如何学习

那么机器究竟是如何学习的?

2 机器学习

三大类型

有多种不同的方法用来搭建自主学习程序。但它们都依赖于机器学习的三大基础类型:非监督式学习,监督式学习,强化学习。

2.1 非监督式学习

提取信息 非监督式学习

来看看它们的真实运作情况,请想象研究人员正在尝试从包含数千名患者档案的医疗数据中提取信息。首先是,非监督式学习。

适用场景 非监督式学习

这种方法适用于分析全部资料,以获取相似性和有用模式。

医疗场景 适用场景

也许某些患者有类似的临床表现,或者某种治疗方案产生特定的副作用。

非监督式学习

这种广泛的搜索模式方法,可以用来识别患者档案之间的相似性,以及获取显露模式,全程没有人类指导。

提问 非监督意义

请读者尝试回答,“非监督”意味着什么?

2.2 监督式学习

诊断疾病 监督式学习

让我们想象医生们正在寻找更具体的信息。这些医生想要创建一种算法,用于诊断特定的疾病。

收集数据 监督式学习

首先他们收集两组数据,健康的人和确诊某种疾病的患者的医学图像和检验结果。

生成算法 监督式学习

然后,他们将这些数据输入到设计好的程序用来识别该病患者所共有而健康的人所没有的特征。根据某种特征出现的频率,程序将会对这些特征的诊断意义赋值,生成一种用于诊断未来患者的算法。

改进算法 监督式学习

然而,不同于非监督式学习,医生和计算机科学家在接下来的事情中扮演积极角色。医生将作出最终诊断,并检查算法的预测准确性。此时计算机科学家可以使用已更新的数据集,来调整程序的参数,进而提高程序的准确性。

监督式学习

这种亲身实践的方法被称为监督式学习。

提问 寻找差异

请读者尝试回答,“非监督式学习”与“监督式学习”有什么区别?

2.3 强化学习

治疗方案

现在,让我们假设这些医生想要设计另一种算法,来推荐治疗方案。由于这些方案将会分阶段实施,而且可能会根据每位患者的治疗反应而改变,医生们决定使用强化学习。

收集反馈

这个程序通过迭代的方式,来收集关于何种药物、多少计量以及什么治疗是最有效的反馈信息。

比较数据

接着,它将这些数据与每位患者的档案进行比较,从而生成特定的、最佳的治疗方案。

迭代更新

随着治疗的进展,程序收到更多的反馈,它可以持续性更新每位患者的计划。

提问 强化学习概念

请读者尝试回答,强化学习是什么?

各有千秋

这三种技术本质上没有先进之分。虽然有些需要或多或少的人工干涉,但它们各有各的优缺点,这使得它们各自有最合适的任务。

复杂系统

然而,同时使用它们的话,研究人员能够搭建复杂的人工智能系统,其中各个子程序可以相互监督和指导。

协同运作 复杂系统

例如,非监督式学习程序发现相似的患者群体时,它可以将这些数据发送给已连接的监督学习程序。监督学习程序就可以将这些信息纳入其预测中。或者,数十个强化学习项目,可能会模拟潜在的患者结果,以收集关于不同治疗计划的反馈。

过渡 头部模型

有许多种方法来创建这些机器学习系统,其中最有发展前景的模型,是那些模拟大脑神经元之间关系的模型。

运用场景

这些人工神经网络使用数百万计的连接,来处理困难的任务,例如图像识别,语音识别,甚至是语言翻译。

提问 发展方向

请读者尝试回答,计算机可以快速储存处理数千万条数据,但为什么还是朝人脑方向发展?

3 争议问题

难以理解

然而,这些模型越是自我导向,计算机科学家越是难以理解,这些自我学习的算法是如何得出解决方案的。

寻找 尝试解决

研究人员已经在寻找一些方法,让机器学习更加易于理解。

潜在隐患

但随着人工智能越来越多地参与到日常生活中,这些“神秘的解决方案”产生越来越大的影响,对于我们的工作,我们的健康,我们的安全。

提议 教导伦理

因此,在这些机器继续学习调查,协商和沟通的同时,我们也必须考虑如何教它们教导彼此要合乎伦理地运作。

提问 伦理困境

请读者尝试回答,人类的道德标准是否适用于人工智能? (没有所谓的标准答案,可以不回答。)

名单 人员名单

出处:TED-Ed;翻译&打轴&校对&分段:Alice_小杰;审核:吃猫的鱼、YJango、明非

讨论
随记