タグ付けされた質問 「ai-design」

Stack Exchangeを機械学習に使用する進行中のAIプロジェクトはありますか？

22 machine-learning  ai-design 

決定論的な問題空間のために、最適なノードとリンク構造を持つニューラルネットワークを見つける必要があります。遺伝的アルゴリズムを使用して多くのニューラルネットワークをシミュレートし、問題領域に最適なネットワーク構造を見つけたいと思います。 このようなタスクに遺伝的アルゴリズムを使用したことはありません。実際的な考慮事項は何ですか？具体的には、ニューラルネットワークの構造をどのようにゲノムにエンコードする必要がありますか？

14 neural-networks  ai-design  genetic-algorithms  evolutionary-algorithms  neuroevolution 

このリスト1を使用してAIの問題を分類できる場合... より小さな問題またはより簡単な問題に分解可能 解決手順は無視または元に戻すことができます 予測可能な問題の世界 良い解決策は明らかです 内部的に一貫した知識ベースを使用 多くの知識を必要とするか、知識を使用してソリューションを制約する 人間とコンピューター間の定期的な相互作用が必要 ...これらの次元に沿った問題の配置とその解決策に適したアルゴリズム/アプローチとの間に一般に受け入れられている関係はありますか 参照資料 [1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg

13 ai-design  algorithm  reference-request 

OpenAIGymのLunar Landerなどの問題の解決策を設計する場合、強化学習はエージェントに適切なアクションコントロールを与えて着陸に成功させる魅力的な手段です。 しかし、PIDコントローラーなどの制御システムアルゴリズムが強化学習よりも優れているとしても、適切な仕事をするインスタンスは何ですか？ このような質問は、この質問の理論に取り組む上で素晴らしい仕事をしますが、実際的な要素に取り組むことはほとんどありません。 人工知能エンジニアとして、PIDコントローラーでは問題を解決するには不十分であり、代わりに強化学習アルゴリズムを使用する（またはその逆）必要があることを、問題ドメインのどの要素が示唆する必要がありますか？

12 reinforcement-learning  ai-design  control-theory 

最近、誰かが自動運転車を設計するとき、あなたは車を作るのではなく、実際にはコンピューター化されたドライバーであるという声明を出すのを聞いたので、あなたは人間の心をモデルにしようとしている-少なくとも運転できる人間の心。 人間は予測不可能であるか、むしろその行動が非常に多くの要因に依存しているため、そのいくつかは長い間説明されないままであるため、自動運転車はそれをどのように反映しますか？ 予測不能の用量には用途があります。たとえば、2台の自動運転車が行き止まりで立ち往生している場合、車が同じシステムを実行している場合に同じアクションが同時に適用されるのを見るのではなく、ランダム性を注入することをお勧めします。 しかし、一方で、非決定論的手法は、特にテストにおいて、ソフトウェア開発とは関係がないことを知っています。エンジニアはそれをどのように制御し、それについて推論することができますか？

12 ai-design  autonomous-vehicles 

Deepmind は、基本的にニューラルネットワークとメモリを組み合わせた「微分可能なニューラルコンピュータ」に関する論文を発表しました。 アイデアは、特定のタスクのために有用な明示的な記憶を作成して呼び出すようにニューラルネットワークに教えることです。これはニューラルネットワークの能力を十分に補完します。NNは重みに暗黙的に知識を保存するだけであり、単一のタスクで動作するために使用される情報はネットワークのアクティベーションにのみ保存され、追加する情報が増えるとすぐに劣化します。（LSTMは、短期記憶のこの低下を遅くしようとする試みの1つですが、それでも起こります。） 現在、アクティベーションで必要な情報を保持する代わりに、アクティベーションで特定の情報のメモリスロットのアドレスを保持しているため、これらも劣化する可能性があります。私の質問は、なぜこのアプローチが拡張されるべきかということです。タスク固有の情報がいくぶん多くても、アクティベーション時に適切なすべてのメモリスロットのアドレスを保持するネットワーク機能が再び圧倒されるべきではないでしょうか。

12 deep-learning  ai-design 

既知の機器のエラーを見つけて、新しい障害パターンを見つけるAIツールを開発しています。このログファイルは時間ベースであり、既知のメッセージ（情報とエラー）があります。JavaScriptライブラリを使用しています。イベントドロップを使用してデータをソフトに表示していますが、実際の仕事と疑問は、既知のAIを見つけるためにAIをトレーニングする方法です。パターンと新しい可能なパターンを見つけます。私はいくつかの要件があります： 1-ツールは次のいずれかになります。追加の環境のインストールに依存していない、またはb。少ないほど良いです（完璧なシナリオは、スタンドアロンモードのブラウザーでツールを完全に実行することです）。 2-パターンアナライザを断片化する可能性、一種のモジュール性、エラーごとに1つのモジュール。 これを行うために推奨されるアルゴリズムの種類は何ですか（ニューラルネットワーク、遺伝的アルゴリズムなど）？JavaScriptを使用して動作する何かが存在しますか？そうでない場合、このAIを作成するのに最適な言語は何ですか？

12 machine-learning  ai-design  training 

AIのオントロジーとは正確には何ですか？それらをどのように書けばよいのですか。なぜ重要なのですか

11 ai-design  terminology  definitions  ontology 

私は開発中の人工知能エージェントであるVivを調査しています。私の理解に基づいて、このAIは新しいコードを生成し、ユーザーからのクエリに基づいてそれを実行できます。私が知りたいのは、このAIがクエリに基づいてコードを生成する方法を学ぶ方法です。このプロセスにはどのような機械学習アルゴリズムが関係していますか？私が検討したことの1つは、プログラムのデータセットを段階的に分解することです。例えば： 5項の平均を取るコード 1-5 つの用語をすべて一緒に追加2-5で除算 次に、テキストをコードに変換するアルゴリズムをトレーニングします。それは私が理解した限りです。どこから始めればいいかわからないので、何も試していません。誰かがVivを実装する方法について何かアイデアがありますか？これはVivのデモです。

10 neural-networks  machine-learning  deep-learning  ai-design  natural-language-processing 

だから私はスライディングブロックパズル（数値型）にBFSを実装しようとしていました。今私が気づいた主なことは、4*4ボードを持っている場合、州の数は16!すべての州を事前に列挙することができないほど多くなる可能性があるということです。 だから私の質問は、すでに訪問した州を追跡する方法ですか？（私はクラスボードを使用しています。各クラスインスタンスには一意のボードパターンが含まれており、現在のステップから可能なすべてのステップを列挙して作成されます）。 私はネット上で検索し、どうやら彼らは完成前のステップに戻っていない、しかし、我々は以前に訪問されたすべてのステップを列挙する再過ぎてから、再度、別のルートで、前のステップに戻ることができます。それでは、すべての州がまだ列挙されていない場合に、訪問した州を追跡する方法は？（すでに存在する状態を現在のステップと比較すると、コストがかかります）。

10 ai-design  algorithm  ai-basics  breadth-first-search 

プログラミング言語には、有効なステートメントと式の構成を管理する一連の文法規則があります。これらのルールは、ユーザーが作成したプログラムの解析に役立ちます。 英語（ロケール固有）のステートメントを正確に解析でき、AIベースのプロジェクトで使用するために実装できる機能的に完全な一連の文法規則はありますか？ オンラインで利用できるNLPツールキットはたくさんありますが、それほど効果的ではありません。それらのほとんどは、特定のコーパスを使用してトレーニングされ、式のさまざまな部分間の複雑な相関関係を推測できない場合があります。 言い換えれば、コンピュータが英語で書かれた精通した文を、まるで大人の英語を話す人間が​​構文解析したかのように構文解析できるかどうかです。 編集：それが単純な文法規則を使用して表現できない場合、それを一般化するためにどのような意味構造を使用できますか？ EDIT2：この論文は、自然言語には文脈自由性がないことを証明しています。複雑すぎても解決策を探しています。

10 ai-design  natural-language-processing  semantics 

アナロジーはコミュニケーションにおいて非常に強力です。既知のドメインにマッピングするだけで、ドメインの知識がない人々に複雑な概念を説明できます。ホフスタッターはそれらが重要であると言い、ダイクストラは彼らが危険だと言います。とにかく、アナロジーは人間のコミュニケーションの概念を伝達するための強力な方法と見なすことができます（伝達学習と言っていいでしょうか？）。 私はCase-Based Reasoningなどのレガシーな作業を知っていますが、AIのアナロジーメカニズムに関する最近の作業はありません。 AGIに類推が必要かどうか、およびそれらがどれほど重要かについてコンセンサスはありますか？ 具体的な作品や出版物で回答を裏付けることを検討してください。

9 ai-design  philosophy  agi 

データマイニング手法を研究していると、主に2つのカテゴリがあることがわかりました。 予測方法： 分類 回帰 説明的な方法： クラスタリング 相関ルール 場所、アクティビティ、バッテリーレベル（トレーニングモデルの入力）に基づいてユーザーの可用性（出力）を予測したいので、「予測方法」を選択するのは明らかだと思いますが、今はどちらを選択するように思えません。分類と回帰。これまでに理解したことから、出力は「利用可能」または「利用不可能」であるため、分類によって問題を解決できます。 分類により、ユーザーが利用可能または利用不可能になる確率（または可能性）を提供できますか？ 出力のように、0（使用不可）または1（使用可能）だけではなく、次のようになります。 80 ％80％80\%利用可能 20 ％20％20\%は利用できません この問題は、回帰を使用しても解決できますか？ 80808080 ％80％80\%20 ％20％20\%

9 machine-learning  ai-design  classification  prediction  regression 

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 

私は最近、Googleが誰もがデータをアップロードできる新しいAIを開発し、それが即座にモデル、つまりそのデータに基づく画像認識モデルを生成することを読んだことを読みました。 誰かがこのAIがどのように機能するかを詳細かつ直感的な方法で私に説明できますか？

8 machine-learning  ai-design  research