Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
PyTorch para aprendizaje profundo y aprendizaje automático: curso completo (descripción de las partes 21 a 24)
PyTorch para aprendizaje profundo y aprendizaje automático: curso completo
parte 21
parte 22
parte 23
parte 24
PyTorch para aprendizaje profundo y aprendizaje automático: curso completo (descripción de las partes 25 y 26)
PyTorch para aprendizaje profundo y aprendizaje automático: curso completo
parte 25
parte 26
Curso de aprendizaje automático sin caja negra: aprenda sin bibliotecas
Curso de aprendizaje automático sin caja negra: aprenda sin bibliotecas
00:00:00 - 01:00:00 En este video de YouTube, el instructor presenta un curso de aprendizaje automático sin caja negra que enseña cómo codificar en aprendizaje automático sin depender de bibliotecas. El curso cubre temas relacionados con la creación de una aplicación web que reconoce dibujos, incluida la recopilación de datos, la extracción y visualización de características, y la implementación de clasificadores como el vecino más cercano y el vecino más cercano K. El instructor enfatiza la importancia de comprender los datos en el aprendizaje automático y sugiere recursos para aquellos que necesitan repasar la experiencia en matemáticas y programación de la escuela secundaria. El video demuestra el proceso de creación de una página web que actúa como creador de datos utilizando JavaScript sin bibliotecas externas. El presentador también incluye instrucciones sobre cómo crear un botón de deshacer y un campo de entrada de nombre, almacenar dibujos en un objeto de datos y guardar las rutas en la computadora del usuario. Finalmente, el video muestra cómo crear un generador de conjuntos de datos en node.js y generar datos asociados con cada muestra usando JavaScript.
01:00:00 - 02:00:00 En este video de YouTube, el instructor les enseña a los espectadores cómo crear un conjunto de datos de aprendizaje automático y extraer funciones sin usar bibliotecas. Demuestran cómo almacenar el conjunto de datos en una carpeta que puede comunicarse entre scripts de nodos y aplicaciones web y crear una aplicación de visor de datos. El instructor también muestra cómo visualizar los datos recopilados mediante gráficos de Google y cómo identificar y enfatizar elementos seleccionados en el gráfico y la lista. En general, el video proporciona una guía completa para que los estudiantes creen conjuntos de datos de aprendizaje automático y extraigan funciones usando solo JavaScript. 02:00:00 - 03:00:00 El video "Curso de aprendizaje automático sin caja negra: aprender sin bibliotecas" demuestra cómo clasificar dibujos en función de sus características sin usar bibliotecas de aprendizaje automático. El creador del video enfatiza la importancia de tener un sistema rápido y receptivo para inspeccionar datos para evitar errores manuales. Demuestran cómo agregar funciones al gráfico, cómo ocultar el fondo y cómo mostrar las etiquetas predichas en la pantalla usando contenedores dinámicos con HTML y CSS. El video también cubre técnicas de escalado de datos como la normalización y la estandarización. Finalmente, el video muestra cómo implementar el clasificador de K vecinos más cercanos y contar el número de cada etiqueta dentro de los K vecinos más cercanos.
03:00:00 - 03:50:00 El video de YouTube "Curso de aprendizaje automático sin caja negra - Aprende sin bibliotecas" cubre varios temas relacionados con la clasificación del vecino más cercano sin usar bibliotecas de aprendizaje automático como JavaScript y Python. El video explica cómo dividir conjuntos de datos en conjuntos de entrenamiento y prueba, manejar muestras de entrenamiento y prueba por separado y normalizar los datos. El instructor también analiza la importancia de los límites de decisión para comprender cómo funciona un clasificador, demuestra cómo implementar un clasificador K-vecino más cercano (KNN) en JavaScript y generar un gráfico basado en píxeles sin usar bibliotecas de aprendizaje automático. Finalmente, el video termina con una llamada para que los espectadores exploren capacidades adicionales de Python y reflexionen sobre lo que han aprendido hasta ahora.
Parte 1
Parte 2
parte 3
parte 4
MIT 6.034 "Inteligencia Artificial". Otoño de 2010. Lección 1. Introducción y alcance
1. Introducción y Alcance
Este video es una introducción al curso MIT 6.034 "Inteligencia artificial". El profesor explica la definición de inteligencia artificial y su importancia, y continúa discutiendo los modelos de pensamiento y representaciones que son importantes para comprender el tema. Finalmente, el video proporciona una breve descripción general del curso, que incluye cómo se calcula la calificación y qué implicarán el cuestionario y la prueba final.
Lección 2. Razonamiento: árboles de objetivos y resolución de problemas
2. Razonamiento: árboles de objetivos y resolución de problemas
Este video analiza cómo razonar, árboles de objetivos y resolución de problemas. Introduce una técnica llamada "reducción de problemas" y explica cómo se puede utilizar para resolver problemas de cálculo. También analiza cómo usar transformaciones heurísticas para resolver problemas y cómo se puede usar el conocimiento para resolver problemas en dominios complejos.
Lección 3. Razonamiento: árboles de objetivos y sistemas expertos basados en reglas
3. Razonamiento: árboles de objetivos y sistemas expertos basados en reglas
Este video explica cómo funciona un sistema experto basado en reglas. El sistema está diseñado para resolver problemas que son difíciles de resolver utilizando métodos más tradicionales. El sistema se compone de varias reglas que están conectadas por y puertas, lo que permite que el sistema reconozca un animal específico con certeza.
Lección 4. Búsqueda: profundidad primero, escalada, haz
4. Búsqueda: profundidad primero, escalada, haz
En este video de YouTube, Patrick Winston analiza diferentes algoritmos de búsqueda, incluidas las búsquedas Primero en profundidad, Escalada de colinas, Haz y Mejor primero. Usando un mapa como ejemplo, demuestra las ventajas y limitaciones de cada algoritmo y cómo la comprensión de diferentes métodos de búsqueda puede mejorar las habilidades para resolver problemas. Winston también analiza la aplicación de algoritmos de búsqueda en sistemas inteligentes, utilizando el sistema Génesis para responder preguntas sobre la historia de Macbeth. También presenta el concepto de una victoria pírrica y cómo los programas de búsqueda pueden descubrir tales situaciones mirando gráficos e informando sus hallazgos en inglés. En general, el video proporciona una descripción completa de los algoritmos de búsqueda y su uso práctico en escenarios del mundo real.
Clase 5. Búsqueda: Óptima, Branch and Bound, A*
5. Búsqueda: Óptima, Branch and Bound, A*
El video analiza varios algoritmos de búsqueda para encontrar el camino más corto entre dos lugares, centrándose en el ejemplo de la Ruta 66 entre Chicago y Los Ángeles. El video presenta el concepto de distancia heurística y proporciona ejemplos de diferentes algoritmos de búsqueda, como escalada de colinas, búsqueda de haz y bifurcación y límite. El ponente destaca la importancia de utilizar heurísticas admisibles y consistentes en el algoritmo A* para optimizar la búsqueda. Además, el video destaca la efectividad de usar una lista extendida y distancias de líneas aéreas para determinar los límites inferiores en el camino más corto. En última instancia, el video concluye con la promesa de analizar mejoras adicionales del algoritmo A* en la próxima lección.
Lección 6. Búsqueda: Juegos, Minimax y Alpha-Beta
6. Búsqueda: Juegos, Minimax y Alpha-Beta
El video analiza la historia de los juegos en IA, comenzando con la famosa cita de Dreyfus de que las computadoras no pueden jugar al ajedrez. Los oradores explican cómo las reglas si-entonces no son efectivas en los programas de juegos, y se requiere un análisis y una estrategia más profundos. Presentan el algoritmo minimax y el concepto de poda alfa-beta para optimizar la eficiencia de búsqueda de juegos. El video también explora técnicas como la minimización del costo de las pólizas de seguro y la profundización progresiva. El orador concluye que si bien la inteligencia de la excavadora es importante, no es necesariamente el mismo tipo de inteligencia que los humanos tienen en sus propias cabezas.
Lección 7. Restricciones: interpretación de dibujos lineales
7. Restricciones: interpretación de dibujos lineales
El video analiza el desarrollo de un problema de satisfacción de restricciones para interpretar dibujos lineales, que comenzó con el intento de crear una computadora que pudiera ver objetos simples. Se analizó el trabajo del experimentalista Guzmán, que condujo al enfoque de David Huffman de trabajar en un mundo matemático simple con restricciones que le permitieron desarrollar una teoría mejor que el programa de Guzmán. El video explora el vocabulario utilizado para catalogar y categorizar líneas y uniones en dibujos, la posibilidad de tener cinco octantes llenos de cosas y el uso de restricciones para probar la constructibilidad de los objetos. El video también analiza el desafío de usar etiquetas para interpretar dibujos lineales, el algoritmo de Waltz y el proceso de tratar con vértices de horquilla en el análisis de dibujos. Las restricciones desarrolladas en este proyecto tienen aplicaciones en la resolución de problemas con muchas restricciones, como la coloración de mapas y la programación.
opuesto simétrico de la perspectiva azul. El orador examina más a fondo los vértices que pueden crear uniones de estilo de horquilla y de estilo L, así como oscurecer objetos que pueden crear formas de T con la línea restante como límite. Finalmente, el ponente menciona que también se pueden crear vértices con seis caras cuando los objetos se juntan en un punto.