هوش مصنوعی

هوش مصنوعی

(AI) زمینه ای از علوم رایانه است که در درجه اول بر حل مشکلات شناختی مرتبط با هوش انسانی ، مانند

یادگیری ، حل مسئله و شناخت الگو متمرکز است. هوش مصنوعی ، "AI" ، ممکن است حاوی رباتیک هوش مصنوعی در حال تبدیل شدن به واقعیتی از علوم رایانه پیشرفته است که فراتر از روبات های کوچک در داستان های علمی است. دانشمند برجسته در این زمینه ، پروفسور پدرو دومینگوس، متشکل از سمبل های مبتنی بر منطق و فلسفه، پیوند شناسان مشتق از علوم عصبی، تکامل گرایان مرتبط با زیست شناسی، برخورد بیزی با آمار و احتمالات و قیاس های روانشناختی است. "پنج گروه" یادگیری ماشین را شرح دهید. پیشرفت های اخیر در راندمان محاسبات آماری باعث شده است که بیزی بتواند چندین زمینه را در زمینه "یادگیری ماشین" با موفقیت توسعه دهد. به همین ترتیب، با توسعه محاسبات شبکه، اتصال دهنده ها توانسته اند زیر

بخش های دیگری را تحت عنوان "یادگیری عمیق" توسعه دهند.

کاربرد هوش مصنوعی

این تکنیک ها تا حد زیادی به تکنیک های یادگیری "تحت نظارت" و "یادگیری نظارت نشده" تقسیم می شوند. "نظارت" از داده های آموزشی با ارزش خروجی مطلوب استفاده می کند و "غیر نظارت" از داده های آموزش استفاده می کند به جز مقدار خروجی مطلوب.

هوش مصنوعی "باهوش تر" می شود و با داده های بیشتر ، سریعتر می آموزد ، خواه از یک انبار داده مانند Amazon Redshift جمع شود و یا از طریق "Kinesis Streams" از یک انبار داده مانند Amazon Redshift جمع آوری شود یا از آن استفاده شود. چه به صورت پویا و چه به صورت جمع آوری شده ، شرکت ها روزانه این سوخت ها را برای اجرای راه حل های یادگیری ماشین و یادگیری عمیق تولید می کنند. علاوه بر این ، با ظهور IoT ، فناوری سنسور در حال افزایش مقدار داده هایی است که به صورت نمایی مورد تجزیه و تحلیل قرار می گیرد. این داده ها از منابع ، مکان ها ، اشیاء و رویدادهایی است که قبلاً به ندرت لمس می شد.

یادگیری ماشین

یادگیری ماشینی نامی است که عمدتاً در بعضی از تکنیک های بیزی مورد استفاده قرار می گیرد و برای شناخت الگو و یادگیری الگوی استفاده می شود. یادگیری ماشینی مجموعه ای از الگوریتم ها است که می تواند از داده های ضبط شده یاد بگیرد، پیش بینی های خود را بر اساس آن انجام دهد، عملکردهای اصلی ابزار را در عدم اطمینان بهینه کند، ساختارهای پنهان را از داده ها استخراج کند و داده ها را به شرح مختصر طبقه بندی کند. یادگیری ماشین عمدتاً زمانی توزیع می شود که برنامه نویسی صریح بیش از حد دقیق یا غیر عملی باشد.

کاربرد هوش مصنوعی در پزشکی

بر خلاف کد رایج معمولی، که توسعه دهندگان نرم افزار برای تولید خروجی توسط برنامه برنامه بر اساس ورودی مشخص ، تولید می کنند ، یادگیری ماشین از داده ها برای تولید کد آماری (مدل های ML) استفاده می کند. این کد آماری براساس الگوی شناخته شده در ورودی قبلی (خروجی برای روش نظارت شده) نتایج "نتایج منطقی" را ارائه می دهد. صحت مدل ML تا .حد زیادی به کمیت و کیفیت داده های تاریخی بستگی دارد

فناوری های جدید در پیج هومان مطالعه کنید

با داشتن داده های مناسب ، مدل های ML می توانند مشکلات سطح بالا را از طریق میلیاردها مثال تجزیه و تحلیل کنند تا عملکرد بهینه را برای پیش بینی خروجی با استفاده از یک ورودی معین پیدا کنند. مدل ML اطمینان آماری به عملکرد کلی و

همچنین پیش بینی را فراهم می کند.

اگر می خواهید از مدل های ML یا سایر پیش بینی های فردی استفاده کنید ، این نمرات ارزیابی نقش مهمی در تصمیم گیری

.دارند

سایت های منبع