Uczenie maszynowe i sieci neuronowe są ogólnie ciekawymi i wartymi zgłębienia tematami. Na filmie poniżej fajnie widać jak algorytm uczy się chodzić w symulacji komputerowej. ( ͡°͜ʖ͡°)
@Aiji: Świetne, lepsze nawet niż znalezisko, ale przydałoby się trochę więcej opisów. Modele mięśni też były optymalizowane za pomocą uczenia maszynowego? (I wogóle na zasadzie jakiego schematu były przyjmowane i tworzone na początku?) Czy w 4:00, w przypadku neural delay, chodzi o opóżnienie stawiania kończyn powodowane siecią neuronową, czyli de facto sposób chodu wypracowany przez tą sieć?
@MiroslawWypok: ale nie bierze się to ze śmiesznego JSa tylko z architektury procesorów właśnie. nie tylko JS ma taki "problem". Wystarczy w języku maszynowym wykonać takie działanie, aby mieć identyczny wynik. Więc nie schodźmy już na poziom takich języków jak JS, bo on tutaj nie ma nic do rzeczy i nic nie znaczy w dużo ważniejszej / fundamentalnej sprawie.
Niestety film trochę mija się z prawdą i może wprowadzić kogoś w błąd. Algorytmy genetyczne to nie jest część sieci neuronowych, a film pokazuje, jakby metoda nauki sieci neuronowych była oparta na algorytmach genetycznych. Te dwa zagadnienia można łączyć, ale raczej robi się to rzadko. Ogólnie algorytmy genetyczne to trochę przeżytek, od 10 lat nikt ich chyba na serio nie używa, a na pewno nie do rozpoznawania obrazów. Głębokie sieci neuronowe radzą
@H4v3n: Jeśli chodzi o algorytmy genetyczne to jest tak jak opisujesz w pierwszym akapicie. Dochodzi do tego jeszcze niewielki element mutacyjny, który losowo zmienia część botów.
A sieci neuronowe to zupełnie coś innego. W nich na początku z góry zakładasz kształt sieci i ustalasz wszystkie połączenia. Następnie wprowadzasz dane i poszczególne połączenia są wzmacniane/osłabiane w taki sposób, aby sieć jak najlepiej odpowiadała na dane. Przeprowadza się to w krokach, ale każdy
Czyli to nadal nie sztuczna inteligencja a sztuczna maszynencja. Roboty nie odnoszą się intencjonalnie ani do pszczoły, ani do "trzy", po prostu przetwarzają obrazy.
@ngc: wyobraź sobie że dostajesz 1000 chińskich znaków skategoryzowanych do grup jeden i dwa. Dostajesz jakiś znak, bierzesz te 1000 znaków testowych i przypisujesz otrzymany znak do którejś grupy na podstawie tych znaków testowych. Dokładnie tak to działa. Celem nie jest zrozumienie co jest na obrazku tylko przypisanie go do odpowiedniej kategorii. Sztuczna inteligencja jest znacznie głębiej. Można by stworzyć analogiczny film o nazwie "Jak działa Tesla S" i opisać w
(tl;dw) W skrócie: - zamiast jednej sieci neuronowej tworzy się ich zbiór używając algorytmów genetycznych: tworzymy X sztuk, testujemy które są najlepsze, część odrzucamy, a w puste miejsca tworzy się losowy mix pozostałych. - testy odbywają się na podstawie danych, które uda się zebrać z otoczenia (np. captcha - "wybierz obrazki ze znakami drogowymi", lub w drugą stronę: to my jesteśmy testowani na podstawie akcji jakie wykonujemy: "często oglądasz gołe panie, to
@esgone: a mnie najbardziej zadziwia, ze dokladnie ten sam mechanizm obserwujemy w organizmach zywych, w ten sam sposob populacja organizmow sie ulepsza w oparciu o mozliwosc przetrwania i rozmnazania
ale jak cale to zjawisko nazwalismy "ewolucja" to nagle wszyscy bol dupy bo przeciez nie patrzylismy na 10 mln lat w przeszlosc zeby potwierdzic... to co wynika z praw statystyki
@esgone: filmik fajnie obrazuje temat, ale wprowadza w błąd jeśli chodzi o zrozumienie treningu modeli w uczeniu maszynowym. Jak zauważa @askorek, pomieszane zostały tutaj pojęcia sieci neuronowych i algorytmów genetycznych.
Trening takiego robocika nie bazuje na "randomly messing around", czy algorytmie ewolucyjnym tak, jak to przedstawiono. Wykorzystywana jest funkcja kosztu (nawiązując do filmiku: jak bardzo robocik się pomylił na teście w szkole), ale także przemyślany sposób poprawy robocika na podstawie
@pejczi: Nawet nie uogólnione. Z filmiku wynika że do uczenia generuje się N-tysięcy sieci z losowymi wynikami, składa się je do uzyskania lepszego wyniku po czym te z gorszymi odrzuca - to jest algorytm genetyczny a nie uczenie sieci neuronowej (bo co to za uczenie skoro w razie słabego wyniku nie poprawia się go tylko wyrzuca). Z tego co wiem w praktyce używa się jednego modelu sieci i poprzez kolejne iteracje
Komentarze (54)
najlepsze
Na filmie poniżej fajnie widać jak algorytm uczy się chodzić w symulacji komputerowej. ( ͡° ͜ʖ ͡°)
Modele mięśni też były optymalizowane za pomocą uczenia maszynowego?
(I wogóle na zasadzie jakiego schematu były przyjmowane i tworzone na początku?)
Czy w 4:00, w przypadku neural delay, chodzi o opóżnienie stawiania kończyn powodowane siecią neuronową, czyli de facto sposób chodu wypracowany przez tą sieć?
Te dwa zagadnienia można łączyć, ale raczej robi się to rzadko.
Ogólnie algorytmy genetyczne to trochę przeżytek, od 10 lat nikt ich chyba na serio nie używa, a na pewno nie do rozpoznawania obrazów. Głębokie sieci neuronowe radzą
dokładnie tak jak piszesz, film mija się z rzeczywistością i przez to wprowadza w błąd.
A sieci neuronowe to zupełnie coś innego. W nich na początku z góry zakładasz kształt sieci i ustalasz wszystkie połączenia. Następnie wprowadzasz dane i poszczególne połączenia są wzmacniane/osłabiane w taki sposób, aby sieć jak najlepiej odpowiadała na dane. Przeprowadza się to w krokach, ale każdy
Można by stworzyć analogiczny film o nazwie "Jak działa Tesla S" i opisać w
@ngc: bo to jest sztuczna inteligencja a nie sztuczna świadomość istnienia.
- zamiast jednej sieci neuronowej tworzy się ich zbiór używając algorytmów genetycznych: tworzymy X sztuk, testujemy które są najlepsze, część odrzucamy, a w puste miejsca tworzy się losowy mix pozostałych.
- testy odbywają się na podstawie danych, które uda się zebrać z otoczenia (np. captcha - "wybierz obrazki ze znakami drogowymi", lub w drugą stronę: to my jesteśmy testowani na podstawie akcji jakie wykonujemy: "często oglądasz gołe panie, to
ale jak cale to zjawisko nazwalismy "ewolucja" to nagle wszyscy bol dupy bo przeciez nie patrzylismy na 10 mln lat w przeszlosc zeby potwierdzic... to co wynika z praw statystyki
Trening takiego robocika nie bazuje na "randomly messing around", czy algorytmie ewolucyjnym tak, jak to przedstawiono. Wykorzystywana jest funkcja kosztu (nawiązując do filmiku: jak bardzo robocik się pomylił na teście w szkole), ale także przemyślany sposób poprawy robocika na podstawie
Komentarz usunięty przez moderatora
@miehu: https://pypi.python.org/pypi/decision-tree-id3/0.1.2
Komentarz usunięty przez moderatora