Transcripciones
1. Introducción: Ai, ¿qué es y
cómo funciona? Hola y bienvenidos
a mi Curso A101. Mi nombre es Robin, y esta es una introducción para principiantes a la IA cuando ningún
conocimiento previo es lo que. Este curso ha sido revisado por profesionales
británicos de IA para demostrar que el paciente hospitalizado impartido
es preciso y actualizado. En este curso, estaremos
aprendiendo sobre tipos de IA. Qué es una N, N. Tres redes progresivamente
más complejas, formación de IA y redes de plomo. Y al final del curso, he tenido muchos
proyectos en mente si
participamos para poner a prueba
tu comprensión. Para escuchar, concentrarte, volver a reproducir
el video si tienes dos, pues este es un curso corto condensado e intenso por ahora.
2. #1: tipos de IA: Existen dos tipos de IA, IA estrecha e IA general, también conocida como AGI. IA fuerte. La IA estrecha es una IA
que está hecha para una tarea específica como predecir los movimientos del precio
de las acciones. La IA general es una IA que puede adaptarse a casi cualquier cosa
igual que un humano. Sin embargo, esta tecnología
aún no se ha desarrollado. Y hay un tres
en la dirección de hacia dónde
es probable que vaya el desarrollo de IA. Por lo tanto, sólo estaremos
aprendiendo acerca de la IA estrecha.
3. #2: ¿Qué es un ANN?: ¿ Qué es una ANN? El cerebro tiene 86
mil millones de neuronas, que intercambian información
entre sí a un ritmo muy rápido a través de
pequeños pulsos eléctricos. Una neurona dada no intercambia información con todos
los otros 86 mil millones. Más bien, están conectados a las neuronas circundantes para
realizar funciones especializadas. Estas estructuras de neuronas se
denominan redes
neuronales biológicas. Voy a cortar la
lección de biología aquí, pero todo lo que necesitamos saber es que el cerebro aprende de
ella para experimentar. Cada vez que aprendes una nueva habilidad, como jugar un nuevo videojuego, la estructura de
tus neuronas, cambia la forma en que se conectan
entre sí. Esta es una parte realmente
importante de la IA. Se trata de emular este
comportamiento en las computadoras. Esto se llama
red neuronal
artificial o ANN para abreviar. Entonces cuando escuches ANN, piensa por un programa
que imita la forma funcionan las células
nerviosas en
el cerebro humano. Pero, ¿por qué queremos emular estas redes
neuronales biológicas? Bueno, es sencillo. Se pueden automatizar, fácilmente, usar estadísticas avanzadas y
pueden cometer menos errores. Y humanos. Esta es una red neuronal
artificial ya entrenada con muchas neuronas en su interior. Te explicaré cómo se
capacitan a las ANN más adelante en este curso. Pero por ahora, vamos a averiguar cómo usar esto
ya entrenado para n Bueno, le damos un input
y luego producimos un output. Entonces, por ejemplo,
digamos que este N, N está construido para describir a las personas
ciegas su entorno. Entonces le daremos una imagen 920 por
180 de una casa, lo que significa que hay
2,072,600 pixeles, o en otras palabras,
2,072,600 entradas. Y si eres ANN
funciona correctamente, te dirá
que está mirando casa. Esto es increíble, pero es bueno notar que esta
es una IA más estrecha. Por lo que sólo puede hacer funciones
limitadas. No puede hacer todo. Simplemente podemos darle cualquier cosa inesperada para que salga
lo que queramos. Hagamos otro ejemplo. Ahora. Vamos a pretender que tenemos una ANN diferente que contienen
tu voz en palabras. Decimos hola. Se introduce nuestra señal de audio y tiene salida la palabra que dijimos sin
que necesitemos usar el teclado. Acompáñame en el próximo
episodio donde miraremos dentro de una ANN y
veremos cómo se construye.
4. #3 - Escenario AI I: Este es el nodo que
tiene un valor llamado X. Para construir una red neuronal, recuerde, tenemos que
tener una entrada. Usaremos un nodo
para representar esto. Entonces el valor x en este caso es cualquier número
que queramos que sea. Podemos conectar este
nodo a otro nodo usando una conexión
que tenga un peso. Llamemos a este peso w. Pero recuerden,
también necesitamos una salida. Esta conexión ponderada está
conectada a un nodo de salida. Esta salida aquí se determina sobre los tiempos de entrada del peso. Y para referencia futura, aquí, estamos asumiendo que
la función es lineal. Si no entiendes
lo que esto significa, no te
preocupes, solo
sigue escuchando. Esta es probablemente la red neuronal más simple
que puedas hacer. Independientemente. Vamos a probar sus limitaciones. Digamos que tenemos una
imagen monocromática y queremos invertir los tonos
para
que el negro se convierta blanco y
los términos blancos los tonos negros o más oscuros tienden a tonos más
claros y tonos claros, tonos oscuros. La primera pregunta es, ¿cómo podemos pasar toda la
imagen a un nodo, a pesar de que el nodo sólo
tenga un valor. El último día que
miramos tenía más de 2 millones de insumos. Y aquí sólo tenemos uno. Lo que hacemos es pasar los
pixeles de uno en uno. Ahora, pasando, solo
usando mi propia intuición, voy a asignar
valores a la sombra para
que el negro sea menos
uno y el blanco sea uno. Este es un sistema que se
me ocurrió en el acto y no
necesita ser aprendido. Ahora, para el peso, vamos a decidir que el valor ponderado es menos uno. Esto, si lo piensas, en realidad tiene mucho sentido. Como x es veces por este peso. Cuando x es veces por este peso, la x invierte su valor. Entonces si es negativo, se volverá positivo
y viceversa. Genial. Ahora vamos a probarlo. Vamos a pretender que tenemos un programa que pasa
en un píxel a la vez. El primer píxel es blanco y por lo tanto
tiene un valor de uno. Esto significa que una
vez menos uno es por supuesto menos uno. Genial. Ahora el píxel está invertido. Ahora el siguiente píxel es gris oscuro. También se invierte. Creo que entiendes el punto. Cuando has hecho todos
los pixeles Ahí, lo
tenemos, una imagen invertida. Pero esta simple IA
no nos llevará muy lejos. No tiene
poder predictivo y es esencialmente solo una función y no se reconoce
realmente
como la IA adecuada. Una vez que hayas entendido
esta lección, únete a mí la próxima vez. Cuando empezamos a introducir
múltiples entradas.
5. #4: escenario AI II: Se trata de una ANN con dos
entradas y una salida. Observe cómo he distinguido
entre la primera, segunda x y w's usando
X1 y X2 y W1 y W2. Usted puede estar preguntando, ¿cómo
calculamos la salida,
qué x está en W? Tenemos que responder
son todos ellos. Haces x veces w
para ambos, luego sumarlos. La ecuación es esta, X1 por w1 más x2 veces w t Tenga en cuenta que si
tuviéramos un 100 entradas, ampliaríamos la ecuación
con más x tres veces W3 más x4 veces W4 más X5 veces W5 y así
sucesivamente y así sucesivamente y así sucesivamente. Vamos a probar esta IA
dentro del ejemplo. Un gerente de una fábrica tiene dos empleados que trabajan
diferente número de horas. Me quiere preguntar
cuántos zapatos se harán en una jornada laboral determinada, trabajo total del
IEEE. Jimmy hace un zapato y nuestra voluntad es más rápida
que hace elegir una hora. Las x's serán el número
de horas que trabajen ese día. Y la espera hasta
como eficiencia o cómo afecta un nodo a los
nodos que lo siguen. Digamos que Jimmy hizo
cinco horas de trabajo. Bueno, las tres horas de trabajo, es decir usando la ecuación, crean un total de 11
elegir o 11 trabajo total. También note cómo a
pesar de que vamos hacer dos horas menos que
Jimmy debido a su ponderación, es nodo tiene más de un
efecto en la salida. Entonces la de Jimmy. siguiente lección, cubriremos múltiples entradas y
múltiples salidas.
6. #5 - Escenario de IA III: Se trata de una ANN, dos entradas y dos
salidas. Aquí. Voy a cambiar la
notación por última vez. Esto se debe a que tenemos nombres de variables
duplicados. Tenemos que W1 y W2 es. Todo lo que estoy haciendo aquí es
agregar un número real para distinguir entre
la reacción
va al mismo nodo. Vamos a usar la
misma fórmula que la última vez, a pesar de que se ve un poco diferente debido a
la nueva notación. Espero que puedan ver ahora por
qué han cambiado la notación. De lo contrario, ambas fórmulas
serían la misma, lo cual no tiene sentido. Ahora, Tengamos el mismo
escenario que la última vez. Pero esta vez el
directivo también quiere saber el salario total
que tiene que pagarles. Vamos a probar eso. Agreguemos algunos
pesos e insumos apropiados. La respuesta a la salida total es
la misma que la última vez, 11. El salario total es de cinco veces
cinco más tres por ocho, que por supuesto es de 49. Este ai está empezando
a ser más útil ya que permite
al gerente comparar
visualmente el trabajo total con los salarios
cambiando pesos. Aquí tienes una pregunta para ti. Los valores de entrada son el número de horas
que hacen individualmente. El segundo nodo de salida representa
los salarios totales dados. ¿ Qué hizo el peso a uno
y esperar dos para representar. Piensa y encuentra
nuestra siguiente lección.
7. #6: IA de formación: En esta lección, estaremos
aprendiendo sobre la formación de IA. Pero antes de hacerlo, la respuesta a la pregunta de
la última lección
es que el peso a uno y el peso al 2% Jimmy's y wells pagan
por hora respectivamente. Ahora volvamos al
tema entrenando IA. La última vez mencioné que
el directivo puede cambiar los pesos para ver cómo cambian el trabajo
total y los salarios totales. No obstante, hay algunos
problemas con esto. Si hubiera 100 entradas
entrar en 100 salidas, Es prácticamente imposible
pasar y cambiar
todos los pesos. Ante este problema, el directivo podría decidir capacitar
a esta ANN, las ponderaciones de salario ya
se conocen con
certeza porque es justo
cuánto les paga. Sin embargo, las ponderaciones
w1 one y W12, que es su potencia de trabajo, no
se conocen al
construir esto. Y entonces lo que
hacemos para entrenar a una ANN es darle muchos
ejemplos, entradas y salidas. Y se calculará automáticamente
en sus propias ponderaciones que dan salidas
realistas e incluso
predictivas.
8. #7: redes en capas: Esta aquí es una red neuronal con cuatro entradas
y cuatro salidas. Pero en lugar de las
entradas que se conectan directamente a las salidas, hay una capa intermedia. Esto es lo que llamamos
una capa oculta. Y la mayor parte del tiempo
al usar una IA, no se sabe cómo los pesos que la IA está
produciendo sus salidas. Capas ocultas, agregan complejidad a la IA y permiten que se vaya y se capacite para producir resultados
más deseables y realizar actividades más complejas. Por ejemplo, vamos a
configurar un escenario. Digamos que tenemos un auto en el
centro para el maíz tratando de
alejarnos del centro
del laberinto lo más lejos posible. El auto tiene tres frases que ingresan tres
números en nuestra ANN, que le dice a la n, n, qué tan lejos están los sensores. Todo el chi está en
lados diferentes de los lobos. El auto también cuenta con receptor, por lo que sabe a
qué distancia está del centro. Podemos dejar que el aire
tengo el control del auto por
el acelerador,
se rompe, las ruedas, y marcha atrás. Observe que cada
entrada y salida solo toma o eventos
un solo valor. Por ejemplo, el volante podría ser un solo
valor al tener 0 en posición de
reposo menos números para girar a la izquierda y números
positivos, a la derecha. La esperanza con este Ai
es que el auto se abra camino por sí mismo
lejos del centro. Si esto
realmente funciona o no depende de cómo
hayas construido la IA, incluyendo cómo y cuáles son los datos de entrenamiento que
le has dado. Y eso es todo. Nos vemos para la lección final donde
hablo del proyecto de clase.
9. Proyecto de clase: Hola, estoy bien
hecho al completar mi curso uno-a-uno de AI. Espero que hayas aprendido
algo y ojalá entiendas mejor la IA y
quieras seguirla más lejos. Tengo una clase, un
reto para ti. Quiero que dibuje
digitalmente o en papel tu propia IA
con sus conexiones. Puede tener tantas entradas
y salidas como desee. Y la
capa oculta si lo deseas, entonces quiero que te
subas con tu propia imagina un escenario para el que
puedas usar tu IA. Sólo deja entrar mi auto en el laberinto. Entonces quiero que etiquete los nodos de
entrada y salida. De acuerdo a tu escenario. Siéntase libre de agregar cualquier
explicación extra y ser creativo. Más detalles sobre el
proyecto de clase en la descripción. Después de que hayas hecho sube
tu proyecto de clase, y lo echaré un
vistazo personalmente y te daré algunos comentarios. Gracias por
ver y adiós.
Robin
