ai

인공 지능에 관한 정의는 매우 크고 연구원마다 다르지만 일반적으로 컴퓨터를 사용하는 인간의 지적 판단을 실현하는 시스템을 참조하십시오.

특히 딥 러닝으로 시작된 3 번째 AI 붐 (2000 년대 초) 이후 로봇 및 게임뿐만 아니라 빅 슬롯 사이트에 대한 기계 학습, 이미지 인식 및 자연 언어 처리를 포함한 광범위한 분야에서 사용되었습니다. 이 상황은 기술 혁신으로 인해 많은 관심을 끌었습니다.

배운 AI로 사람들의 판단을 재현하십시오

기계 학습이란?

이것은 컴퓨터 자체가 컴퓨터의 알고리즘에 많은 양의 교육 슬롯 사이트를 입력하여 슬롯 사이트에서 반복적으로 교육하여 컴퓨터 자체가 슬롯 사이트의 규칙 성과 기능 (모델)을 발견 할 수있는 기술입니다.

기계 학습 플랫폼의 영역

기계 학습 유형

기계 학습은 인공 지능 학습 방법을 기반으로 세 가지 범주로 광범위하게 나눌 수 있습니다

1. 감독 학습

   AI 및 Learning에 정답 레이블이있는 슬롯 사이트를 제공하는 방법. 기계가 과거의 결정 결과에 대해 배울 수 있으며 가장 자주 사용됩니다.

2. 감독되지 않은 학습

   AI가 올바른 레이블 데이터를 제공하지 않고 훈련 할 수있는 방법. 올바른 레이블 데이터를 준비 할 필요가 없으며 클러스터 분류와 같은 데이터 트렌드를 파악하는 데 사용됩니다.

3. 강화 학습

   자신의 행동에서 환경 변화를 관찰하고 관찰 결과 (보상)를 배우는 방법. 그것은 상대방의 (환경) 행동이 판단의 결과로 변하는 Go 및 Chess와 같은 게임과 같은 문제에 사용됩니다.

감독 학습이란 무엇입니까

감독 학습은 다음 질문 유형을 해결할 수 있습니다.

회귀

과거 슬롯 사이트를 기반으로 슬롯 사이트 트렌드를 추출하고 목적에 따라 숫자를 예측합니다

분류

과거 슬롯 사이트를 기반으로 슬롯 사이트 트렌드를 추출하고 어떤 범주가 속한 지 예측

감독되지 않은 학습

• 감독되지 않은 학습은 교사 데이터를 준비 할 필요가 없으며 데이터의 추세를 이해하고 예측에 중대한 영향을 미치는 중요한 기능을 선택하는 데 사용됩니다.
• 클러스터링을 사용하면 데이터를 클러스터라는 그룹/그룹으로 나눌 수 있습니다. 그러나 기계적으로 분류 된 클러스터는 의미가 없으므로 사람들은 클러스터가 데이터의 내용을 기반으로하는 클러스터 범주를 결정해야합니다.
• 일반적인 예는 K-Means 메소드와 같은 클러스터링입니다.

클러스터링 예

강화 학습이란?

• 강화 학습은 에이전트가 외부 환경 (시뮬레이터, 센서, 게임)의 상태를 관찰 할 때 얻은 보상 (성공/실패 등)을 기반으로 동적 학습 방법입니다.
• 학습은 교사 슬롯 사이트를 준비하지 않고 수행 할 수 있으며 슬롯 사이트를 준비하기가 어려운 최적 제어와 같은 분야에서 사용됩니다.

좋은 보상

동일/유사한 행동

나쁜 보상

다른 행동 선택