L'apprentissage par renforcement est-il exagéré ?
Traducteur | Li Rui
Critique | Sun Shujuan
D'accordImaginez que vous vous préparez à jouer aux échecs avec vos amis, mais ce n'est pas un humain , mais un programme informatique qui ne comprendles règles du jeu. Mais cette application comprend qu'elle s'efforce d'atteindre un objectif, qui est de gagner dans le jeu.
Parce que le programme informatique ne connaît pas les règles, les mouvementsavec lesquels vous commencez à jouer aux échecs sont aléatoires. Certaines de ces astuces n'ont aucun sens et il vous sera facile de gagner. Supposons ici que vous aimez tellement jouer aux échecs avec cet ami que vous êtes accro à ce jeu.
Mais leprogramme informatique finira par gagner car il apprendra progressivement des moyens et des astuces pour vous vaincrecompte. Bien que ce scénario hypothétique puisse sembler tiré par les cheveux, il devrait vous donner une compréhension de base du fonctionnement général de l'apprentissage par renforcement (un domaine de l'apprentissage automatique).
Dans quelle mesure l'apprentissage par renforcement est-il intelligent ? 
Cependant
, "Deep Blue"n'est pas un adversaire ordinaire. Jouer aux échecs avec ce programme de calcul , c'est comme jouer aux échecs avec un vieux homme de mille ans, qui joue aux échecs non-stop tous sa vie . Mais "Deep Blue" est doué pour jouer à un jeu spécifique, pas pour d'autres activités intellectuelles comme jouer d'un instrument, écrire un livre, mener des expériences scientifiques, élever des enfants ou réparer des voitures. Ce n'est certainement pas destiné à minimiser
les réalisationsde "Deep Blue" . Contrairement à , l'idée selon laquelle les ordinateurs peuvent surpasser les humains en termes de capacités intellectuelles nécessite un examen attentif, en commençant par une analyse du fonctionnement de l'apprentissage par renforcement . Comment fonctionne l'apprentissage par renforcementComme mentionné
sur , l'apprentissage par renforcement est un sous-ensemble de l'apprentissage automatique qui implique comment un agent intelligent agit dans un environnement pour maximiser le concept de récompenses cumulées. En termes simples, les apprentissage par renforcementles robots sont entraînés avec un mécanisme de récompense et de punition, ils seront récompensés pour avoir effectué actions correctes, et les mauvaises actions seront punies pour les mauvaises actions. Apprentissage par renforcement les robots ne « pensent » comment prendre de meilleures actions, ils rendent simplement toutes les actions possibles pour maximiser les chances de succès. Le principal inconvénient de l'apprentissage par renforcement est qu'il nécessite l'utilisation d'une grande quantité de ressources pour atteindre ses objectifs. Le succès de l’apprentissage par renforcement dans le jeu de Go illustre ce point. Il s'agit d'un jeu populaire à deux joueurs où le but est d'occuper le maximum de surface du plateau en utilisant vos pièces tout en évitant de perdre des pièces. AlphaGo Master est un programme informatique qui bat les joueurs humains dans le jeu de Go. Il consomme beaucoup d'argent et de main d'œuvre, notamment de nombreux ingénieurs, une expérience de jeu très riche, ainsi que 256 GPU et 128 000 CPU. Dans le processus d'apprentissage pour gagner le jeu, beaucoup de ressources et d'énergie doivent être investies. Cela soulève la question suivante : est-il raisonnable de concevoir une IA qui ne peut pas penser intuitivement ? La recherche sur l'IA ne devrait-elle pas tenter d'imiter l'intelligence humaine ? L'IA pour Le système se comporte comme un être humain et son utilisation pour résoudre des problèmes complexes nécessite un développement ultérieur. D’un autre côté, l’argument contre l’apprentissage par renforcement est que la recherche sur l’IA devrait se concentrer sur la capacité des machines à faire des choses que seuls les humains et les animaux sont actuellement capables de faire. De ce point de vue, la comparaison entre intelligence artificielle et intelligence humaine est pertinente. Apprentissage par renforcement quantiqueL'apprentissage par renforcement est un domaine émergent qui serait capable de résoudre certains des problèmes ci-dessus. L'apprentissage par renforcement quantique (QRL) est une méthode d'accélération du calcul. Premièrement, l'apprentissage par renforcement quantique (QRL) est censé accélérer l'apprentissage en optimisant les phases d'exploration (découverte de la stratégie) et d'exploitation (sélection de la meilleure stratégie). Certaines applications actuelles et l'informatique quantique proposée améliorent les recherches dans les bases de données, factorisent de grands nombres en nombres premiers, etc. Bien que l'apprentissage par renforcement quantique (QRL) n'ait pas émergé de manière révolutionnaire, il promet de résoudre certains des défis majeurs de l'apprentissage par renforcement conventionnel. Business case for Reinforcement Learning Le pouvoir de l'apprentissage par renforcement est peut-être limité, mais il ne peut être surestimé. De plus, à mesure que les projets de recherche et de développement sur l’apprentissage par renforcement augmentent, les cas d’utilisation potentiels augmentent également dans presque tous les secteurs de l’économie. L'adoption à grande échelle de l'apprentissage par renforcement repose sur plusieurs facteurs, notamment la conception optimale des algorithmes, la configuration de l'environnement d'apprentissage et la disponibilité de la puissance de calcul. Titre original : L'apprentissage par renforcement est-il surfait ?, Auteur : Alek Sandras ŠulženkoInconvénients de l'apprentissage par renforcement
Comme mentionné ci-dessus, la recherche et le développement en matière d’apprentissage par renforcement sont cruciaux. Voici quelques exemples pratiques d'apprentissage par renforcement issus d'une enquête McKinsey & Company qui peuvent :
Réflexions sur l'apprentissage par renforcement
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
15 outils d'annotation d'images gratuits open source recommandés
Mar 28, 2024 pm 01:21 PM
L'annotation d'images est le processus consistant à associer des étiquettes ou des informations descriptives à des images pour donner une signification et une explication plus profondes au contenu de l'image. Ce processus est essentiel à l’apprentissage automatique, qui permet d’entraîner les modèles de vision à identifier plus précisément les éléments individuels des images. En ajoutant des annotations aux images, l'ordinateur peut comprendre la sémantique et le contexte derrière les images, améliorant ainsi la capacité de comprendre et d'analyser le contenu de l'image. L'annotation d'images a un large éventail d'applications, couvrant de nombreux domaines, tels que la vision par ordinateur, le traitement du langage naturel et les modèles de vision graphique. Elle a un large éventail d'applications, telles que l'assistance aux véhicules pour identifier les obstacles sur la route, en aidant à la détection. et le diagnostic des maladies grâce à la reconnaissance d'images médicales. Cet article recommande principalement de meilleurs outils d'annotation d'images open source et gratuits. 1.Makesens
Cet article vous amènera à comprendre SHAP : explication du modèle pour l'apprentissage automatique
Jun 01, 2024 am 10:58 AM
Dans les domaines de l’apprentissage automatique et de la science des données, l’interprétabilité des modèles a toujours été au centre des préoccupations des chercheurs et des praticiens. Avec l'application généralisée de modèles complexes tels que l'apprentissage profond et les méthodes d'ensemble, la compréhension du processus décisionnel du modèle est devenue particulièrement importante. Explainable AI|XAI contribue à renforcer la confiance dans les modèles d'apprentissage automatique en augmentant la transparence du modèle. L'amélioration de la transparence des modèles peut être obtenue grâce à des méthodes telles que l'utilisation généralisée de plusieurs modèles complexes, ainsi que les processus décisionnels utilisés pour expliquer les modèles. Ces méthodes incluent l'analyse de l'importance des caractéristiques, l'estimation de l'intervalle de prédiction du modèle, les algorithmes d'interprétabilité locale, etc. L'analyse de l'importance des fonctionnalités peut expliquer le processus de prise de décision du modèle en évaluant le degré d'influence du modèle sur les fonctionnalités d'entrée. Estimation de l’intervalle de prédiction du modèle
Transparent! Une analyse approfondie des principes des principaux modèles de machine learning !
Apr 12, 2024 pm 05:55 PM
En termes simples, un modèle d’apprentissage automatique est une fonction mathématique qui mappe les données d’entrée à une sortie prédite. Plus précisément, un modèle d'apprentissage automatique est une fonction mathématique qui ajuste les paramètres du modèle en apprenant à partir des données d'entraînement afin de minimiser l'erreur entre la sortie prédite et la véritable étiquette. Il existe de nombreux modèles dans l'apprentissage automatique, tels que les modèles de régression logistique, les modèles d'arbre de décision, les modèles de machines à vecteurs de support, etc. Chaque modèle a ses types de données et ses types de problèmes applicables. Dans le même temps, il existe de nombreux points communs entre les différents modèles, ou il existe une voie cachée pour l’évolution du modèle. En prenant comme exemple le perceptron connexionniste, en augmentant le nombre de couches cachées du perceptron, nous pouvons le transformer en un réseau neuronal profond. Si une fonction noyau est ajoutée au perceptron, elle peut être convertie en SVM. celui-ci
Identifier le surapprentissage et le sous-apprentissage grâce à des courbes d'apprentissage
Apr 29, 2024 pm 06:50 PM
Cet article présentera comment identifier efficacement le surajustement et le sous-apprentissage dans les modèles d'apprentissage automatique grâce à des courbes d'apprentissage. Sous-ajustement et surajustement 1. Surajustement Si un modèle est surentraîné sur les données de sorte qu'il en tire du bruit, alors on dit que le modèle est en surajustement. Un modèle surajusté apprend chaque exemple si parfaitement qu'il classera mal un exemple inédit/inédit. Pour un modèle surajusté, nous obtiendrons un score d'ensemble d'entraînement parfait/presque parfait et un score d'ensemble/test de validation épouvantable. Légèrement modifié : "Cause du surajustement : utilisez un modèle complexe pour résoudre un problème simple et extraire le bruit des données. Parce qu'un petit ensemble de données en tant qu'ensemble d'entraînement peut ne pas représenter la représentation correcte de toutes les données."
L'évolution de l'intelligence artificielle dans l'exploration spatiale et l'ingénierie des établissements humains
Apr 29, 2024 pm 03:25 PM
Dans les années 1950, l’intelligence artificielle (IA) est née. C’est à ce moment-là que les chercheurs ont découvert que les machines pouvaient effectuer des tâches similaires à celles des humains, comme penser. Plus tard, dans les années 1960, le Département américain de la Défense a financé l’intelligence artificielle et créé des laboratoires pour poursuivre son développement. Les chercheurs trouvent des applications à l’intelligence artificielle dans de nombreux domaines, comme l’exploration spatiale et la survie dans des environnements extrêmes. L'exploration spatiale est l'étude de l'univers, qui couvre l'ensemble de l'univers au-delà de la terre. L’espace est classé comme environnement extrême car ses conditions sont différentes de celles de la Terre. Pour survivre dans l’espace, de nombreux facteurs doivent être pris en compte et des précautions doivent être prises. Les scientifiques et les chercheurs pensent qu'explorer l'espace et comprendre l'état actuel de tout peut aider à comprendre le fonctionnement de l'univers et à se préparer à d'éventuelles crises environnementales.
Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants
Jun 03, 2024 pm 01:25 PM
Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.
IA explicable : Expliquer les modèles IA/ML complexes
Jun 03, 2024 pm 10:08 PM
Traducteur | Revu par Li Rui | Chonglou Les modèles d'intelligence artificielle (IA) et d'apprentissage automatique (ML) deviennent aujourd'hui de plus en plus complexes, et le résultat produit par ces modèles est une boîte noire – impossible à expliquer aux parties prenantes. L'IA explicable (XAI) vise à résoudre ce problème en permettant aux parties prenantes de comprendre comment fonctionnent ces modèles, en s'assurant qu'elles comprennent comment ces modèles prennent réellement des décisions et en garantissant la transparence des systèmes d'IA, la confiance et la responsabilité pour résoudre ce problème. Cet article explore diverses techniques d'intelligence artificielle explicable (XAI) pour illustrer leurs principes sous-jacents. Plusieurs raisons pour lesquelles l’IA explicable est cruciale Confiance et transparence : pour que les systèmes d’IA soient largement acceptés et fiables, les utilisateurs doivent comprendre comment les décisions sont prises
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
