什么是人工智能吗? 分析16 625工作在过去25年

日期:

2019-01-27 19:35:29

的风景:

647

评价:

1喜欢 0不喜欢

分享:

什么是人工智能吗? 分析16 625工作在过去25年 Source:

<几乎所有你听说的人工智能的今天,它是由于深深的学习。 这个类别的算法工作的统计数据来发现数据中的模式,并证明是非常强大的在模仿人类技能,例如我们能够看到和听到的。 在一个很窄的范围,它甚至可以效仿我们的能力的原因。 这些算法支持谷歌搜索,新闻,Facebook,Netflix建议引擎,以及形状的行业,如保健和教育。

<<跨id="更308292">

如何开展深入的学习

<尽管事实上,深入学习几乎是单枪匹马地表明人工智能的社区,它仅代表一个小闪光的历史任务的人创造其自己的智慧。 它是在前列的这些搜索时,少于十年。 如果推迟历史上的这一地区,这是很容易理解,很快她会搬走。

<大段引用><"如果在2011年有人写道,一个深刻的培训将会上头版报纸和杂志很少,我们会想,哇,什么你吸毒说,"佩德罗*多明戈、计算机科学系教授在华盛顿大学和提交人的‘;主的算法’.

<根据他的突然起伏的各种方法具有长征的领域的研究。 每十年里,已经热之间的竞争不同的想法。 然后,有时,开关的点击次数和整个社会开始做一些事情。

<我们的同事从麻省理工学院技术审查这些问题和开始。 为此,他们呼吁中的一个最大的开放数据库的科学论文称为arXiv的。 他们载入摘自所有16 625条款提供部分"的人工智能"至18日2018和追溯的话提到了多年来,看看如何开发这个地区。

<他们的分析显示,三个主要趋势:一个转向学习机在90年代末—;2000年初,越来越流行的神经网络,它开始于2010年代早期,并增强化学习,在过去的几年。

<但首先,一些注意事项。 首先,部分arXiv AI追溯到1993年,该术语"人工智能"指的是到1950-日以来,所以数据库本身构成最新的一章历史上的这一地区。 第二,该文件加入该数据库每年仅表示部分进行的工作在这一领域的时刻。 然而,arXiv提供了一个极好的资源用于识别的一些主要的研究趋势和为了看到的拉锯之间的战争不同的意识形态阵营。

这一模式的学习机

<最大的变化,研究人员发现,背离了系统基础知识,在2000年初非法入境的。 这种计算机系统都基于的想法是,可以进行编码,所有的人类知识的成该规则的引擎。 相反,科学家们已经变成机学习的父母一类别的算法,包括深入学习。

<之间的100多数提到的词相关系统的基于知识的"逻辑的","约束"和"规则"—下降最多。 和相关的学习机—"数据","网络","性"增长比其他人更多。

<引起这种天气变化非常简单。 在80年代的系统的基础知识,得到普及,在迷由于周围的兴奋雄心勃勃的项目,试图重建在机器公共识。 但是,当这些项目的开始,研究人员面临的一个主要问题:有必要进行编码太多的规则,以使系统能够做些什么有用的。 这导致费用的增加,并大幅减缓目前的进程。

<这个问题的答案是机械学习。 而不是有需要的人手码成千上万的规则,这种方法的程序的机器自动提取这些规则从一堆数据。 同样,这一地区的放弃系统、基于知识,并应用于改进机学习。

繁荣的神经网络

<框架内的一个新的模式的学习机、过渡,以深入的学习并没有发生。 相反,作为分析的关键方面,科学家测试多种方法除了神经网络,基本的机制的深入学习。 其他流行的方法是贝式网络,支持向量的机器和进化算法,它们都使用不同的方法来寻找模式的数据。

<在整个1990年代和2000年代,年之间这些方法有强烈的竞争。 然后,在2012年,突破到另一个改变的天气。 在每年的ImageNet竞争,旨在加速取得进展的计算机领域的远景,一个研究员名叫杰弗里顿与他的同事们一起从多伦多大学已经取得了更好的准确性在识别图像的精确度略微超过10%。

<深学习技术,他使用,引起了新关切问题研究的第一个在社会上的展示台,然后超越。 因为越来越多的科学家已经开始使用它,以实现令人印象深刻的结果,普及这种技术,随着受欢迎的神经网络,极大地增加。

增强化学习

<的分析表明,几年之后的鼎盛时期深入的学习已经发生的第三和最后转艾研究。

<除了各种机学习方法,有三个不同的类型:培训控制的、不受控制和与增援。 监督学习,其中涉及喂养机标记的数据,是最常使用的并且具有最实际的应用程序的日期。 然而,在过去的几年中,强化学习,它模拟的学习过程的动物通过的"胡萝卜和胡萝卜"惩罚和奖励,导致迅速增长的引用它在工作。

<这个想法并不新,但几十年来它没有工作。 "专家在控制培训嘲笑的专家在加强学习,说:"多明戈斯。 但是,与深入的学习,一个转折点,突然放的方法脱颖而出。

<这一时刻到来了在2015年十月,当AlphaGo,训练有增援部队,击败了世界冠军在古老的游戏中去。 影响研究界是瞬时的。

下一个十年

<分析麻省理工学院技术审查,确保只有最新的印象之间的竞争的想法,特AI研究。 然而,它说明了可变性的承诺重复的情报。 "重要的是要明白,没有一个知道如何解决这个问题,说:"Domingos.

<许多方法,已使用25年中,出现在同一时间在1950年代,非法入境者,都无法满足的挑战和成功的每一个十年。 神经网络,例如,达到高峰,在60年代和80年代的小,但几乎死之前恢复其知名度,由于深深的学习。

<每十年中,在句话说,看到了统治的其他技术:神经网络在50年代和60年代,各种象征性的尝试,在上世纪70年代,基础的系统知识在80年代,贝网络在90年代,支持向量为零的和神经网络再次在2010年。

<2020年不会有任何不同的博士说,多明戈斯。 这样的时代的深入学习可能很快就会结束。 但下一步是什么—一个古老的技术,在一个新的荣耀,和一个新的范例就是这一主题的激烈争端的社区。

<大段引用><"如果你回答这个问题,说:"Domingos,"我想要专利的答案。"

<以赶上新闻的人工智能的尾巴。

建议

褪黑激素可以帮助治疗冠状病毒吗?

褪黑激素可以帮助治疗冠状病毒吗?

Some doctors believe that sleep hormone helps with coronavirus It appears that in the list of potential treatments COVID-19, which the researchers proposed for several months of the pandemic, another replenishment: melatonin. A doctor in Texas says h...

什么确定大小的雨滴?

什么确定大小的雨滴?

为什么雨水滴滴都不相同? 科学家们已经知道答案 一旦在雨和隐藏在一个僻静的地方,你可能会注意到,雨点是非常不同的大小。 一般来说,云下降具有相同的幅度,但到地球飞颗粒直径为1到5毫米。 很长一段时间,科学家们认为,在飞行过程中的滴改变它们的大小,面临彼此。 只是现在,在2009年,法国的科学家们注意到,下降的飞行在相当大的距离和彼此不能往往相互碰撞。 因此,破裂成更小的碎片,由于物理联系,他们都没有能力。 找出多么大的雨滴都很小,他们进行的实验室试验。 他们创建的设计,这是落水滴的,并在它们上面...

物理学家认为,我们的文明将属于几十年。 但为什么?

物理学家认为,我们的文明将属于几十年。 但为什么?

如果你不停止砍伐森林、我们的文明将下降超过40年 中的全球健康危机,我们都需要好的消息。 但现实是,今日新闻更令人震惊的和不能被忽略。 甚至一些30-40年前,我们的父母的乐观和信心展望未来,但我们不能为一些原因,第一个和最重要的是气候变化。 无论我们喜欢与否,世界正处于边缘环境灾害的这些话在采访弗拉基米尔*Pozner所述的一个突出知识产权的时候,语言学家诺姆*乔姆斯基. 他的话证实了新的工作的理论物理学家,发表在《日刊》,根据该概率的死亡人类文明在森林砍伐是90%。 森林土地 嗯,是时候...

评论意见 (0)

这篇文章已经没有意见,是第一个!

增加的评论