Künstliche Intelligenz 101: Ein Leitfaden für Anfänger

1. Einführung: Ai, was ist das und wie funktioniert es? Hallo und willkommen zu meinem A101-Kurs. Mein Name ist Robin, und dies ist eine Einführung für Anfänger in die KI, wenn keine Vorkenntnisse vorhanden sind. Dieser Kurs wurde von britischen KI-Fachleuten überprüft , um zu zeigen , dass der stationäre Unterricht korrekt und aktuell ist. In diesem Kurs lernen wir die Arten von KI kennen. Was ein N, N ist. Drei zunehmend komplexere Netzwerke, KI und Lead-Netzwerke schulen. Und am Ende des Kurses habe ich viele Projekte im Sinn, wenn wir teilnehmen, um Ihr Verständnis zu testen. Um zuzuhören, konzentrieren Sie sich und spielen Sie das Video erneut ab, wenn Sie zwei haben, da dies vorerst ein verdichteter und intensiver Kurzkurs ist . 2. #1 – Arten von KI: Es gibt zwei Arten von KI, enge KI und allgemeine KI, auch bekannt als AGI. Starke KI. Narrow AI ist eine KI , die für eine bestimmte Aufgabe wie die Vorhersage von Aktienkursbewegungen entwickelt wurde . Allgemeine KI ist eine KI, die sich an fast alles anpassen kann , genau wie ein Mensch. Diese Technologie wurde jedoch noch nicht entwickelt. Und es gibt drei in Bezug auf die Richtung , in die die KI-Entwicklung voraussichtlich gehen wird. Daher werden wir nur etwas über enge KI lernen. 3. #2 – Was ist ein ANN?: Was ist eine ANN? Das Gehirn hat 86 Milliarden Neuronen, die durch kleine elektrische Impulse sehr schnell Informationen miteinander austauschen . Ein bestimmtes Neuron tauscht keine Informationen mit all den anderen 86 Milliarden aus. Vielmehr sind sie mit den umgebenden Neuronen verbunden , um spezielle Funktionen zu erfüllen. Diese Strukturen von Neuronen werden als biologische neuronale Netze bezeichnet. Ich werde den Biologieunterricht hier kürzen, aber wir müssen nur wissen, dass das Gehirn daraus lernt, um Erfahrungen zu machen. Jedes Mal, wenn du eine neue Fähigkeit erlernst, wie zum Beispiel ein neues Videospiel, ändert sich die Struktur deiner Neuronen, die Art und Weise, wie sie sich miteinander verbinden, ändert sich. Dies ist ein wirklich wichtiger Teil der KI. Es geht darum, dieses Verhalten auf Computern zu emulieren. Dies wird als künstliches neuronales Netzwerk oder kurz ANN bezeichnet . Wenn Sie also ANN hören, denken Sie an ein Programm , das die Funktionsweise von Nervenzellen im menschlichen Gehirn nachahmt . Aber warum wollen wir diese biologischen neuronalen Netze emulieren? Nun, es ist ganz einfach. Sie können automatisiert und einfach automatisiert werden, verwenden erweiterte Statistiken und können weniger Fehler machen. Und Menschen. Dies ist ein bereits trainiertes künstliches neuronales Netzwerk mit vielen Neuronen im Inneren. Ich werde später in diesem Kurs erklären, wie ANN trainiert wird. Aber jetzt wollen wir herausfinden, wie man das bereits auf n trainierte benutzt. Nun, wir geben ihm eine Eingabe und erzeugen dann eine Ausgabe. Nehmen wir zum Beispiel an, dieses N, N wurde gebaut, um blinden Menschen ihre Umgebung zu beschreiben . Wir geben ihm also ein 920 mal 180 Bild eines Hauses, was bedeutet, dass es 2.072.600 Pixel gibt, oder mit anderen Worten 2.072.600 Eingaben. Und wenn deine ANN richtig funktioniert, wird es dir sagen, dass es auf das Haus schaut. Das ist erstaunlich, aber es ist gut zu beachten, dass es sich um eine engere KI handelt. Es kann also nur eingeschränkte Funktionen ausführen. Es kann nicht alles machen. Wir können einfach alles Unerwartete geben , um alles auszugeben, was wir wollen. Lass uns ein anderes Beispiel machen. Jetzt. Stellen wir uns vor, wir hätten eine andere ANN, die deine Stimme in Worte fasst. Wir sagen hallo. Es gibt unser Audiosignal ein und hat das Wort, das wir gesagt haben, ausgegeben , ohne dass wir die Tastatur benutzen müssen. Begleiten Sie mich in der nächsten Folge, in der wir einen Blick in eine ANN werfen und sehen, wie sie aufgebaut ist. 4. #3 – AI Szenario I: Dies ist der Knoten, der einen Wert namens X hat um ein neuronales Netzwerk aufzubauen, denken Sie daran, dass wir eine Eingabe benötigen. Wir verwenden einen Knoten , um dies darzustellen. Der Wert x ist in diesem Fall also eine beliebige Zahl, die wir haben wollen. Wir können diesen Knoten mit einem anderen Knoten verbinden, eine Verbindung verwenden , die ein Gewicht hat. Nennen wir das Gewicht w. Aber denken Sie daran, wir brauchen auch eine Ausgabe. Diese gewichtete Verbindung ist mit einem Ausgangsknoten verbunden. Diese Ausgabe wird hier anhand des Eingangs mal des Gewichts bestimmt. Und zum späteren Nachschlagen gehen wir hier davon aus, dass die Funktion linear ist. Wenn Sie nicht verstehen, was das bedeutet, sich keine Sorgen, hören Sie einfach weiter zu. Dies ist wahrscheinlich das einfachste neuronale Netzwerk, das Sie erstellen können. Ungeachtet. Testen wir seine Grenzen. Nehmen wir an, wir haben ein einfarbiges Bild und wir möchten die Schattierungen invertieren, sodass Schwarz zu Weiß und Weiß wird . Die schwarzen oder dunkleren Töne neigen zu helleren Tönen und hellen Tönen. dunkle Töne. Die erste Frage ist, wie wir das gesamte Bild an einen Knoten übergeben können, obwohl der Knoten nur einen Wert hat. Der letzte Tag, den wir uns angesehen haben, hatte über 2 Millionen Eingaben. Und hier haben wir nur einen. Was wir tun, ist die Pixel nacheinander zu übergeben. Nun, nur mit meiner eigenen Intuition, werde ich dem Schatten Werte zuweisen , sodass Schwarz minus eins und Weiß eins ist. Das ist ein System, das ich mir vor Ort ausgedacht habe und das nicht erlernt werden muss. Für das Gewicht entscheiden wir nun, dass der gewichtete Wert minus eins ist. Das ist, wenn man darüber nachdenkt, tatsächlich sehr sinnvoll. Da ist x mal um dieses Gewicht. Wenn x mal diesem Gewicht entspricht, invertiert das x seinen Wert. Wenn es also negativ ist, wird es positiv und umgekehrt. Großartig. Jetzt testen wir es. Stellen wir uns vor, wir hätten ein Programm, das jeweils ein Pixel durchläuft. Das erste Pixel ist weiß und hat daher den Wert eins. Das bedeutet, dass eins mal minus eins natürlich minus eins ist. Großartig. Jetzt ist das Pixel invertiert. Jetzt ist das nächste Pixel dunkelgrau. Es wird auch invertiert. Ich denke du verstehst den Punkt. Wenn du alle Pixel da gemacht hast, haben wir es, ein invertiertes Bild. Aber diese einfache KI bringt uns nicht sehr weit. Es hat keine Vorhersagekraft und ist im Wesentlichen nur eine Funktion und wird nicht wirklich als die richtige KI erkannt. Wenn Sie diese Lektion verstanden haben, kommen Sie beim nächsten Mal zu mir. Wenn wir anfangen, mehrere Eingaben einzuführen. 5. #4 – AI Szenario II: Dies ist eine ANN mit zwei Eingängen und einem Ausgang. Beachten Sie, wie ich mit X1 und X2 und W1 und W2 zwischen den ersten, zweiten x und w unterschieden habe . Sie fragen sich vielleicht, wie berechnen wir die Ausgabe, welches x ist in W? Wir müssen alle antworten . Du machst x mal w für beide und addierst sie dann. Die Gleichung lautet X1 mal w1 plus x2 mal w t. Beachten Sie, dass wir, wenn wir 100 Eingaben hätten, die Gleichung mit plus x dreimal W3 plus x4 mal W4 plus X5 mal W5 und so weiter erweitern würden plus x4 mal W4 und so weiter und so weiter. Lassen Sie uns diese KI anhand eines Beispiels testen. Ein Manager einer Fabrik hat zwei Mitarbeiter, die unterschiedlich viele Stunden arbeiten. Er möchte mich fragen, wie viele Schuhe an einem bestimmten Arbeitstag hergestellt werden , IEEE Gesamtarbeit. Jimmy macht einen Schuh und unser Wille ist schneller, es macht eine Stunde zu wählen. Die x sind die Anzahl der Stunden, die sie an diesem Tag arbeiten. Und das Warten bis wie Effizienz oder wie sich ein Knoten auf die darauf folgenden Knoten auswirkt. Nehmen wir an, Jimmy hat fünf Stunden gearbeitet. Nun, die drei Stunden Arbeit, das heißt, mit der Gleichung, ergeben insgesamt 11 Auswahlmöglichkeiten oder 11 Gesamtarbeit. Beachten Sie auch, dass dieser Knoten, obwohl wir aufgrund seiner Gewichtung zwei Stunden weniger als Jimmy machen werden, mehr Auswirkungen auf die Ausgabe hat. Dann Jimmys. nächsten Lektion werden wir mehrere Eingaben und mehrere Ausgaben behandeln . 6. #5 – AI Szenario III: Dies ist eine ANN, zwei Eingänge und zwei Ausgänge. Hier. Ich werde die Notation zum letzten Mal ändern. Das liegt daran, dass wir doppelte Variablennamen haben. Wir müssen W1 und W2 ist. Alles was ich hier mache, ist eine tatsächliche Zahl hinzuzufügen, um zu unterscheiden, ob die Reaktion auf denselben Knoten geht . Wir werden dieselbe Formel wie beim letzten Mal verwenden, obwohl sie aufgrund der neuen Notation etwas anders aussieht . Ich hoffe du kannst jetzt sehen, warum du die Notation geändert hast. Andernfalls wären beide Formeln gleich, was keinen Sinn ergibt. Lassen Sie uns das gleiche Szenario wie beim letzten Mal haben. Aber dieses Mal möchte der Manager auch wissen, welchen Gesamtlohn er ihnen zahlen muss. Lass uns das testen. Fügen wir einige geeignete Gewichte und Eingaben hinzu. Die Antwort auf die Gesamtleistung ist dieselbe wie beim letzten Mal, 11. Der Gesamtlohn beträgt fünf mal fünf plus drei mal acht, was natürlich 49 entspricht. Dieses Ziel wird immer nützlicher , da es dem Manager ermöglicht, die Gesamtarbeit visuell mit den Löhnen zu vergleichen , indem das Gewicht geändert wird. Hier ist eine Frage an dich. Die Eingabewerte geben die Anzahl der Stunden an, die sie einzeln leisten. Der zweite Ausgabeknoten stellt den angegebenen Gesamtlohn dar. Was hat das Gewicht eins gemacht und zwei gewartet, um darzustellen. Denk nach und finde unsere nächste Lektion. 7. #6 – Schulung von KI: In dieser Lektion lernen wir etwas über das Training von KI. Aber bevor wir das tun, die Antwort auf die Frage in ist die Antwort auf die Frage in der letzten Lektion, dass Gewicht auf eins und Gewicht auf 2% Jimmy's und Wells pro Stunde zahlen. Kommen wir nun zurück zum Thema KI Training. letzte Mal erwähnte ich, dass der Manager die Gewichte ändern kann , um zu sehen wie sich die Gesamtarbeit und der Gesamtlohn ändern. Damit gibt es jedoch einige Probleme. Wenn 100 Eingänge in 100 Ausgänge gehen würden, ist es praktisch unmöglich, alle Gewichte durchzugehen und zu ändern. Als Reaktion auf dieses Problem könnte der Manager beschließen, diese ANN zu trainieren Die Gewichtung des Gehalts ist bereits sicher , weil es nur darum geht, wie viel er ihnen zahlt. Die Gewichtungen w1 eins und W12, die ihre Arbeitsleistung darstellen, sind jedoch die ihre Arbeitsleistung darstellen, beim Bau nicht bekannt. Und was wir dann tun, um eine ANN zu trainieren , ist, ihr viele Beispiele, Inputs und Outputs zu geben. Und es wird automatisch seine eigenen Gewichtungen ermitteln , die realistische und sogar prädiktive Ergebnisse liefern . 8. #7 – geschichtete Netzwerke: Dies ist ein neuronales Netzwerk mit vier Eingängen und vier Ausgängen. Aber anstatt dass die Eingänge direkt mit den Ausgängen verbunden sind, gibt es eine Zwischenschicht. Das nennen wir eine versteckte Ebene. Und oft, wenn Sie eine KI verwenden, wissen Sie nicht, wie gewichtet die KI ihre Ergebnisse erzielt. Versteckte Schichten erhöhen die Komplexität der KI und ermöglichen es zu trainieren, um wünschenswertere Ergebnisse zu erzielen und komplexere Aktivitäten durchzuführen. Lassen Sie uns zum Beispiel ein Szenario einrichten. Nehmen wir an, wir haben ein Auto in der Mitte für Mais, das versucht , so weit wie möglich vom Zentrum des Labyrinths wegzukommen. Das Auto hat drei Sätze , die drei Zahlen in unsere ANN eingeben, die n, n angeben, wie weit die Sensoren sind. Das ganze Chi steht auf einer anderen Seite als die Wölfe. Das Auto hat auch einen Empfänger, sodass es weiß, wie weit es vom Zentrum entfernt ist. Wir können die Luft, die ich über das Auto habe , durch das Gaspedal, die Bremsen, die Räder und den Rückwärtsgang lassen. Beachten Sie, dass jede Eingabe und Ausgabe nur einen einzelnen Wert oder Ereignisse annimmt. Zum Beispiel könnte das Lenkrad ein einzelner Wert sein, indem es 0 in der Ruheposition minus Zahlen zum Abbiegen nach links und positive Zahlen nach rechts hat Ruheposition minus Zahlen . Die Hoffnung bei diesem Ai ist, dass das Auto von selbst weg vom Zentrum kommt. Ob dies tatsächlich funktioniert hängt davon ab, wie Sie die KI aufgebaut haben, einschließlich der Art und der Trainingsdaten, die Sie ihr gegeben haben, sind. Und das war's. Wir sehen uns für die letzte Lektion, in der ich über das Klassenprojekt spreche. 9. Kursprojekt: Hallo, ich bin gut damit fertig, meinen KI-Einzelkurs abzuschließen . Ich hoffe du hast etwas gelernt und hoffentlich verstehst du die KI besser und willst sie weiter verfolgen. Ich habe einen Kurs, eine Herausforderung für dich. Ich möchte, dass Sie Ihre eigene KI mit ihren Verbindungen digital oder auf Papier zeichnen . Es kann so viele Ein- und Ausgänge haben, wie Sie möchten. Und die versteckte Ebene, wenn Sie möchten, dann möchte ich, dass Sie sich Ihr eigenes Szenario ausdenken. Stellen Sie sich ein Szenario vor, für das Sie Ihre KI verwenden können. Lass einfach mein Auto ins Labyrinth. Dann möchte ich, dass Sie die Ein- und Ausgangsknoten beschriften. Entsprechend Ihrem Szenario. Fügen Sie gerne zusätzliche Erklärungen hinzu und werden Sie kreativ. Weitere Details zum Klassenprojekt finden Sie in der Beschreibung. Nachdem du dein Kursprojekt hochgeladen hast, schaue ich es mir persönlich an und gebe dir Feedback. Danke fürs Zuschauen und auf Wiedersehen.