Einleitung “KI”

5 min read

Einleitung “KI”

Das Hauptziel dieses Beitrags besteht darin, Menschen, die KI erlernen möchten, eine Vorstellung von Theorie, Techniken und Anwendungen zu vermitteln. KI besteht aus kurzen Beschreibungen, Links, Artikeln und Vorträgen.

Ursprünge

Künstliche Intelligenz wurde in Versuchen geboren, die menschliche Intelligenz nachzuahmen. Schauen Sie sich die kurze Geschichte von KI an. Es ist noch nicht klar, ob es möglich ist, den menschlichen Geist nachzuahmen, aber wir können einige seiner Funktionen definitiv neu erstellen. Gleichzeitig bekam das gesamte Gebiet der Kognitionswissenschaften breite Aufmerksamkeit.

Zur gleichen Zeit wurden in der Gesellschaft viele Bedenken geäußert. Die Probleme mit Maschinen, die die Welt erobern, sind etwas übertrieben, aber die Verlagerung von Arbeitsplätzen ist heute ein echtes Problem. In gewissem Sinne repräsentieren alle Computer und sogar Rechner eine Art von KI.

Die KI wird intelligenter, wenn Computer schneller funktionieren und die Methoden voranschreiten. Aktuelle Studien deuten darauf hin, dass in den nächsten 10 Jahren bis zu 50% der Arbeitsplätze gefährdet sind. Unabhängig davon, ob wir unsere Gedanken vollständig simulieren können oder nicht, hat die KI erhebliche Auswirkungen auf unser Leben.

Mathematische Voraussetzungen

Wir brauchen zwar keine Mathematik, aber ohne Mathematik können wir ein tieferes Verständnis der Methoden nicht verstehen. Es ist klar, dass viele Menschen einige Schulkenntnisse in Algebra haben. Falls nicht, kann man sich Anleitungen anschauen oder kostenlose, hochwertige Lehrbücher finden.

Zunächst ist es erwähnenswert, dass die klassische Logik, die wir alle gewohnt sind, die meisten modernen Techniken nicht repräsentieren konnte. Diese sanfte Einführung hilft Ihnen, die Hauptgedanken zu verstehen.

Lineare Algebra

Die lineare Algebra erweitert Konzepte und Operationen von der allgemeinen Algebra auf Zahlenkollektionen. Sie repräsentieren Eingänge, Ausgänge und Betriebsparameter. Dann kommt Tensor. Tensor ist eine Verallgemeinerung von Skalaren, Vektoren und Matrizen auf höherdimensionale Objekte. In diesem Video werden Sie dieses Konzept intuitiv erklären.

Wahrscheinlichkeiten

Da wir in der Regel über keine genauen Informationen verfügen, müssen wir mit Wahrscheinlichkeiten umgehen. In diesem Beitrag werden die Grundlagen erläutert. Dieser Beitrag vermittelt Ihnen ein umfassenderes Verständnis der Wahrscheinlichkeiten, Statistiken und der Bayesianischen Logik.

Zielfunktionen

Diese Funktionen werden auch als Ziel-, Kosten- oder Verlustfunktionen bezeichnet. Sie repräsentieren den Hauptzweck unserer Methoden. Normalerweise misst die Zielfunktion, wie gut unser Algorithmus seine Arbeit erledigt. Durch die Optimierung dieser Funktion können wir unseren Algorithmus verbessern.

Die wichtigsten sind Mean Squared Error und Cross-Entropy. In diesem Beitrag finden Sie eine Beschreibung von MSE und Mean Absolute Error sowie eine Beschreibung für Cross-Entropy und Kullback-Leibler-Divergenz.

Manchmal können wir die Zielfunktion nicht direkt berechnen und müssen die Leistung des Algorithmus in Aktion bewerten. Aber diese Bewertungen dienen demselben Ziel.

Optimierung

Nachdem wir die Zielfunktion erstellt haben, müssen wir ihre Parameter optimieren, um die Leistung unseres Algorithmus zu verbessern. Der übliche Ansatz zur Optimierung ist Gradient Descent. Man unterscheidet viele Arten von GD. Eine davon ist Stochastic Gradient Descent, bei der nur ein Teil der Trainingsdaten zur Berechnung von Verlust und Gradienten bei jeder Iteration verwendet wird.

Kein kostenloser Mittagslehrsatz

Es gibt keine wirksame KI-Methode. Kurz gesagt, dieser Satz erklärt, dass jedes Problemlösungsverfahren mit Rechenaufwand für jede Aufgabe verbunden ist. Während dieser Satz im allgemeinsten Fall noch nicht bewiesen wurde, hat die Praxis seine Bedeutung schon gezeigt. Man muss richtige Methoden für jedes Problem suchen.

Allgemeine Methoden und Algorithmen

Das Hauptziel jeder Methode besteht darin, ein gutes Input-to-Output-Abbildungsmodell für ein bestimmtes Problem zu erstellen. Darüber hinaus führen ihre Kombinationen zu noch besseren Lösungen. Techniken wie die parallele Suche, das Stapeln und das Boosten unterstützen dabei, bessere Modelle zu erstellen, indem einfachere Gemische verwendet werden.

Während Suchmethoden normalerweise nur eine Problemspezifikation erfordern, benötigen die meisten Deep Learning-Algorithmen große Datenmengen. Daher spielen verfügbare Daten eine wichtige Rolle bei der Wahl der Methoden.

Klassische Programmierung

Das Programmieren gilt nicht mehr als KI-Tech. Ein einzelnes Programm kann einfache Eingaben vornehmen, die möglicherweise nicht wie eine intellektuelle Aktivität aussehen. Es kann jedoch die Bewegungen des Roboters steuern und komplexe Vorgänge ausführen.

Interpretierbare und strenge Spezifikationen dieses Ansatzes ermöglichen eine Kombination von Hunderten und sogar Tausenden verschiedener Programme in einer Struktur. Dieser Ansatz schlägt jedoch in den meisten komplexen realen Szenarien fehl. Es ist äußerst schwierig, alle möglichen Eingabe-Ausgabe-Kombinationen in komplexen Systemen vorherzusehen.

Regelbasierte und Expertensysteme

Ein typisches Expertensystem besteht aus einer Wissensbasis als Menge von Wenn-Dann-Regeln und einem Inferenzmechanismus. Dieses Tutorial vermittelt Ihnen eine allgemeine Vorstellung. Moderne Wissensgraphen werden im Allgemeinen für die Beantwortung von Fragen und für die Verarbeitung natürlicher Sprache verwendet. Sie erhalten hier eine intuitive Erklärung. Während diese Methoden heute noch verwendet werden, sinkt die Beliebtheit von Expertensystemen stetig.

Suche

Wenn Sie den Raum für mögliche Lösungen definieren können, hilft Ihnen die Suche. Diese anschauliche Einführung gibt Ihnen einen Einblick in die gängigen Suchalgorithmen und wie sie angewendet werden. Darüber hinaus enthält dieses Tutorial eine formale Beschreibung. Trotz der scheinbaren Einfachheit können diese Verfahren bei richtiger Anwendung in vielen Bereichen hervorragende Ergebnisse erzielen.

Genetische Algorithmen

Genetische oder evolutionäre Algorithmen sind eine Art von Suche, die von der biologischen Evolution inspiriert ist. Dieser Beitrag wird Ihnen helfen, die Idee zu verstehen.

Machine Learning

Im Allgemeinen verwenden ML-Methoden auch eine Art von Suche, normalerweise Gradient Descent, um eine Lösung zu finden. Mit anderen Worten, sie verwenden Trainingsbeispiele, um Parameter zu lernen oder anzupassen. Es gibt tatsächlich Dutzende von ML-Algorithmen, aber die meisten von ihnen basieren auf den gleichen Prinzipien.

Regression, Support Vector Machines, Naive Bayes und Decision Trees werden am häufigsten verwendet.

Probabilistische graphische Modelle

Diese Modelle lernen statistische Abhängigkeiten zwischen Variablen in Form eines Diagramms. Dieser Beitrag wird eine allgemeine Vorstellung von PGMs vermitteln. Heute werden sie in realen Anwendungen aktiv durch neuronale Netze ersetzt, sind jedoch für die Analyse komplexer Systeme immer noch nützlich.

Deep Learning

Deep Learning ist eine Untergruppe von ML-Methoden, die viele Repräsentationsebenen enthalten. Dieser Beitrag bietet eine allgemeine Übersicht. Eine der schönsten Eigenschaften von NN ist, dass Sie verschiedene Schichten in beliebiger Kombination stapeln können. Eine allgemeine Beschreibung der konstituierenden Schichten wird üblicherweise als Architektur des Netzwerks bezeichnet.

Grundlegende Typen neuronaler Netze:

Unter den spezialisierten Blöcken zeigt der Neuronale Aufmerksamkeitsmechanismus in vielen Anwendungen hervorragende Ergebnisse. Auf diese Weise können Sie ein wiederkehrendes Faltungsnetzwerk mit Aufmerksamkeit und anderen Dingen erstellen.

Restricted Boltzmann Machines ist ein beliebtes Beispiel für nicht überwachte Lernnetzwerke.

Einige Techniken sind darauf ausgelegt, die Generalisierung neuronaler Netze und anderer ML-Modelle zu verbessern, was sich wiederum positiv auf die Genauigkeit auswirkt. Die beliebtesten davon sind Dropout und Batch Normalization.

Eine andere erfolgreiche Klasse von Netzwerken sind Autoencoder. Sie werden verwendet, um Repräsentationen für Dokumente, Wissensgraph-Objekte, Bilder, Gene und viele andere Dinge zu erstellen.

Ein weiteres interessantes Beispiel ist das Generative Adversarial Network, mit dem Sie überzeugende Bilder, Videos und andere Arten von Daten erstellen können.

Viele andere Arten von NN sind in der Literatur beliebt, haben wenige reale Anwendungen: Self-Organizing Maps, Boltzmann Machines, Spiking Neural Networks, Adaptive Resonance Networks und andere.

Reinforcement Learning

Die Intuition hinter RL wurde von Verhaltenspsychologen inspiriert, die beobachteten, dass Tiere durch Belohnungen lernen, wie sie sich verhalten sollen. Das führte zur Entwicklung von Methoden. Dieser Beitrag enthält die allgemeine Übersicht über das Reinforcement Learning.

Im Laufe der Geschichte wurden viele RL-Methoden entwickelt. Zu den modernsten Techniken gehören Evolutionsstrategien, Deep Reinforcement Learning, Asynchronous Advantage Actor-Critic (A3C) und andere.

Entwicklung

Da die meisten modernen Systeme mehr oder weniger dieselbe Hardware (GPUs und TPUs) verwenden, werden wir uns auf die Softwareentwicklung konzentrieren.

Grundlagen

Python ist die beste Programmiersprache für Anfänger. Python hat viele Gemeinsamkeiten mit der ersten erfolgreichen KI-Sprache Lisp. Python verfügt über eine intuitive Syntax und eine riesige Community mit unzähligen Paketen, Lernprogrammen und Schulungsmaterial.

Data Science

Da KI-Methoden in hohem Maße von Daten abhängig sind, müssen Sie sie analysieren und bearbeiten können. Diese Datenanalyse mit Python und Pandas hilft Ihnen, ein tieferes Verständnis von Datensätzen zu erlangen, falls Sie numerische lineare Algebra beherrschen.

Welche Algorithmen und Methoden werden in Ihrem Umfeld eingesetzt?

Welche Zielfunktionen kommen Ihnen in Frage?

Auf diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.

Quellen: https://towardsdatascience.com/introductory-guide-to-artificial-intelligence-11fc04cea042

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.