L'intelligence artificielle 101 : un guide pour débutants

1. Introduction: Qu'est-ce que c'est et comment fonctionne-t-il ? Bonjour et bienvenue dans mon cours A101. Je m'appelle Robin, et c'est une introduction à l' IA pour les débutants alors qu'aucune connaissance préalable n'est ce que c'est. Ce cours a été revu par professionnels britanniques de l'IA pour montrer que le cours dispensé aux patients hospitalisés est précis et à jour. Dans ce cours, nous allons découvrir les différents types d'IA. Ce qu'est un N, un N. Trois réseaux de plus en plus complexes, formant l'IA et les réseaux principaux. Et à la fin du cours, j'ai beaucoup de projets en tête si nous participons pour tester votre compréhension. Pour écouter, se concentrer, rejouer la vidéo si vous en avez deux, car il s'agit d'un court cours condensé et intense pour l'instant. 2. #1 - Types d'IA: Il existe deux types d'IA, l'IA étroite et l'IA générale, également connue sous le nom d'IAG. Une IA puissante. L'IA étroite est une IA conçue pour une tâche spécifique, telle que la prévision des mouvements du cours des actions. L'IA générale est une IA qui peut s'adapter à presque tout comme un être humain. Cependant, cette technologie n' a pas encore été développée. Et il y en a trois sur la direction que le développement de l' IA est susceptible de prendre. Par conséquent, nous n' apprendrons que sur l'IA étroite. 3. #2 - Qu'est-ce qu'un ANN ?: Qu'est-ce qu'un ANN ? Le cerveau compte 86 milliards de neurones, qui échangent des informations les uns avec les autres à un rythme très rapide par de petites impulsions électriques. Un neurone donné n'échange pas d'informations avec les 86 milliards restants. Ils sont plutôt connectés aux neurones environnants pour exécuter des fonctions spécialisées. Ces structures de neurones sont appelées réseaux neuronaux biologiques. Je vais arrêter la leçon de biologie ici, mais tout ce que nous avons besoin de savoir c'est que le cerveau en apprend pour en faire l'expérience. Chaque fois que vous apprenez une nouvelle compétence, comme jouer à un nouveau jeu vidéo, la structure de vos neurones change, la façon dont ils se connectent les uns aux autres change. C'est un élément très important de l'IA. Il s'agit d'émuler ce comportement sur des ordinateurs. C'est ce qu'on appelle un réseau neuronal artificiel ou ANN en abrégé. Quand vous entendez ANN, pensez à un programme qui imite le fonctionnement des cellules nerveuses dans le cerveau humain. Mais pourquoi voulons-nous imiter ces réseaux neuronaux biologiques ? Eh bien, c'est simple. Ils peuvent être automatisés, facilement, utiliser des statistiques avancées et faire moins d'erreurs. Et les humains. Il s'agit d'un réseau neuronal artificiel déjà entraîné avec de nombreux neurones à l'intérieur. J'expliquerai comment les ANN sont formées plus tard dans ce cours. Mais pour l'instant, voyons comment utiliser ce déjà formé à n. Eh bien, nous lui donnons une entrée et produisons ensuite une sortie. Par exemple, disons que ce N, N est construit pour décrire aux personnes aveugles leur environnement. Nous allons donc lui donner une image 920 par 180 d'une maison, ce qui signifie qu'il y a 2 072 600 pixels, soit 2 072 600 entrées. Et si vous êtes ANN fonctionne correctement, il vous dira qu' il regarde la maison. C'est incroyable, mais il est bon de noter qu'il s' agit d'une IA plus étroite. Il ne peut donc effectuer que des fonctions limitées. Il ne peut pas tout faire. Nous pouvons simplement lui donner n'importe quoi inattendu pour produire ce que nous voulons. Faisons un autre exemple. Maintenant. Imaginons que nous avons un ANN différent qui contient votre voix en mots. On se dit bonjour. Il entre notre signal audio et sort le mot que nous avons dit sans que nous ayons besoin d'utiliser le clavier. Rejoignez-moi dans le prochain épisode où nous examinerons l'intérieur d'un ANN et verrons comment il est construit. 4. #3 - Scénario AI I: C'est le nœud qui a une valeur appelée X. Pour construire un réseau de neurones, souvenez-vous que nous devons avoir une entrée. Nous utiliserons un nœud pour le représenter. La valeur x dans ce cas est donc n'importe quel nombre que nous voulons qu'elle soit. Nous pouvons connecter ce nœud à un autre nœud en utilisant une connexion qui a un poids. Appelons ce poids w. Mais rappelez-vous que nous avons également besoin d'une sortie. Cette connexion pondérée est connectée à un nœud de sortie. Cette sortie est déterminée fonction de l'entrée multipliée par le poids. Et pour référence future, nous supposons que la fonction est linéaire. Si vous ne comprenez pas ce que cela signifie, ne vous inquiétez pas, continuez simplement à écouter. C'est probablement le réseau de neurones le plus simple que vous puissiez créer. Peu importe. Nous allons tester ses limites. Supposons que nous ayons une image monochrome et que nous voulions inverser les nuances de sorte que le noir se transforme en termes de blanc et de blanc les nuances noires ou foncées tendent vers des nuances plus claires et des tons clairs, tons foncés. La première question est comment pouvons-nous transmettre l' image complète dans un seul nœud, même si le nœud n'a qu'une seule valeur. Le dernier jour, nous avons examiné plus de 2 millions d'entrées. Et ici, nous n'en avons qu'un. Ce que nous faisons, c'est passer les pixels un par un. Maintenant, en utilisant ma propre intuition, je vais assigner des valeurs à l'ombre de sorte que le noir soit moins un et le blanc soit un. C'est un système que j'ai mis au point sur place et qui n'a pas besoin d'être appris. Maintenant, pour le poids, nous allons décider que la valeur pondérée est de moins un. Cela, si vous y réfléchissez, est en fait tout à fait logique. Comme x est multiplié par ce poids. Lorsque x est multiplié par ce poids, x inverse sa valeur. Donc, s'il est négatif, il deviendra positif et vice versa. Super. Maintenant, testons-le. Imaginons que nous avons un programme qui passe d'un pixel à la fois. Le premier pixel est blanc et a donc une valeur de un. Cela signifie qu'une fois moins un est bien entendu moins un. Super. Le pixel est maintenant inversé. Maintenant, le pixel suivant est gris foncé. Elle aussi est inversée. Je pense que tu comprends ce que je veux dire. Quand vous avez fait tous les pixels, nous l'avons, une image inversée. Mais cette simple IA ne nous mènera pas très loin. Elle n'a aucun pouvoir prédictif et n'est essentiellement qu'une fonction et n'est pas vraiment reconnue comme l'IA appropriée. Une fois que tu auras compris cette leçon, rejoins moi la prochaine fois. Lorsque nous commençons à introduire plusieurs entrées. 5. #4 - Scénario IA II: Il s'agit d'un ANN avec deux entrées et une sortie. Remarquez comment j'ai fait la distinction entre les premier, second x et w en utilisant X1 et X2 et W1 et W2. Vous vous demandez peut-être comment calculer la sortie, quel x est en W ? Nous devons répondre à toutes ces questions. Vous faites x fois w pour les deux, puis vous les additionnez. L'équation est la suivante, X1 fois w1 plus x2 fois w t. Notez que si nous avions 100 entrées, nous élargirions l'équation avec plus x trois fois W3 plus x4 fois W4 plus X5 fois W5 et ainsi de suite et ainsi de suite. Nous allons tester cette IA dans un exemple. Le directeur d'une usine a deux employés qui travaillent un nombre d'heures différent. Il veut me demander combien de chaussures seront fabriquées dans une journée de travail donnée, travail total IEEE. Jimmy fabrique une chaussure et notre volonté est plus rapide, il nous permet de choisir une heure. Les x seront le nombre d'heures qu'ils travailleront ce jour-là. Et l'attente comme l'efficacité ou façon dont un nœud affecte les nœuds qui le suivent. Disons que Jimmy a travaillé cinq heures. Eh bien, les trois heures de travail, c'est-à-dire en utilisant l'équation, elles créent un total de 11 choix ou 11 travail total. Notez également comment même si nous ferons deux heures de moins que Jimmy en raison de sa pondération, nœud a plus d' effet sur la sortie. Alors celui de Jimmy. leçon suivante, nous aborderons les entrées et les sorties multiples. 6. #5 - Scénario IA III: Il s'agit d'un ANN, deux entrées et de deux sorties. Ici. Je vais changer la notation pour la dernière fois. Cela est dû au fait que nous avons des noms de variables en double Nous devons W1 et W2 est. Tout ce que je fais ici c'est d' ajouter un nombre réel pour la distinction entre la réaction qui va au même nœud. Nous allons utiliser la même formule que la dernière fois, si elle semble légèrement différente en raison de la nouvelle notation. J'espère que vous comprenez maintenant pourquoi vous avez modifié la notation. Sinon, les deux formules seraient identiques, ce qui n'a aucun sens. Maintenant, reprenons le même scénario que la dernière fois. Mais cette fois, le manager veut aussi connaître le salaire total qu'il doit leur verser. Allons tester ça. Ajoutons quelques poids et entrées appropriés. La réponse à la production totale est la même que la dernière fois, 11. Le salaire total est de cinq fois plus trois fois huit, soit bien entendu 49. Cette IA commence à devenir plus utile car elle permet au manager comparer visuellement le travail total aux salaires en modifiant les pondérations. Voici une question pour toi. Les valeurs d'entrée sont le nombre d'heures qu'ils effectuent individuellement. Le deuxième nœud de sortie représente le total des salaires donnés. Qu'est-ce que le poids à un et attendre deux pour représenter. Réfléchissez et trouvez notre prochaine leçon. 7. #6 - Formation de l'IA: Dans cette leçon, nous allons apprendre à former l'IA. Mais avant cela, la réponse à la question de la dernière leçon est que le poids à un et le poids à 2% Jimmy's et Wells paient par heure respectivement. Revenons maintenant au sujet de l'IA de formation. dernière fois, j'ai mentionné que le manager peut modifier les pondérations pour voir comment le travail total et le salaire total changent. Cependant, cela pose certains problèmes. S'il y avait 100 entrées dans 100 sorties, il est pratiquement impossible de passer en revue et de changer tous les poids. En réponse à ce problème, le manager peut décider de former cet ANN, les pondérations salariales sont déjà connues avec certitude car c'est juste combien il les paie. Cependant, les pondérations w1 one et W12, qui est leur puissance de travail, ne sont pas connues lors de la construction de celui-ci. Ensuite, pour former un ANN , nous lui donnons de nombreux exemples, entrées et sorties. Et il calculera automatiquement ses propres pondérations qui donneront résultats réalistes et même prédictifs. 8. #7 - Réseaux en couches: Voici un réseau de neurones avec quatre entrées et quatre sorties. Mais au lieu que les entrées se connectent directement aux sorties, il existe une couche intermédiaire. C'est ce que nous appelons une couche cachée. Et la plupart du temps, lorsque vous utilisez une IA, vous ne savez pas comment l' IA produit ses résultats. Les couches cachées ajoutent de la complexité à l'IA et lui permettent d' être entraînée pour produire des résultats plus souhaitables et effectuer des activités plus complexes. Par exemple, créons un scénario. Supposons que nous ayons une voiture au centre pour le maïs qui essaie de s' éloigner le plus possible du centre du labyrinthe. La voiture a trois phrases qui saisissent trois chiffres dans notre ANN, qui indique au n, n, la distance des capteurs. Tout le chi est d'un côté différent de celui des loups. La voiture dispose également d'un récepteur, ce qui lui permet de savoir à quelle distance elle se trouve du centre. Nous pouvons laisser l'air contrôler la voiture par l' accélérateur, les freins, les roues et la marche arrière. Notez que chaque entrée et sortie ne prend ou n'enregistre qu' une seule valeur. Par exemple, le volant peut être une valeur unique en ayant 0 en position de repos moins les chiffres pour tourner à gauche et les nombres positifs, à droite. L'espoir avec cette Ai est que la voiture s' éloigne elle-même du centre. que cela fonctionne réellement dépend de la façon dont vous avez créé l'IA, y compris comment et quelles sont les données d'entraînement que vous lui avez fournies. Et c'est ça. Rendez-vous pour la dernière leçon où je parlerai du projet de classe. 9. Projet du cours: Bonjour, j'ai bien terminé mon cours individuel sur l'IA. J'espère que vous avez appris quelque chose et j'espère que vous comprenez mieux l'IA et que vous aimeriez la poursuivre. J'ai un cours, un défi pour toi. Je veux que tu dessines numériquement ou sur papier ta propre IA avec ses connexions. Il peut avoir autant d'entrées et de sorties que vous le souhaitez. Et la couche cachée si vous le souhaitez, alors je veux que vous imaginiez vous-même un scénario pour lequel vous pouvez utiliser votre IA. Laisse juste ma voiture dans le labyrinthe. Ensuite, je veux que vous étiquetiez les nœuds d' entrée et de sortie. Selon votre scénario. N'hésitez pas à ajouter des explications supplémentaires et à faire preuve de créativité. Plus de détails sur le projet de classe dans la description. Une fois que vous aurez téléchargé votre projet de classe, je l' examinerai personnellement et vous donnerai quelques commentaires. Merci de m'avoir regardé et au revoir.