Transcrições
1. Apresentação: Ai, o que é e
como funciona? Olá e bem-vindo
ao meu curso A101. Meu nome é Robin, e esta é uma introdução para iniciantes à IA quando nenhum
conhecimento prévio é o quê. Este curso foi revisado por profissionais
britânicos de IA para mostrar que o paciente internado
é preciso e atualizado. Neste curso,
aprenderemos sobre os tipos de IA. O que é um N, N. Três redes progressivamente
mais complexas, treinando IA e redes de leads. E no final do curso, tenho muitos
projetos em mente se
participarmos para testar
sua compreensão. Para ouvir, se concentrar, reproduza
o vídeo se você tiver dois, porque este é um curta-metragem condensado e intenso por enquanto.
2. #1 - Tipos de IA: Existem dois tipos de IA, IA estreita e IA geral, também conhecida como AGI. IA forte. A IA estreita é uma IA
criada para uma tarefa específica, como prever os movimentos dos preços das
ações. A IA geral é uma IA que pode se adaptar a
quase tudo, como um ser humano. No entanto, essa tecnologia ainda não
foi desenvolvida. E há três
sobre a direção de onde o desenvolvimento
da IA provavelmente irá. Portanto, só
aprenderemos sobre IA restrita.
3. #2 - O que é uma ANN?: O que é uma ANN? O cérebro tem 86
bilhões de neurônios, que trocam informações uns
com os outros a uma taxa muito rápida através de
pequenos pulsos elétricos. Um determinado neurônio não troca informações com todos
os outros 86 bilhões. Em vez disso, eles estão conectados
aos neurônios circundantes para
realizar funções especializadas. Essas estruturas de neurônios são chamadas de redes
neurais biológicas. Vou cortar a
aula de biologia aqui, mas tudo o que precisamos saber é que o cérebro aprende com
isso para experimentar. Cada vez que você aprende uma nova habilidade, como jogar um novo videogame, a estrutura de
seus neurônios muda, a maneira como eles se conectam uns
aos outros muda. Essa é uma parte muito
importante da IA. É sobre emular esse
comportamento em computadores. Isso é chamado de
rede neural
artificial ou ANN, abreviadamente. Então, quando você ouvir ANN, pense em um programa
que imita a maneira como as células
nervosas funcionam
no cérebro humano. Mas por que queremos
emular essas redes
neurais biológicas? Bem, é simples. Eles podem ser automatizados, facilmente, usar estatísticas avançadas e
cometer menos erros. E humanos. Esta é uma rede neural
artificial já treinada com muitos neurônios dentro. Vou explicar como a ANN é
treinada posteriormente neste curso. Mas, por enquanto, vamos descobrir como usar isso
já treinado para n. Bem, nós damos uma entrada
e depois produzimos uma saída. Então, por exemplo,
digamos que este N,
N foi construído para descrever às pessoas
cegas o que o rodeia. Então, vamos dar uma imagem de 920 por
180 de uma casa, o que significa que há
2.072.600 pixels, ou em outras palavras,
2.072.600 entradas. E se você for ANN
funciona corretamente, ele lhe dirá
que está olhando para a casa. Isso é incrível, mas é bom notar que essa
é uma IA mais restrita. Portanto, ele só pode executar funções
limitadas. Ele não pode fazer tudo. Podemos dar qualquer coisa inesperada para produzir o que
quisermos. Vamos fazer outro exemplo. Agora. Vamos fingir que temos uma ANN diferente que contém
sua voz em palavras. Nós dizemos olá. Ele insere nosso sinal de áudio e emite a palavra que dissemos sem a
necessidade de usar o teclado. Junte-se a mim no próximo
episódio, onde veremos interior de uma ANN e
veremos como ela é construída.
4. #3 - Cenário AI I: Este é o nó que
tem um valor chamado X. Para construir uma rede neural, lembre-se, precisamos
ter uma entrada. Usaremos um nó
para representar isso. Portanto, o valor x
nesse caso é qualquer número que
quisermos que seja. Podemos conectar esse
nó a outro nó usando uma conexão
que tenha um peso. Vamos chamar esse peso de w. Mas lembre-se,
também precisamos de uma saída. Essa conexão ponderada está
conectada a um nó de saída. Essa saída aqui é determinada
pela entrada multiplicada pelo peso. E para referência futura, aqui, estamos assumindo que
a função é linear. Se você não entende
o que isso significa, não se preocupe,
continue ouvindo. Essa é provavelmente a rede neural mais simples
que você pode criar. Independentemente disso. Vamos testar suas limitações. Digamos que temos uma
imagem monocromática e queremos inverter os tons
para
que o preto se transforme termos
brancos e brancos os tons pretos ou mais escuros
tendem a tons mais
claros e tons claros, tons escuros. A primeira pergunta é: como podemos passar a
imagem inteira para um nó, apesar de o nó
ter apenas um valor. O último dia que analisamos tinha mais
de 2 milhões de insumos. E aqui só temos um. O que fazemos é passar os
pixels um de cada vez. Agora, seguindo em frente, apenas
usando minha própria intuição, vou atribuir
valores à sombra para que o preto seja menos
um e o branco seja um. Este é um sistema que
eu criei no local e não
precisa ser aprendido. Agora, para o peso, vamos decidir que o valor ponderado é menos um. Isso, se você pensar bem, na verdade faz muito sentido. Como x é vezes por esse peso. Quando x é vezes por esse peso, o x inverte seu valor. Então, se for negativo, ele se tornará positivo
e vice-versa. Ótimo. Agora vamos testar. Vamos fingir que temos um programa que passa
em um pixel por vez. O primeiro pixel é branco e, portanto,
tem um valor de um. Isso significa que uma
vez menos um é, obviamente, menos um. Ótimo. Agora o pixel está invertido. Agora, o próximo pixel é cinza escuro. Também fica invertido. Acho que você entendeu. Quando você tiver feito todos
os pixels Lá, nós temos isso, uma imagem invertida. Mas essa IA simples
não nos levará muito longe. Ele não tem
poder preditivo e é essencialmente apenas uma função e não realmente reconhecido
como a IA adequada. Depois de entender
esta lição, junte-se a mim na próxima vez. Quando começamos a introduzir
várias entradas.
5. #4 - Cenário AI II: Esta é uma ANN com duas
entradas e uma saída. Observe como eu distingui
entre o primeiro, segundo x's e w's usando
X1 e X2 e W1 e W2. Você pode estar se perguntando, como
calculamos a saída,
que x está em W? Precisamos responder
a todos eles. Você faz x vezes w
para os dois e depois os soma. A equação é esta, X1 vezes w1 mais x2 vezes w t. Note que se
tivéssemos 100 entradas, expandiríamos a equação
com mais x três vezes W3 mais x4 vezes W4 mais X5 vezes W5 e assim por
diante e assim por diante e assim por diante. Vamos testar essa IA
dentro do exemplo. Um gerente de uma fábrica tem dois funcionários que trabalham em um número
diferente de horas. Ele quer me perguntar
quantos sapatos serão feitos em um determinado dia de trabalho, trabalho total
IEEE. Jimmy faz um sapato e nossa vontade é
mais rápida de escolher uma hora. Os x's serão o número
de horas que eles trabalharão naquele dia. E a espera até
como eficiência ou como um nó afeta os
nós que o seguem. Digamos que Jimmy tenha feito
cinco horas de trabalho. Bem, as três horas de trabalho, ou
seja, usando a equação, criam um total de 11
opções ou 11 de trabalho total. Observe também como,
embora
façamos duas horas a menos do que
Jimmy devido à sua ponderação, é nó tem mais
efeito na saída. Depois Jimmy's. Na próxima lição, abordaremos várias entradas e
várias saídas.
6. #5 - Cenário AI III: Esta é uma ANN, duas entradas e duas
saídas. Aqui. Vou mudar a
notação pela última vez. Isso ocorre porque temos nomes de variáveis
duplicados. Temos que W1 e W2 é. Tudo o que estou fazendo aqui é
adicionar um número real para distinguir entre
a reação indo para o mesmo nó. Vamos usar a
mesma fórmula da última vez, apesar de parecer um pouco diferente devido
à nova notação. Espero que você possa ver agora por que
você mudou a notação. Caso contrário, ambas as fórmulas
seriam as mesmas, o que não faz sentido. Agora, vamos ter o mesmo
cenário da última vez. Mas desta vez o
gerente também quer
saber o salário total
que ele tem para pagá-los. Vamos testar isso. Vamos adicionar alguns
pesos e entradas apropriados. A resposta para a produção total é
a mesma da última vez, 11. O salário total é cinco vezes
cinco mais três vezes oito, o que é, obviamente, 49. Essa IA está começando
a se tornar mais útil, pois permite
ao gerente comparar
visualmente o trabalho total com os salários,
alterando os pesos. Aqui está uma pergunta para você. Os valores de entrada são o número de horas
que eles realizam individualmente. O segundo nó de saída representa
o total de salários dados. O que fez o peso para um
e esperar dois para representar. Pense e descubra
nossa próxima lição.
7. #6 - Treinamento de IA: Nesta lição,
aprenderemos sobre o treinamento de IA. Mas antes de fazermos isso, a resposta para a pergunta
na última lição
é que peso para um e peso para 2% Jimmy e poços pagam
por hora, respectivamente. Agora vamos voltar ao
tópico de treinamento em IA. A última vez que mencionei que
o gerente pode alterar os pesos para ver como o trabalho total e o salário
total mudam. No entanto, existem alguns
problemas com isso. Se houvesse 100 entradas
em 100 saídas, é praticamente impossível
passar e mudar
todos os pesos. Em resposta a esse problema, o gerente pode
decidir treinar essa ANN, as ponderações do salário já
são conhecidas com
certeza porque é apenas
quanto ele paga a elas. No entanto, as ponderações
w1 one e W12, que é sua potência de trabalho, não
são conhecidas ao
construir isso. E então o que
fazemos para treinar uma ANN é dar a ela muitos
exemplos, entradas e saídas. E ele calculará automaticamente suas próprias ponderações que fornecem resultados
realistas e até
preditivos.
8. #7 - Redes em camadas: Isso aqui é uma rede neural com quatro entradas
e quatro saídas. Mas em vez das
entradas se conectarem diretamente às saídas, há uma camada intermediária. Isso é o que chamamos
de camada oculta. E na maioria das vezes,
ao usar uma IA, você não sabe como os pesos que a IA está
produzindo em suas saídas. Camadas ocultas adicionam complexidade à IA e permitem que ela seja treinada para produzir resultados
mais desejáveis e realizar atividades mais complexas. Por exemplo, vamos
configurar um cenário. Digamos que temos um carro no
centro para o milho tentando fugir do centro do labirinto
o mais longe possível. O carro tem três frases que inserem três
números em nossa ANN, que diz ao n, n, distância os sensores estão. Todo o chi está em
lados diferentes dos lobos. O carro também tem um receptor, então ele sabe a
que distância está do centro. Podemos deixar o ar que
eu tenho controle
do carro pelo acelerador,
freios , rodas e ré. Observe que cada
entrada e saída recebe
apenas
um único valor ou eventos. Por exemplo, o volante pode ser um
valor único tendo 0 na posição de
repouso menos números para virar à esquerda e números
positivos, à direita. A esperança com esse Ai
é que o
carro saia sozinho do centro. Se isso
realmente funciona ou não depende de como
você construiu a IA, incluindo como e quais são os dados de treinamento que
você forneceu a ela. E é isso aí. Vejo vocês para a lição final em que falo
sobre o projeto da turma.
9. Projeto de classe: Olá, estou bem
feito ao concluir meu curso individual de IA. Espero que você tenha aprendido
algo e espero que entenda melhor a IA e
queira ir mais longe. Eu tenho uma aula, um
desafio para você. Quero que você desenhe
digitalmente ou no papel sua própria IA
com suas conexões. Ele pode ter quantas entradas
e saídas você quiser. E a
camada oculta, se você desejar, então eu quero que você
crie sua própria imagine um cenário para o qual você
possa usar sua IA. Apenas deixe meu carro no labirinto. Então eu quero que você rotule os
nós de entrada e saída. De acordo com o seu cenário. Sinta-se à vontade para adicionar qualquer
explicação extra e ser criativo. Mais detalhes sobre o
projeto da turma na descrição. Depois de fazer
o upload do seu projeto de turma, darei uma
olhada pessoalmente e darei alguns comentários. Obrigado por
assistir e adeus.
Robin
