10 Astuces Statistiques Qui Maintiennent Introduites Sur La Construction De L'IA

Ces astuces statistiques sont confirmées pour maintenir d’énormes avancées dans la construction de l’IA.

AI

a fait un excellent développement dans divers domaines d’applications. Ce sont des kilomètres définis comme la phase de la science des ordinateurs portables qui est fascinante dans la conception de systèmes qui démontrent les caractéristiques de l’intelligence humaine pour intercepter, étudier, motiver et résoudre des considérations. La sphère a attiré les chercheurs cette capacité que de ses cibles héroïques et immenses défis mentaux sous-jacents. La sphère a été sous la controverse constante cette capacité que de ses implications sociales, éthiques et philosophiques. Cependant, même en fin de compte, les controverses, l’IA, l’exploration en profondeur et l’exploration de la machine maintiennent le changement en termes familiaux. Cette construction en AI est en outre attribuable à diverses percées dans les statistiques. Ces conseils statistiques pour l’IA ont été à l’origine de diverses innovations dans les compétences en IA. Dans cet article, nous avons répertorié les meilleurs conseils statistiques qui ont été introduits sur AI construction au fil des ans.

Recordsdata Pensée et une extension des conseils de chance maximum

par Hirotugu Akaike (1973):

Cet article a d’abord présenté le terme AIC, qui était auparavant abrégé pour An Recordsdata Criterion, mais est actuellement identifié comme le critère de Akaike Recordsdata. Ce terme a été dès le début inventé pour décrire la capacité d’évaluer la fente d’un modèle en fonction de sa précision estimée. L’AIC a été immédiatement reconnu comme un outil précieux, et cet article est devenu sans aucun doute l’un des documents imprimés complètement différents qui a placé l’inférence statistique dans un cadre prédictif.

Données d’enregistrements exploratoires Diagnostic par John W. Tukey ( ):

Ce livre n’a plus seulement été très influent, mais est également relaxant à lire. La visualisation et l’exploration des données antérieures connaissaient les aspects inférieurs des statistiques intellectuelles. Cependant, John Tukey a modifié cette carte uniquement lorsqu’il a écrit sur l’utilisation des instruments statistiques, non plus pour confirmer ce que nous savons déjà et rejeter des hypothèses que nous ne jugerons jamais, mais pour découvrir des informations inhabituelles et surprenantes à partir de données.

Précédents inappropriés , Spline Smoothing and the Arena of Guarding Against Mannequin Errors in Regression

par Grace Wahba (1996):

Le lissage spline est une méthodologie pour devenir des courbes non paramétriques. Wahba a écrit un autre article au cours des douze mois similaires qui fait référence à une classe d’algorithmes qui peut vraisemblablement s’intégrer dans des courbes moelleuses arbitraires à travers des données sans surajustement au bruit ou aux valeurs aberrantes. Même en supposant que cette carte puisse sembler une miniature trop évidente au cours de la période actuelle des technologies perturbatrices, mais c’était sans aucun doute une étape importante à franchir dans la journée où les premiers côtés des ajustements de courbe étaient des polynômes , exponentielles et sortes montées assorties.

LES MEILLEURES ENTREPRISES D’INTELLIGENCE ARTIFICIELLE EN INDE POUR LESQUELLES VOUS POUVEZ TRAVAILLER EN 2014

NE SOYEZ PAS IMPRIMABLE AVEC VOTRE IA CAR ELLE POURRAIT SE VENGER DANS L’AVENIR!

ELEMENT AI: PROPOSER DES SOLUTIONS DE POINTE AVEC DES STRATÉGIES D’IA

• 2015
  

  Suggestions de bootstrap: un autre regard sur le Jackknife

par B.Efron (1973):

L’amorçage consiste à effectuer une inférence statistique sans hypothèses. Traditionnellement, les inférences ne seront plus effectuées sans hypothèses. Cependant, cet article a tenté de montrer l’amorçage comme un travail simple qui peut éventuellement être déployé pour le rééchantillonnage des données. Parmi les nombreuses solutions statistiques des années précédentes, cela a grandi pour changer en cette capacité largement précieuse celle d’une explosion dans la vitalité informatique qui a permis la transformation des simulations en évaluation mathématique.

Échantillonnage- Approches basées sur le calcul des densités marginales

par Alan E. Gelfand et Adrian FM Smith (1990):

L’une des capacités que l’informatique fractionnée a révolutionné les statistiques et la découverte par machine est l’expression d’éléments bayésiens. Cependant, la modélisation statistique standard permet plus de flexibilité pour résoudre des considérations complexes. Les clients veulent correctement déployer des outils de calcul qui peuvent probablement collaborer avec ces éléments. Dans cet article influent, Gelfand et Smith n’ont plus créé d’instruments inhabituels, à la différence, ils ont décrit comment la modélisation de Gibbs sera sans aucun doute historique pour s’adapter à une classe gigantesque d’éléments statistiques.

Identification et Estimation des résultats du traitement modéré local par Guido W. Imbens et Joshua D. Angrist (1994):

L’inférence fortuite est au cœur de toute intelligence synthétique aventure. Ces solutions d’inférence informelles sont développées parallèlement au loisir des statistiques et de la découverte de machines. Cependant, historiquement, cela a accompagné l’aventure supplémentaire de poser des questions sur les données qui pourraient probablement ne plus être mesurées. Imbens et Angrist sont des économistes influents qui ont écrit sur ce qui sera estimé lorsque les effets occasionnels diffèrent, et leurs conseils soutiennent qu’ils ont constitué la prémisse des grands développements ultérieurs dans ce domaine.

Régression Retrait et Choix par métier de The Lasso

par Robert Tibshirani (1996):

Dans la régression, l’entreprise réelle se situe à côté d’un ensemble complet d’entrées et de leurs interactions, qui se termine par l’entreprise d’estimation devenant statistiquement instable. Dans cet article, Tibshirani présente le lasso, une méthodologie informatique efficace, qui est maintenant largement historique dans la régularisation basée principalement sur les données dans des éléments complexes supplémentaires.

La grammaire des graphismes

par Leland Wilkinson (1979):

Leland Wilkinson a travaillé sur divers projets d’outils industriels influents, aux côtés de SPSS et Tableau. Dans ce livre électronique, Wilkinson présente un cadre pour les graphiques statistiques qui vont au-delà de ce point focal doux sur les camemberts et les histogrammes, pour découvrir comment les données et la visualisation peuvent exposer.

Filets accusatoires globaux

par Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville et Yoshua Bengio (1999):

Un parmi ML

Les réalisations standard des algorithmes au cours de la plupart des années standard sont sa prise de décision au bon moment par le biais de rétroactions prédictives et d’inférence. L’article présente les réseaux accusatoires finaux (GAN) qui sont des concepts développés et permettent de renforcer la découverte de considérations à résoudre de manière robotique.

Découverte en profondeur sorti

par Yoshua Bengio, Yann LeCun et Geoffrey Hinton (1999):

La découverte en profondeur est une catégorie d’éléments de réseau de neurones synthétiques qui peuvent être historiques pour former des prédictions non linéaires polyvalentes à l’aide d’une énorme préférence d’aspects. Cet article explore les utilisations de la découverte en profondeur dans les statistiques et la découverte par machine.

2015