Bakgrund Flashcards
(26 cards)
Vilka spår utvecklades parallellt?
- Artificiella Neurala Nätverk
- Symbolisk AI
Symbolisk AI
Kallas också Klassisk AI
- Manipulation av symboler
- Explicita regler för att efterlikna intelligens
- IF-THEN regler
Är symbolisk AI top-down eller bottom-up
Top-down
- Krävs explicita regler från användare
- Allt behöver definieras i förväg
Problem med symbolisk AI:
- Når ett tak
- Går inte ge systemet regler för ALLA tänkbara scenarion…
-… inte representativt för verkligheten - luddiga problem, vissa hundar är för lika katter för klassificering
Artificiella nätverk liknar människan på så vis att..
.. man efterliknar funktionaliteten hos biologiska neuroner i hjärnan.
- små enheter som kopplas samman till enorma nätverk
ANN är top-down eller bottom-up?
Bottom-up
- Får data och svar för att själv lära sig regler
- Tar “ny” information
Vid symbolisk AI får man ut?
Svar
Vid ANN får man ut?
Regler
- Systemet lär sig självt och inget behöver explicit definieras av användaren
Artificiella Neurala Nätverk är en typ av:
Maskininlärning
Vad heter den enklaste formen av ANN?
Perceptron
Vad är en perceptron?
En datormodell av mänskliga neuronen och består av ett enda lager
Hur beräknas summan som ska jämföras med tröskelvärdet i en perceptron?
Ingång *vikt för alla ingångar. Detta ska sedan adderas
Vad innebär det att träna ett nätverk?
Justera vikterna
Hur ska vikterna justeras om output är 1 men borde vara 0
Sänkas
Hur ska vikterna justeras om output är 0 men ska vara 1
Höjas
Maskininlärning
Delområde inom AI som fokuserar på att utveckla algoritmer och modeller som gör att datorer kan lära sig från data för att förbättra sin prestanda utan att vara explicit programmerade.
För maskininlärning krävs tre saker:
- Input data, att träna på
- Exempel på förväntat output, kunna jämföra sin prestation
- Sätt att mäta sin prestation, en algoritm som ger feedback
Deep learning
Underkategori till maskininlärning
- Specifik typ av maskininlärning där djupa neurala nätverk används
- Efterlikna hjärnan
Vad menas med “deep”?
Hur många lager det finns i modellen
Vilka typ av lager finns:
- Input-lager
- Hidden-lager
- Output-lager
Feedforward
När signal endast går framåt genom nätverket
- Centralt för träning av nätverk
Loss function
Jämför avstånd mellan predikation och det korrekta svaret
Utifrån detta justeras vikterna för att minska avståndet och närma sig målet
Optimerare
Utför själva justeringen av vikterna
- Ofta via metoden backpropagation
Backpropagation
Central algoritm inom deep learning
- Efter feedforward
- Arbetar bakåt och justerar vikterna
