タグ付けされた質問 「machine-learning」

このゲームにはまだエンジンがないため、現在カードゲームをプレイするためのエンジンを作成しています。 後でゲームにニューラルネットを導入して、ゲームのプレイ方法を習得してもらいたいと思っています。 私はAIプレイヤーにとって役立つような方法でエンジンを書いています。選択ポイントがあり、それらのポイントで、有効なオプションのリストが表示されます。ランダム選択でゲームをプレイできます（ただし、うまくいきません）。 ニューラルネットワーク（主にNEATとHyperNEAT）について多くを学び、独自の実装を構築しました。これらのタイプのゲームの1つですべての変数を考慮に入れることができるAIをどのように作成するのが最善かわからない。一般的なアプローチはありますか？KeldonがRftG向けに優れたAIを書いたことは知っていますが、かなり複雑で、彼がどのようにしてこのようなAIを構築できたかはわかりません。 何かアドバイス？実現可能ですか？この良い例はありますか？入力はどのようにマッピングされましたか？ 編集：私はオンラインで調べて、ニューラルネットワークがどのように機能するか、そして通常それらが画像認識や単純なエージェントの操作にどのように関係するかを学びました。複雑な相乗効果を持つカードでの選択にそれを適用するかどうか、またはどのように適用するかわかりません。私が調査しなければならない方向へのどんな方向でも大歓迎です。 ゲームについて：ゲームはMagic：The Gatheringに似ています。健康と能力を持つ指揮官がいます。プレイヤーはボードにミニオンとスペルを置くために使用するエネルギープールを持っています。ミニオンにはヘルス、攻撃値、コストなどがあります。カードにも能力があります。これらは簡単に列挙できません。カードは手札からプレイされ、新しいカードはデッキから引き出されます。これらはすべて、ニューラルネットワークで検討するのに役立つ側面です。

10 neural-networks  machine-learning  gaming  neat 

No Free Lunch（NFL）の定理は述べています（David H. WolpertとWilliam G. Macreadyによる論文Coevolutionary Free Lunchesを参照） 考えられるすべての問題でパフォーマンスが平均化されている場合、任意の2つのアルゴリズムは同等です。 「無料ランチなし」の定理は本当に本当ですか？実際にはどういう意味ですか？このアサーションを示す（MLコンテキストでの）良い例がいいでしょう。 動作が非常に悪いアルゴリズムをいくつか見たことがありますが、実際には上記の定理に従っているとは信じにくいため、この定理の私の解釈が正しいかどうかを理解しようとしています。それとも、Cybenkoの万能近似定理のような別の装飾定理ですか？

10 machine-learning  optimization  proofs  no-free-lunch 

したがって、現在最も一般的に使用されているアクティベーション機能はRe-Luです。だから私はこの質問に答えましたニューラルネットワークの活性化機能の目的は何ですか？そして、答えを書いている間、それは私を驚かせましたが、Re-Luの近似の非線形関数はどのくらい正確にできますか 純粋な数学的定義によれば、確かに、急激な曲がりによる非線形関数ですが、x軸の正または負の部分のみに限定すると、それらの領域では線形になります。また、x軸全体を取り0 --> 90、シグモイドで可能なように単一ノードの非表示レイヤーで正弦波（）のような曲線関数を十分に近似できないという意味で、（厳密な数学的な意味ではなく）その線形も考えますアクティベーション機能。 では、NNでRe-Luが使用されていて、線形であるにもかかわらず、満足のいくパフォーマンスを提供している（私はRe-luの目的を尋ねていません）の背後にある直感は何ですか？または、シグモイドやtanhのような非線形関数がネットワークの途中でスローされることがありますか？ 編集：@Ekaのコメントに従って、Re-Luはその能力をニューラルネットの深い層で機能する不連続性から導き出します。これは、Re-Luが、浅いNNではなく、Deep NNで使用する限り、良いことを意味しますか？

10 neural-networks  machine-learning 

ディープニューラルネットワークの定義は何ですか？なぜそんなに人気があるのか​​、それとも重要なのですか？

10 machine-learning  deep-learning  terminology  deep-network  definitions 

現在、私は五目並べゲームをプレイするためのAIを作成することを目的としたプロジェクトを行っています（これはtic tac toeに似ていますが、15 * 15のボードでプレイし、勝つためには5つ続けて必要です）。私はすでにQラーニングを使用してゲームの状態/アクションをテーブルに保存して、完全な三目並べAIを正常に実装しましたが、15 * 15ボードの場合、ゲーム状態が大きくなりすぎて、このプロジェクトを実装できません。 私の質問は、この問題にはニューラルネットワークまたは遺伝的アルゴリズムを使用する必要があるかということです。より具体的には、これをどのように実装すればよいですか？

9 neural-networks  machine-learning  genetic-algorithms  combinatorial-games 

昨年から、次のような機械学習の最も重要な論文を理解するために、さまざまな科目を研究しています。 S. Hochreiter、J。Schmidhuber。（1997）。長期短期記憶。Neural Computation、9（8）、1735-1780。 しかし、私には数学的なバックグラウンドがないため、次のような科目を学び始めました 微積分 多変量計算 数学的分析 線形代数 微分方程式 Real Anaylsis（測定理論） 初等確率と統計 数学的統計 今のところ、これらの科目を徹底的に研究したとは言えませんが、上記の科目をどのように処理したいのかはわかっています。現時点では、何をしなければならないのかわかりません。機械学習が多くの問題を解決するために使用する多くの主題があり、それらを正しく利用する方法がわかりません。 たとえば、強化学習は今や最も人気のあるトピックの1つであり、数十万人の研究者が現在、次元の呪いを突破するために研究を行っています。しかし、IT企業で働く将来の従業員として、机の上の仕事は私が行うことを期待したものではないでしょう。 自分の専門知識を持って現場で働くことは重要ですか？もしそうなら、私は今どんな種類の科目を勉強しなければなりませんか？ 便宜上、マルコフプロセスとマルコフ決定プロセスについて詳しく知りたいと思います。

9 machine-learning  getting-started 

冗談を言う際の仮想アシスタントのパフォーマンスに関する最近のWIREDビデオをちょうど見ました。それらは人間によって構成されていますが、AIがいくつかを書くのに十分なものになったかどうか知りたいです。

9 machine-learning 

最近ポーカープレーヤーのチャンピオンを破ったマシンはどれほど強力ですか？

9 neural-networks  machine-learning 

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 

機械学習に関するAdam Geitgeyのブログに出会ってからずっと、ニューラルネットワークを理解しようと努めてきました。私はできる限り多くのことを読んで（把握できる）、幅広い概念といくつかの仕組み（数学は非常に弱いにもかかわらず）、ニューロン、シナプス、重み、コスト関数、逆伝播を理解していると信じていますしかし、実際の問題をニューラルネットワークソリューションに変換する方法を理解することはできませんでした。 ポイントのケースは、アダムGeitgeyは、使用例、を含むデータセット所与住宅価格予測システムとして与える寝室の特許、スクエアを。フィート、近隣、および販売価格では、ニューラルネットワークをトレーニングして家の価格を予測できます。ただし、コードで可能なソリューションを実際に実装するまでには至っていません。例として、彼に最も近いのは、重みを実装する方法を示す基本的な関数です。 def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): price = 0 # a little pinch of this price += num_of_bedrooms * 1.0 # and a big pinch of that price += sqft * 1.0 # maybe a handful of this price += neighborhood * 1.0 # and finally, just a little …

9 neural-networks  machine-learning 

したがって、機械学習を使用すると、これまでに学習した内容に基づいて将来の状態を予測できるという意味で、システムを自動化できます。私の質問は次のとおりです。システムにドメイン知識を発展させる唯一の方法は機械学習技術ですか？

9 machine-learning  knowledge-representation 

ユーザーがいくつかの症状を入力し、いくつかの選択された症状がシステムに存在する症状と関連付けられる可能性をシステムが予測または決定する必要があるシステムに適したアルゴリズムを考え出そうとしています。次に、それらを関連付けた後、結果または出力は症状の特定の疾患になるはずです。 システムは一連の疾患で構成されており、それぞれが特定の症状に割り当てられており、システムにも存在します。 ユーザーが次の入力を行ったと仮定します。 A, B, C, and D システムが最初に行うべきことは、各症状（この場合はアルファベット文字で表される）を個別にチェックして、既存の症状のデータテーブルに対して個別に関連付けることです。そして、入力が存在しない場合、システムはそれについて報告またはフィードバックを送信する必要があります。 また、それA and Bがデータテーブルにあったとしましょう。そのため、それらが有効であるか、または存在し、システムが入力に基づいて疾患を提供できることを100％確信しています。次に、入力がデータテーブルに存在しないC and D場所であるとCしますが、存在する可能性がDあります。 D100％のスコアは与えませんが、おそらくそれよりも低いスコア（90％としましょう）を与えます。そのC場合、データテーブルにはまったく存在しません。したがって、Cスコアは0％になります。 したがって、システムには、ユーザーの入力を判断して結果を出力するための、何らかの関連付けと予測の手法またはルールが必要です。 出力の生成の要約： If A and B were entered and exist, then output = 100% If D was entered and existed but C was not, then output = 90% If all entered don't exist, then output …

9 algorithm  machine-learning  prediction 

AIエージェントは、多くの場合、「センサー」、「メモリ」、「機械学習プロセッサ」、「反応」コンポーネントを備えていると考えられています。ただし、これらを備えたマシンが必ずしもセルフプログラミングAIエージェントになるわけではありません。上記のパーツ以外に、マシンを自己プログラミングAIエージェントとして機能させるために必要なその他の要素や詳細はありますか？ たとえば、2011年の論文では、インテリジェンスを最大化する最適化問題を解決することは、以下に引用するように、自己プログラミングプロセスに不可欠な機能であると宣言しました。 システムは、その「認知インフラストラクチャ」の一部の要素に関する学習を受けると、自己プログラミングのインスタンスを実行すると言われています。システム機能のインテリジェンスクリティカル性は、「機能品質」として定義され、マルチ機能システムのインテリジェンスを最大化するという最適化問題を解決するという観点から検討されます。 ただし、この「インテリジェンスの最適化」の説明は曖昧です。セルフプログラミングエージェントに必要なコンポーネントの明確な定義またはより良い要約を誰かが提供できますか？ この質問は2014年のクローズドベータ版のもので、質問者のUIDは23です。

9 machine-learning  computer-programming 

私たちは、上で読むことができますWikipediaのページ、Googleが機械学習のためのカスタムASICチップを構築し、AIを加速するのに役立ちますTensorFlowに合わせていること。 ASICチップは、その回路を変更することができない特定の用途に合わせて特別にカスタマイズされているため、呼び出される固定アルゴリズムが必要です。 では、アルゴリズムを変更できない場合、ASICチップを使用したAIの加速はどのように正確に機能するのでしょうか。それのどの部分が正確に加速していますか？

9 neural-networks  machine-learning  hardware  neuromorphic-engineering 

通常のCNNの代わりにグラフたたみ込みニューラルネットワークを適用することで、どのようなメリットがありますか？つまり、CNNで問題を解決できるとしたら、それを解決するためにグラフ畳み込みニューラルネットワークに変換する必要があるのはなぜですか。通常のCNNをグラフ畳み込みニューラルネットワークで置き換えることで論文が示す例はありますか？精度の向上、品質の向上、またはパフォーマンスの向上が達成されていますか？特に医療画像、バイオインフォマティクス、または生物医学分野における画像分類、画像認識としていくつかの例を紹介できますか？

9 machine-learning  deep-learning  convolutional-neural-networks  graphs  geometric-deep-learning