


Sind Sie bereit, Quantenmaschinelles Lernen in praktische Anwendungen umzusetzen?
Bankinstitute verstehen und verfolgen oft das Transaktionsverhalten der Kunden, wenn sie ihre Bankkarten verwenden. Wenn jemand beispielsweise in den Urlaub nach Schweden fährt, kann er statt Bargeld mit Kreditkarte bezahlen. Sobald jedoch jemand anderes die Kreditkarte nutzt, kann die Bank, die die Kreditkarte ausgestellt hat, nicht entscheiden, die Transaktion zu sperren. Schließlich gibt es in den Aufzeichnungen über den Karteneinzug keinerlei Hinweise darauf, dass jemand anderes die Karte entwendet hat.
Die maschinellen Lernalgorithmen der Banken treffen jeden Tag Milliarden dieser Entscheidungen. Dies ist in der Informatik als „Durchschnittsklassifizierungsproblem“ bekannt und diese Modelle müssen entscheiden, ob eine Transaktion dem normalen Kaufverhalten eines Kunden entspricht. Bei herkömmlichen Algorithmen für maschinelles Lernen wird dieses Problem hauptsächlich durch die Profilierung des Zahlungsverlaufs des Verbrauchers und anderer Interaktionsinformationen mit der Bank gelöst, was ein rechenintensiver und unvollkommener Prozess ist.
Sind Algorithmen für Quantenmaschinelles Lernen an der Spitze der Technologie bereit für solche praktischen Anwendungen? Über die Antwort auf diese Frage sind sich Branchenexperten uneinig.
Wann kommt Quantenmaschinelles Lernen?
Richard Hopkins, ein angesehener Ingenieur bei IBM und Mitglied der Royal Academy of Engineering, erklärte, dass eine andere Option darin bestehen könnte, Algorithmen für Quantenmaschinelles Lernen zu verwenden.
Er wies darauf hin, dass herkömmliche Modelle des maschinellen Lernens viel Zeit und Ressourcen zum Trainieren benötigen, um alle verschiedenen Merkmale einer Transaktion zu identifizieren und abzuwägen, um festzustellen, ob die Transaktion verdächtig ist. Im Gegensatz dazu verwenden quantenmechanische Lernmodelle Überlagerungen von Qubits, um diese Merkmale gleichzeitig zu beobachten, und sind daher in der Lage, Antworten auf sehr schwierige Klassifizierungsprobleme viel schneller zu finden.
Obwohl sich der Bereich des quantenmaschinellen Lernens noch im experimentellen Stadium befindet, kann es nach Ansicht von Hopkins nur fünf Jahre dauern, bis die Anwendung von Algorithmen für quantenmaschinelles Lernen in verschiedenen Bereichen wie Betrugserkennung, Arzneimittelforschung und -entwicklung usw. zu sehen ist Computer Vision.
Aber nicht alle Experten stimmen dieser Ansicht zu. Dr. Maria Schuld, Forscherin beim Quanten-Start-up Xanadu und Co-Autorin des Buches „Machine Learning for Quantum Computers“, glaubt, dass quantenmaschinelles Lernen auf lange Sicht zweifellos ein enormes Entwicklungspotenzial hat, aber praktische Anwendungen von Quanten realisiert Computing scheint derzeit in weiter Ferne.
Sie sagte: „Wir sind Wissenschaftler und erstellen normalerweise Geschäftsmodelle für die Wissenschaft, die wir studieren. Wir tun dies nicht, weil wir wissen, dass es funktionieren wird, sondern in der Hoffnung, dass es einige aufregende Ergebnisse gibt.“
Quantum Machine Learning Noch experimentell
Quantenmaschinelles Lernen ist ein relativ neues Feld. Obwohl bereits seit Mitte der 1990er-Jahre Forschungsarbeiten zu diesem Thema veröffentlicht wurden, hat das maschinelle Quantenlernen erst in den letzten fünf oder sechs Jahren begonnen, die Aufmerksamkeit der wissenschaftlichen Gemeinschaft auf sich zu ziehen.
Schuld stellte fest, dass es beim Quantenmaschinellen Lernen zwei große Forschungsbereiche gibt: Der eine besteht darin, Quantencomputer zur Beschleunigung traditioneller Algorithmen des maschinellen Lernens zu verwenden, wie zum Beispiel der Gibbs-Sampler; Als Grundlage wird das Modell auf ähnliche Weise wie herkömmliche neuronale Netze trainiert.
Dennoch befindet sich dieser Bereich insgesamt noch in einem sehr experimentellen Stadium. Sie erklärte, dass sich Algorithmen für maschinelles Lernen zwar in manchen Fällen als „Quantenvorteile“ gegenüber herkömmlichen Algorithmen erweisen können, es jedoch einige Zeit dauern wird, bis sie für reale Anwendungen in Betracht gezogen werden können.
Dies wird durch die Begeisterung für Quantenmaschinelles Lernen in mehreren Studien überschattet, die oft unter der Prämisse veröffentlicht werden, dass Quantenvorteile in einem einzigen, engen Anwendungsfall erzielt werden. „Das ist aus akademischer Sicht interessant, sagt aber nicht viel über mögliche Anwendungen des Quantencomputings aus“, bemerkte Schuld. „Schließlich wurden viele der in diesen Studien behandelten Probleme sorgfältig für die Arbeit auf einem Quantencomputer programmiert.“ Mit anderen Worten: Sie sind nur gut darin, sehr spezifische Probleme mit einem Quantencomputer zu lösen Probleme. Im Gegensatz dazu haben Forscher im Bereich Quantenmaschinelles Lernen immer noch Schwierigkeiten, eine Methode an eine Reihe von Aufgaben anzupassen. Aus diesem Grund wies Schuld deutlich darauf hin, dass es noch nicht an der Zeit sei, Quantenchips als Basis für neue Modelle des maschinellen Lernens zu nutzen.
Quantenmaschinelles Lernen muss sich in der Realität beweisenWährend Quantencomputing-Forscher darin übereinstimmen, dass quantenmaschinelles Lernen in bestimmten Situationen weitaus bessere Ergebnisse erzielen kann als herkömmliches maschinelles Lernen, sind Experten skeptisch, wie lange es dauern wird, bis ersteres funktioniert tatsächlich verwendet Es gibt Unterschiede.
Hopkins räumte ein, dass es auf diesem Gebiet immer noch an einer gemeinsamen Vorlage für die Zuordnung von Problemen zu Algorithmen und die Generierung von Lösungen mangelt, was auch ein Problem ist, mit dem das traditionelle maschinelle Lernen einst konfrontiert war, aber sobald es fertig ist, wird es sehr einfach sein, die Vorteile dieser Technologie zu nutzen .
„Quantencomputer ermöglichen es Benutzern, bessere und genauere Entscheidungen auf der Grundlage höherdimensionaler Datensätze zu treffen. Wir haben dies in der Theorie bewiesen, wir haben es im Labor bewiesen und wir kommen diesem Ziel näher .“
Aber sind quantenmechanische Lernmodelle dafür bereit?? Schuld meint nein. Sie sagte: „Solange sich die zugrunde liegende Hardware nicht verbessert, wissen wir nicht, ob es Algorithmen für Quantenmaschinelles Lernen geben wird, die eine große Anzahl praktischer Probleme lösen können. Wenn wir keine fehlerfreien Maschinen haben, wird es eine Grenze für das geben, was tatsächlich kann.“ Was die praktische Anwendung betrifft, ist dies etwas bedauerlich.“ Er sagte: „Es ist unmöglich, dies auf einem Quantencomputer mit nur 433 Qubits zu erreichen, aber wir machen jedes Jahr Fortschritte bei der Erweiterung der Anzahl möglicher Experimente zum maschinellen Quantenlernen. Die Menschen werden nach und nach sehen, wie sich die Modelle des maschinellen Quantenlernens ändern. Sie müssen vielseitiger sein.“ .“
Das obige ist der detaillierte Inhalt vonSind Sie bereit, Quantenmaschinelles Lernen in praktische Anwendungen umzusetzen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Bei der Bildanmerkung handelt es sich um das Verknüpfen von Beschriftungen oder beschreibenden Informationen mit Bildern, um dem Bildinhalt eine tiefere Bedeutung und Erklärung zu verleihen. Dieser Prozess ist entscheidend für maschinelles Lernen, das dabei hilft, Sehmodelle zu trainieren, um einzelne Elemente in Bildern genauer zu identifizieren. Durch das Hinzufügen von Anmerkungen zu Bildern kann der Computer die Semantik und den Kontext hinter den Bildern verstehen und so den Bildinhalt besser verstehen und analysieren. Die Bildanmerkung hat ein breites Anwendungsspektrum und deckt viele Bereiche ab, z. B. Computer Vision, Verarbeitung natürlicher Sprache und Diagramm-Vision-Modelle. Sie verfügt über ein breites Anwendungsspektrum, z. B. zur Unterstützung von Fahrzeugen bei der Identifizierung von Hindernissen auf der Straße und bei der Erkennung und Diagnose von Krankheiten durch medizinische Bilderkennung. In diesem Artikel werden hauptsächlich einige bessere Open-Source- und kostenlose Bildanmerkungstools empfohlen. 1.Makesens

In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls

Laienhaft ausgedrückt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Eingabedaten einer vorhergesagten Ausgabe zuordnet. Genauer gesagt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Modellparameter anpasst, indem sie aus Trainingsdaten lernt, um den Fehler zwischen der vorhergesagten Ausgabe und der wahren Bezeichnung zu minimieren. Beim maschinellen Lernen gibt es viele Modelle, z. B. logistische Regressionsmodelle, Entscheidungsbaummodelle, Support-Vektor-Maschinenmodelle usw. Jedes Modell verfügt über seine anwendbaren Datentypen und Problemtypen. Gleichzeitig gibt es viele Gemeinsamkeiten zwischen verschiedenen Modellen oder es gibt einen verborgenen Weg für die Modellentwicklung. Am Beispiel des konnektionistischen Perzeptrons können wir es durch Erhöhen der Anzahl verborgener Schichten des Perzeptrons in ein tiefes neuronales Netzwerk umwandeln. Wenn dem Perzeptron eine Kernelfunktion hinzugefügt wird, kann es in eine SVM umgewandelt werden. Dieses hier

In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“

In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden

Das Anwendungspotenzial der Go-Sprache im Bereich des maschinellen Lernens ist enorm. Ihre Vorteile sind: Parallelität: Sie unterstützt die parallele Programmierung und eignet sich für rechenintensive Operationen bei maschinellen Lernaufgaben. Effizienz: Der Garbage Collector und die Sprachfunktionen sorgen dafür, dass der Code auch bei der Verarbeitung großer Datenmengen effizient ist. Benutzerfreundlichkeit: Die Syntax ist prägnant und erleichtert das Erlernen und Schreiben von Anwendungen für maschinelles Lernen.
