


Ketahui bagaimana kecerdasan buatan membolehkan mesin belajar dalam satu artikel?
Dalam artikel "Memahami Kepintaran Buatan (AI) dalam Satu Artikel" kami memperkenalkan masalah kompleks yang boleh diselesaikan oleh AI. Masalah ini tidak boleh diselesaikan dengan peraturan tetap dan memerlukan mesin membuat pertimbangan akhir berdasarkan penilaian perbandingan berdasarkan contoh lepas. Mesin perlu meniru manusia dalam mempelajari sesuatu.
Proses pembelajaran manusia boleh dibahagikan kepada peringkat berikut: persepsi, ingatan, perbandingan dan induksi, ringkasan dan amalan.
Persepsi: Dapatkan maklumat dari dunia luar melalui deria anda sendiri (penglihatan, pendengaran, sentuhan, rasa dan bau), memerhati dan mengalami persekitaran sekeliling dan apa yang berlaku. Selain pengalaman peribadi, untuk mendapatkan maklumat dengan lebih cekap, orang ramai mendengar cerita, membaca buku dan menonton video untuk memahami apa yang berlaku pada masa lalu.
Memori: Apabila kita memperoleh maklumat baharu, kita akan mengingati maklumat yang perlu kita gunakan pada masa hadapan dalam otak kita, dan membuangmaklumat yang kita fikir tidak perlu.
Perbandingan dan Generalisasi: Cara terbaik untuk orang ramai memahami maklumat baharu ialah membandingkannya dengan maklumat dalam ingatan mereka sendiri. Fahami maklumat baharu dan klasifikasikan maklumat yang berbeza dengan membandingkan persamaan dan perbezaannya.
Ringkasan: Orang ramai menyepadukan cebisan maklumat individu bersama-sama dan menyimpulkan perkaitan dan corak antara maklumat. Bina rangkaian maklumat untuk membantu memahami sebab dan akibat sesuatu.
Amalan: Maksud pembelajaran ialah mengaplikasikan pengetahuan yang diperolehi kepada situasi kehidupan sebenar. Mengesahkan kebolehgunaan dan ketepatan pengetahuan semasa menyelesaikan masalah. Semasa proses pengesahan, pusingan baharu proses persepsi telah masuk.
Gambarajah skematik proses pembelajaran
Dalam lima langkah ini, ingatan adalah yang terbaik untuk persepsi data semulajadi dan kemanusiaan adalah proses yang memerlukan banyak tenaga kerja yang boleh dikesan oleh instrumen adalah Pengumpulan data boleh diautomasikan. Perbandingan dan aruhan dalam langkah ketiga dan ringkasan dalam langkah keempat adalah sebahagian daripada pelaksanaan algoritma. Perbezaan terbesar antara program pembelajaran mesin dan program biasa ialah bahagian praktikal. Selepas program perisian biasa mengeluarkan keputusan, keseluruhan proses selesai. Tetapi program pembelajaran mesin boleh menjaringkan setiap hasil, dan algoritma kemudiannya boleh melaraskan hasil operasi berdasarkan skor.
Memandangkan mesin memerlukan maklum balas daripada hasil yang sedang dijalankan untuk belajar, proses pembangunan algoritma pembelajaran mesin merangkumi dua peringkat: penulisan dan pembelajaran algoritma. Fasa pembelajaran mesin juga dipanggil fasa latihan, di mana data yang diketahui digunakan untuk pembelajaran dan pengesahan. Keputusan setiap sesi latihan dinilai dan algoritma diselaraskan. Proses pembelajaran ini terbahagi kepada dua jenis: pembelajaran diselia dan pembelajaran tidak diselia.
Pembelajaran yang diselia sesuai untuk masalah diselesaikan dengan jangkaan yang jelas, dan diharapkan mesin dapat meramalkan masalah serupa yang akan timbul pada masa hadapan. Data latihan untuk pembelajaran diselia mesti muncul secara berpasangan, mengandungi maklumat ciri input program dan maklumat hasil keluaran program. Semasa latihan pembelajaran diselia, set latihan dibahagikan secara rawak kepada dua bahagian: satu bahagian digunakan untuk melatih program, dan bahagian lain digunakan untuk mengesahkan sama ada hasil pemprosesan algoritma memenuhi jangkaan.
Pembelajaran tanpa pengawasan digunakan untuk meneroka hubungan dan corak antara data, dan mendapatkan keputusan masalah tertentu. Data latihan pembelajaran tanpa pengawasan hanya mempunyai input maklumat ciri oleh program, dan keseluruhan data digunakan untuk pembelajaran semasa latihan. Keputusan latihan yang diperolehi oleh pembelajaran tanpa pengawasan tidak boleh disahkan dengan set latihan dan perlu dinilai secara berasingan sebelum melaraskan algoritma.
Proses pembelajaran mesin meniru proses pembelajaran manusia. Dalam proses memahami pembelajaran mesin, kami hanya mempelajari pengetahuan IT. Kami juga boleh memikirkan cara mengoptimumkan proses pembelajaran kami sendiri.
Atas ialah kandungan terperinci Ketahui bagaimana kecerdasan buatan membolehkan mesin belajar dalam satu artikel?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
