人工知能

休業。この質問は意見に基づいています。現在、回答を受け付けていません。 この質問を改善してみませんか？この投稿を編集して、事実と引用で回答できるように質問を更新してください。 4日前休業。 Google I / OでGoogle Duplexが登場し、新しい公共自動運転車Waymoがリリースされました。Amazon以外に実際にGoogle AIと競合できるTech Giantsは思いつきません。Nvidia、Intel、AMDなど、他の企業がチームを組むと思います。Appleには不足しているようです。

9 ai-community 

ウィキペディアによると（引用は省略）： 人工知能の歴史の中で、AIの冬は、人工知能の研究への資金と関心が減少している期間です。この用語は、核の冬の概念に類似して造られました。この分野では、いくつかの誇大宣伝サイクルが発生し、その後に失望と批判が続き、その後、資金の削減が行われ、その後数年または数十年後に再び金利が上昇しました。 ウィキペディアのページでは、AIの冬の原因について少し説明しています。ただし、AI Winterの発生を止めることができるかどうかは知りたいです。過剰投資に続いて過小投資が原因で発生するリソースの誤った割り当てはあまり好きではありません。 Wikipediaのページに記載されているAI冬の原因の1つは「誇大広告」です。 AIの冬は、部分的に過剰に膨らんだ期待とそれに続く株式市場でのクラッシュとして理解され、鉄道マニアとドットコムバブルによって例示されます。新しいテクノロジーの開発（ハイプサイクルとして知られている）の一般的なパターンでは、イベント、通常はテクノロジーのブレークスルーが宣伝を生み出し、「期待のピーク」に続いて「幻滅の谷」が生まれます。科学的および技術的な進歩は、投資家やその他の利害関係者の間での宣伝に起因する期待の高まりに追いつくことができないため、衝突が続く必要があります。AIテクノロジーもこのルールの例外ではないようです。 そして、この段落は、新しいテクノロジーがこの「膨らんだ期待」のパターンに詰まり、その後幻滅することを示しているようです。 では、AIの冬は避けられないのでしょうか？将来的にAIテクノロジーが常に過大評価され、深刻な「修正」が常に発生することは避けられませんか？それとも、この誇大広告サイクルを管理して、資金の大幅な増減を止める方法はありますか？

9 history 

CPUのキャッシュパフォーマンスの詳細を含むデータセット（CSVファイルに保存されている）のパターンを識別するための機械学習アルゴリズムが必要です。具体的には、データセットのような列が含まれReadhits、ReadmissまたはWritehits。 アルゴリズムが識別するパターンは、次の点で役立ちます。 次回、ユーザーがワークロードのパフォーマンスを向上できるようにします。 機能に基づいて問題を特定するのに役立つ、または ユーザーがパターンに基づいて発生する可能性のある将来のデータ値または将来のイベントを予測するのに役立ちます。 どのMLアルゴリズムを使用できますか？

9 machine-learning  algorithm  unsupervised-learning  pattern-recognition 

現在、Android AIアプリに取り組んでいます。 ランダムな文章を生成するAIモデルを知っています。しかし、皮肉な文章を生成するためのAIモデルはありますか？

9 machine-learning  algorithm 

休業。この質問には、より焦点を当てる必要があります。現在、回答を受け付けていません。 この質問を改善してみませんか？質問を更新して、この投稿を編集するだけで1つの問題に焦点を当てます。 先月休業。 トップの人工知能ジャーナルは何ですか？ 必ずしも機械学習ではなく、一般的な人工知能の研究を探しています。

9 research 

簡単にディープラーニングについて（参考）： ディープラーニングは、複数の線形変換と非線形変換で構成される複数の処理層を持つディープグラフを使用して、データの高レベルの抽象化をモデル化しようとする一連のアルゴリズムに基づく機械学習の分岐です。 ディープニューラルネットワーク、たたみ込みディープニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワークなどのさまざまなディープラーニングアーキテクチャが、コンピュータービジョン、自動音声認識、自然言語処理、音声認識、バイオインフォマティクスなどの分野に適用され、それらが生成することが示されていますさまざまなタスクに関する最新の結果。 することができ、深いニューラルネットワークや畳み込み深いニューラルネットワークは、と見ることがアンサンブルベースの機械学習の方法？それとも別のアプローチですか？

9 neural-networks  machine-learning  deep-learning  convolutional-neural-networks  computer-vision 

進化的アルゴリズムを使用して人工ニューラルネットワークを設計およびトレーニングすることには、従来の逆伝播アルゴリズムを使用するよりもどのように利点がありますか？

9 neural-networks  comparison  backpropagation  evolutionary-algorithms 

トランジスタを使用してニューロンとシナプスを実装できる場合、GPUを作成するのと同じ方法を使用して任意の大規模ニューラルネットワークを作成できないのはなぜですか。 本質的に、シーケンシャルプロセッサに実装された非常に優れた仮想ニューラルネットワークがどのように機能するかを見てきました（GPUもシーケンシャルマシンですが、大量のコアがあります）。 GPUの設計原則（基本的には並列に動作する数千のプログラム可能な処理ユニットを備える）を使用すると想像できますが、はるかに単純な「ニューロン処理ユニット」を作成し、数百万または数十億のこれらのNPUを1つの大きなチップに配置できます。それらは（重みを保存するための）独自のメモリを持ち、バスを共有することにより数百の他のニューロンに接続されます。それらは、例えば20Hzの周波数を持つことができ、それにより、他の多くのニューロンとデータバスを共有することができます。 明らかに、ここにはいくつかの電気工学の課題がありますが、すべての大手テクノロジー企業がこのルートを今までに探究しているように思えます。 多くのAI研究者は、超知能が2045年頃に来ると言います。彼らの推論はムーアの法則と、私たちが持っている最速のコンピューターで実行されるソフトウェアに実装できるニューロンの数に基づいていると思います。 しかし、実際には、今日、何十億ものトランジスタを搭載したシリコンチップを製造しています。SPARK M7には100億個のトランジスタがあります。 （プログラム不可能な）ニューロンとそのための数百のシナプスを実装する場合、たとえば100 000のトランジスタが必要であれば、100 000のニューロンをエミュレートするハードウェアでニューラルネットワークを作成できます。 より多くのニューロンが必要な場合に、物理的に大きくできるようにこのようなチップを設計すると、任意の大きなニューラルネットワークは単に予算の問題であるように思えます。 現在の技術を使用して、ハードウェアで任意の大規模ニューラルネットワークを技術的に作成できますか？ 覚えておいてください。そのようなネットワークが実際に非常にインテリジェントになるかどうかは尋ねていません。私がこれを行うためにインテルに支払うことを決定した場合、私が事実上、任意に大きく、高度に相互接続されたニューラルネットワークを作成できるかどうか尋ねているだけですか？ つまり、一部の科学者がソフトウェアで一般的なインテリジェンスを作成できる日に、ハードウェア機能を使用して、この一般的なインテリジェンスを人間のレベル以上に成長させることができます。

9 neural-networks  recurrent-neural-networks  hardware 

私はこれの原因の背後にある数学の直感を発達させることなく、これをしばらく考えてきました。 では、モデルが低い学習率を必要とする原因は何でしょうか？

8 machine-learning  hyper-parameters 

機械学習アルゴリズム（CNN？）を使用/トレーニングして、画像間の細部の小さな違い（赤や他の色の色合いのわずかな違い、または他の非常に類似した画像間の小さなオブジェクトの存在など）を区別できるかどうか疑問に思っていましたか？ ）？そして、これらの違いに基づいて画像を分類しますか？これが現在の機械学習アルゴリズムで困難な作業である場合、どのように解決できますか？より多くのデータ（より多くの画像）を使用すると役立ちますか？ また、可能であれば、これに焦点を当てた研究への言及を提供していただければ幸いです。 私は機械学習を始めたばかりで、これは私の研究から疑問に思っていることです。 ありがとうございました。

8 machine-learning  convolutional-neural-networks  image-recognition  classification 

したがって、Talebには、一般的にデータ分布を記述する2つのヒューリスティックがあります。1つはメディオクリスタンです。これは基本的に、人の身長や体重などのガウス分布に基づくものです。 もう1つはExtremistanと呼ばれ、よりパレートのような分布または太っぽい分布を示します。例として、富の分布があります。1％の人が50％の富またはそれに近いものを所有しているため、限られたデータセットからの予測は非常に困難または不可能です。これは、データセットに単一のサンプルを追加でき、その結果が非常に大きいためにモデルが壊れる、または効果が非常に大きくなり、以前の正確な予測からの利点がすべて取り消されるためです。実際、これは彼が株式市場でお金を稼いだと主張する方法です。他の誰もが悪いガウス分布モデルを使用して市場を予測していました。これは実際には短期間で機能しますが、問題が発生した場合、彼らは本当に行きました市場で正味の損失が発生する原因となる間違っています。 AIについて尋ねられているタレブのこのビデオを見つけました。彼の主張は、過激派に該当するものにはAIが（同様に）機能しないというものです。 彼は正しいですか？AIを使用しても、本質的に予測不可能になるものはありますか？ これが私が参照しているビデオですhttps://youtu.be/B2-QCv-hChY?t=43m08s

8 machine-learning  ai-design  probability  statistical-ai 

ニューロンの現実的なモデルを使用する研究はありますか？通常、ニューラルネットワークのニューロンのモデルは、数百のタンパク質と数百万の分子（またはさらに多くの数）を含む現実的なニューロンとは対照的に、非常に単純です。この現実から含意を引き出し、ニューロンの現実的なモデルを設計しようとする研究はありますか？ 特に最近、ローズヒップニューロンが発見されました。このようなニューロンは、人間の脳細胞にのみ存在します（他の種には存在しません）。このローズヒップニューロンを現実的にモデル化することによって描画できる、ニューラルネットワークの設計と操作に何らかの影響がありますか？

8 neural-networks  artificial-neuron  neurons  brain  neuromorphic-engineering 

私は教師ありおよび教師なしの学習に精通しています。私はCoursera.orgでAndrew Ngが行ったSaaSコースを受講しました。 私は強化学習のために似たようなものを探しています。 何かお勧めできますか？

8 reinforcement-learning  getting-started 

Maxoutネットワークは、Goodfellowらのシンプルかつ優れたアイデアでした。2013年から最大機能マップまで、凸型活性化の普遍的な近似を取得します。設計はドロップアウト（最近導入された）と組み合わせて使用​​するように調整されており、CIFAR-10やSVHNなどのベンチマークで最先端の結果が得られました。 5年後、ドロップアウトは間違いなくまだゲームに残っていますが、maxoutはどうですか？Google Scholarによると、この論文はまだ最近の論文で広く引用されていますが、実際にこの手法を使用している人はほとんどいないようです。 それで、maxoutは過去のものになりました。もしそうなら、なぜですか— 2013年に2018年ではなく、最高のパフォーマンスを達成したのはなぜですか？

8 deep-learning  dropout 

スパイダーに一度攻撃された場合、チャンスがあれば、再びスパイダーに近づくことは決してありません。 ニューラルネットワークモデルでは、クモでの経験が悪いと、学習率によってはクモに近づく可能性がわずかに低下します。 これは良くない。クモを無視するためにクモにかまれた例が何百も必要ないように、ニューラルネットワークに恐怖をプログラムするにはどうすればよいでしょうか。また、クモの近くに行く確率を下げるだけではないのですか？

8 neural-networks  theory  emotional-intelligence