A2A
Impresionante es subjetivo de persona a persona. Ejemplos recientes como AlphaGo y Watson venciendo a los campeones humanos son impresionantes. Reconocimiento de imágenes que pueden reconocer a los gatos de una pintura surrealista. AI pintando fotos en estilos de Van Gogh, etc.
Para mí, estos son resultados de las hazañas impresionantes logradas en la IA. Lo que realmente me sorprende es lo lejos que llegamos en IA sin saber realmente lo que está sucediendo. Acabo de ver un curso de video en la red neuronal profunda de los cursos en línea del MIT. Allí, el profesor habló sobre cómo, a pesar de que la red neuronal profunda funciona bien para superar los máximos / minutos locales que la propagación inversa no puede, no tenemos idea de por qué ciertas capas / neuronas se comportarían como tales. Es como, tenemos una hipótesis de cómo deberían funcionar las cosas, diseñamos un sistema para en este contexto, lo dejamos correr y funciona; pero no tenemos idea de cómo están sucediendo los funcionamientos internos.
A través de mis propias experiencias personales de diseño de IA y ajustes para mejorar la precisión, puedo decir que es bastante cierto que podemos llegar al objetivo final sin saber mucho sobre el funcionamiento interno.
- ¿Qué cantidad del curso de Informática puedo hacer en el 3er, 4to año (por ejemplo, matemáticas discretas, IA) en IIIT Delhi después de haber tomado Btech Electronics and Comm.
- ¿Cuál es mejor lpu o iem kolkata para cse?
- ¿Qué es mejor: CSE EN LA UNIVERSIDAD DE THAPAR, ECE EN PEC O CSE EN NIT JALANDHAR?
- ¿Debo hacer Btech (ECE) desde JIIT sec 128?
- ¿Qué es necesario para obtener una buena ubicación en CSE de una universidad no muy buena?
Mirando esto desde la perspectiva del diseñador, construyo una red neuronal simple con una capa oculta, al principio me da todo tipo de respuestas aleatorias, ni siquiera parece que esté aprendiendo. Así que quería normalizar las respuestas a un rango. Es decir, si la entrada de la IA es alrededor del 50% de su potencial máximo, doy las respuestas a un multiplicador del 50%. Esto no me ayuda a resolver el problema si la IA que produce más valores negativos después de aprender el valor debería ser positiva, pero de alguna manera, abraza la curva de las respuestas reales … ¡imagínense!
Ahora me da una precisión del 30 al 70%. ¿Cómo llego al 90% +? Miro a través de cada paso, bueno, los pesos aleatorios me dan un resultado de precisión del 30%, el error en la propagación hacia atrás ajusta el peso y lo ejecuta nuevamente. La próxima vez que devuelva el 70%, se quedará aquí porque el error se divide entre, digamos, 10 pesos, por lo que cada uno aumenta ligeramente y ya no está marcando la diferencia, así que hemos alcanzado un máximo / mínimo.
Agrego un vector de impulso al aprendizaje, lo que significa que si parece que es una solución local (es decir, el error es> 10%, aunque también es subjetivo), el valor del error se multiplica por una función de impulso, la función aumenta cada vez que el director de el error permanece igual, por lo que eventualmente no moverse de un máximo local / mínimo parece un gran error en sí mismo. No tengo idea de si eso lo moverá de todos modos, y también, literalmente, estoy cometiendo un error a medida que avanzo, porque no es el valor de error real (es un múltiplo); Además de eso, puede sobre disparar el máximo / min real. De alguna manera, funciona.
No tengo matemática para respaldar las cosas que hago, solo cómo creo que debería funcionar el sistema, conociendo un cálculo paso a paso de la IA y dónde necesito que vaya el cálculo y por qué no va allí. Luego trato de construir algún tipo de “lógica” de alto nivel en esto, lo que personalmente plantea más preguntas de las que responde. Según cualquier estándar matemático, mis algoritmos serían solo un hazmerreír, pero funciona y funciona bien … ¡imagínate!