Yapay zeka kodu neye benziyor?
AI kodu neye benziyor? Güzellik köstebeği var mı? Bedava? Yumuşak mı?
Metin Yazı işleri departmanı
Şekil İnternet
Xu Zhu, Menggu'sunu özlediğinde, hala hafıza parçaları olarak rüyalar görüyordu. Ve belirli bir ülkenin prensesleri gibi, birçok AI şirketini finansman açısından sıcak ve yumuşak yapan bu AI kodları mı?
Yazar şu iki resmi görene kadar:
Tabii ki yukarıdakiler tamamen bir şaka: Yapay zeka ve bilgisayar bilimleri alanında Hindistan Teknoloji Enstitüsü'nden mezun olan ve Facebook'ta çalışan bir mühendis olan QUORA'da Sriraman Madhavan.
Böyle bir cevap yazdım:
Bu yazdığım bir durum: İsminize dayanarak Hindistan'ın hangi bölgesinden olduğunuzu belirleyin. Adınızın farklı durumuna göre aile üyelerinizin durumunu belirleyebilirsiniz.Aşağıda bir kod parçacığı bulunmaktadır:
Aşağıdaki kod benim tarafımdan yazılmadı. Bu, Google tarafından resimlere dayalı açıklama metni oluşturmak için bir yeniliktir. Aşağıda, resimlere dayalı açıklamalar oluşturma durumu verilmiştir:
Fakat bekle! Çok mutlu olmayın, yukarıdaki kod da saçma şakalara neden oldu.
Eğitim iyi değilse yapay zeka biraz aptal olabilir.
Aşağıdaki kompleks örneğine bakın :( Yazar: Mikkel Duif)
Yapay zekanın temelde bir grup matematiksel mantık olduğunu hatırlamalıyız (özellikle makine öğrenimi ve derin öğrenmeyi tartışırken). Kodlamanın işlevi, bilgisayarın onu yürütmesine ve verilerden öğrenmesine izin vermektir. Yapay zeka kodunun neye benzediğini bilmek, arkasındaki kodun görünümünü ve kodun nasıl yazılacağını anlamak değil, kodda neler olup bittiğini daha fazla anlamaktır.
Örneğin, MNIST veri tabanında bu el yazısıyla yazılmış rakamları tanıyan bir şeyi nasıl yaratabiliriz?
Aşağıdaki resim, arkasında pek çok matematiksel mantık bulunan bir Python kodudur.
Kafa derisi okuduktan sonra uyuştu mu?
Kendim anlamakta zorlanıyorum.
Bu da nedir böyle? Aslında matematiksel mantıktır.
El yazısıyla yazılan her sayı 28 * 28 pikselden oluşur, yani toplam 784 piksel vardır. Ve her piksel sinir ağının girdisi olarak kullanılıyor, biz onu ağı eğitmek için kullanıyoruz. Her piksel bir girdi olarak kabul edilir ve aşağıdaki şekilde 15 nöron olan ortadaki gizli katmandan geçer. Oradan geçtikten sonra, en olası sayı tahminini alacağız.
Yani, hangi sayının en yüksek aktivasyon oranına sahip olduğunu bulacağız. Bu his aşağıdaki resimdeki gibidir:
Peki kodu çalıştırdığımızda ne olur? Oluşturduğumuz ağ türüne ileri beslemeli sinir ağı denir, bu da tüm verilerin tek yönde olduğu anlamına gelir. Mevcut verilerimizin hatasını hesaplamak için, ayarları değiştirerek ve sinir ağını burada çalıştırarak geri yayılım algoritmasını kullanıyoruz.
Bu çıktıyı alıyoruz:
İlk turda sinir ağımızın sayıların% 51'ini doğru bir şekilde sınıflandırabildiği ve eğitim yoluyla nihai doğruluk oranının% 81'e ulaşabildiği görülebilir. Oldukça iyi gelişme, değil mi? Rastgele tahmin sayıları size% 10 doğruluk sağlayacaktır! Doğruluk daha da geliştirilebilir, yalnızca daha fazla bilgi işlem gücüne ihtiyaç vardır. Ek olarak, kodda yapılan değişiklikler de öğrenme hızını optimize edebilir. Sıradan bir bilgisayar kullandığınızda,% 4'ten daha az bir hata oranı elde edebilirsiniz ve en iyi sonuç% 1'in altında bir hata oranıdır.
Burada ne yaptık?
Bu kod satırında ağa şunu söylüyoruz:
1,784 giriş nöronu;
2. 30 gizli katman;
3. 10 çıkış nöronu.
İkinci olarak, ağımızı eğitmek ve "maliyetimizi düşürmek" için stokastik gradyan iniş yöntemi kullanıyoruz.
(Not: Stokastik gradyan iniş yöntemi ile ilgili olarak, lütfen kendiniz arayın.)
Öyleyse kendimiz AI kodunu nasıl oynayabiliriz?
1. Yukarıdaki kodu indirmek için GiteHub'a gidin:
https://github.com/mnielsen/neural-networks-and-deep-learning;
2. Bu ücretsiz çevrimiçi kitaptan AI hakkında okumaya başlayın:
3. Terminali açın, yukarıdaki kodu girin ve çalışmanıza başlayacaksınız.
(Not: Bu sadece yapay zeka alanındaki bir daldır ve bu sayıları tanımlamanın birçok yolu vardır.)
bağlantı:
https://github.com/mnielsen/neural-networks-and-deep-learning
bağlantı:
Bağlantı:
"T Interview" ile ilgili eski inceleme:
