Люди, участвующие в дискуссиях об искусственном интеллекте, делятся на два лагеря: один, большинство, утверждает, что «машины» и «компьютеры» могут думать и демонстрировать человеческий интеллект. Другие, меньшинство, истощают свои нервные клетки, пытаясь убедить, что алгоритмы не могут мыслить, что человеческий мозг совершенно отличается от машин, что мы вообще не знаем, как функционирует человеческий мозг, и, следовательно, мы не можем моделировать мозг. Я парень из второго лагеря, и я думаю, что все эти дискуссии о том, является ли искусственный интеллект действительно искусственным или лучше использовать термин «машинный интеллект», бесполезны. Видишь ли, чувак, такие термины, как ИИ, искусственные нейроны или нейронные сети, архаичны, они были придуманы на заре компьютерной эры. В то время люди почти ничего не знали о мозге и интеллекте. Искусственный интеллект? Пффф, что за чушь. Мы не называем экскаватор искусственными человеческими мышцами. Это было бы глупо. Это так же глупо, как давать названия машинам, компьютерам или способности алгоритмов оперировать числами и данными. Но нагрузитесь этим: еще глупее что-либо решать, повторять что-либо о человеческом интеллекте или мозге на основе моделей ИИ. «Компьютер» не думает, как человек. Точно так же, как граммофон или фонограф не поют, как человек. Мы не создаем механических лошадей. И это подводит нас к природным технологиям. Но мы находимся только в начале этого пути.
Догма
смотрите также:
- Объяснение документов 02: BERT
- Как проанализировать работу вашего классификатора?
- Работа с цепями Маркова, часть 4 (Машинное обучение)
- Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
- Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..