Künstliche Intelligenz

1

Würde Googles selbstfahrendes Auto anhalten, wenn es jemanden mit einem T-Shirt mit einem Stoppschild sieht?

In dem Artikel Hidden Obstacles for Googles Self-Driving Cars lesen wir Folgendes: Die Autos von Google können Stoppschilder erkennen und darauf reagieren, die nicht auf der Karte verzeichnet sind. Diese Funktion wurde eingeführt, um temporäre Schilder auf Baustellen zu behandeln. Laut Google können die Autos fast alle nicht zugeordneten Stoppschilder …

19 object-recognition decision-theory autonomous-vehicles google

4

Was ist ein dynamischer Computergraph?

Frameworks wie PyTorch und TensorFlow bis TensorFlow Fold unterstützen Dynamic Computational Graphs und erhalten die Aufmerksamkeit von Datenwissenschaftlern. Es scheint jedoch einen Mangel an Ressourcen zu geben, um das Verständnis dynamischer Computergraphen zu verbessern. Der Vorteil von Dynamic Computational Graphs scheint darin zu liegen, dass die Eingabedaten an unterschiedliche Größen …

19 neural-networks

1

Wurde der Lovelace-Test 2.0 im akademischen Umfeld erfolgreich eingesetzt?

Im Oktober 2014 veröffentlichte Dr. Mark Riedl einen Ansatz zum Testen der KI-Intelligenz, den "Lovelace-Test 2.0" , der sich vom ursprünglichen Lovelace-Test (veröffentlicht im Jahr 2001) inspirieren ließ . Mark glaubte, dass der ursprüngliche Lovelace-Test nicht bestanden werden könne, und schlug daher eine schwächere und praktischere Version vor. Der Lovelace-Test …

18 history intelligence-testing

2

Welche Grenzen setzt die künstliche Intelligenz, wenn überhaupt, dem Problem der Eindämmung?

Können wir angesichts des nachgewiesenen Problems des Anhaltens von Turing-Maschinen Grenzen für die Fähigkeit starker künstlicher Intelligenz ableiten?

18 halting-problem

7

Wenn es sich bei digitalen Werten nur um Schätzungen handelt, warum nicht für AI zu analogen Werten zurückkehren?

Der Antrieb für den Übergang vom analogen zum digitalen Schaltkreis im 20. Jahrhundert war der Wunsch nach höherer Genauigkeit und geringerem Rauschen. Jetzt entwickeln wir eine Software, bei der die Ergebnisse ungefähr sind und das Rauschen einen positiven Wert hat. In künstlichen Netzwerken verwenden wir Gradientenmodelle (Jacobian) oder Modelle zweiten …

18 machine-learning hardware neuromorphic-engineering analog-computing spiking-networks

3

Was ist der Unterschied zwischen einem Convolutional Neural Network und einem regulären Neural Network?

Ich habe diese Begriffe häufig auf dieser Website gesehen, insbesondere in den Tags Convolutional-Neural-Networks und Neural-Networks . Ich weiß, dass ein neuronales Netzwerk ein System ist, das lose auf dem menschlichen Gehirn basiert. Aber was ist der Unterschied zwischen einem Convolutional Neural Network und einem regulären Neural Network? Ist man …

18 neural-networks convolutional-neural-networks definitions terminology

2

Welche Forschungsarbeiten wurden im Bereich „Identifizierung von Sarkasmus im Text“ durchgeführt?

Das Erkennen von Sarkasmus gilt als eines der schwierigsten offenen Probleme im Bereich ML und NLP. Gab es in dieser Hinsicht erhebliche Forschungsarbeiten? Wenn ja, wie ist die Genauigkeit? Bitte erläutern Sie auch kurz das NLP-Modell.

17 natural-language-processing research semantics

2

Probleme, die nur Menschen jemals lösen können

Mit der zunehmenden Komplexität von reCAPTCHA wunderte ich mich über die Existenz eines Problems, das nur ein Mensch jemals lösen kann (oder das KI nicht lösen kann, solange es nicht genau das menschliche Gehirn reproduziert). . Zum Beispiel war der verzerrte Text bisher nur von Menschen lösbar. Obwohl... Der Computer …

17 agi problem-solving intelligence-testing ai-complete

3

Gibt es Rechenmodelle für Spiegelneuronen?

Aus Wikipedia: Ein Spiegelneuron ist ein Neuron, das sowohl ausgelöst wird, wenn ein Tier handelt, als auch wenn das Tier die gleiche Aktion beobachtet, die von einem anderen Tier ausgeführt wird. Spiegelneuronen beziehen sich auf Imitationslernen, eine sehr nützliche Funktion, die in aktuellen AI-Implementierungen in der realen Welt fehlt. Anstatt …

17 neural-networks models

3

Warum kann OCR nicht als gutes Beispiel für KI angesehen werden?

Auf der Wikipedia-Seite über AI können wir lesen: Die optische Zeichenerkennung wird nicht länger als Beispiel für "künstliche Intelligenz" angesehen, die zu einer Routinetechnologie geworden ist. Andererseits wurde die MNIST- Datenbank für handschriftliche Ziffern speziell zum Trainieren und Testen neuronaler Netze und ihrer Fehlerraten entwickelt (siehe: Klassifikatoren ). Warum besagt …

17 ocr

5

Kann ein neuronales Netzwerk verwendet werden, um die nächste Pseudozufallszahl vorherzusagen?

Ist es möglich, einem neuronalen Netzwerk die Ausgabe eines Zufallszahlengenerators zuzuführen und zu erwarten, dass es die Hashing- (oder Generator-) Funktion lernt, damit es vorhersagen kann, welche Pseudozufallszahl als nächstes generiert wird ? Gibt es so etwas schon? Kann mich jemand auf die richtigen Ressourcen hinweisen, wenn dies oder etwas …

17 deep-learning unsupervised-learning prediction lstm

1

Kann eine Boltzmann-Maschine mehr Muster speichern als ein Hopfield-Netz?

Dies ist aus einer Closed Beta für AI, wobei diese Frage von Benutzer Nummer 47 gepostet wird. Laut Wikipedia , Boltzmann-Maschinen können als das stochastische, generative Gegenstück zu Hopfield-Netzen angesehen werden. Beide sind wiederkehrende neuronale Netze, die darauf trainiert werden können, Bitmuster zu lernen. Wenn ein Teilmuster angezeigt wird, ruft …

16 neural-networks comparison recurrent-neural-networks

2

Wird Prolog immer noch in der KI verwendet?

Laut Wikipedia , Prolog ist eine logische Programmiersprache für allgemeine Zwecke, die mit künstlicher Intelligenz und Computerlinguistik assoziiert ist. Wird es immer noch für die KI verwendet? Dies basiert auf einer Frage zur Closed Beta 2014. Der Autor hatte die UID von 330.

16 history programming-languages prolog

3

Grundlegendes zur GAN-Verlustfunktion

Ich kämpfe darum, die GAN-Verlustfunktion zu verstehen, wie sie in " Grundlegendes zu generativen kontradiktorischen Netzwerken" (einem Blogbeitrag von Daniel Seita) beschrieben wird. Beim Standard-Cross-Entropy-Loss haben wir eine Ausgabe, die eine Sigmoid-Funktion und eine resultierende binäre Klassifikation durchlaufen hat. Sieta Staaten Somit erhalten wir für [jeden] Datenpunkt und seine Beschriftung …

16 neural-networks machine-learning deep-learning loss-functions generative-adversarial-networks

1

Unterschiede zwischen den Backpropagationstechniken

Nur zum Spaß versuche ich, ein neuronales Netzwerk aufzubauen. Für die Rückübertragung habe ich zwei Techniken gesehen. Der erste wird hier und auch an vielen anderen Orten verwendet. Was es tut, ist: Es berechnet den Fehler für jedes Ausgangsneuron. Es überträgt es zurück in das Netzwerk (Berechnung eines Fehlers für …

16 neural-networks machine-learning backpropagation