Mail:





Spis Treści



• Krótka historia A.I.

• Mity Sztucznej Inteligencji

• Jak A.I. zmienia nasz świat

• Sztuczna Inteligencja z NetLogo







Słowniczek Sztucznej Inteligencji





XV Podstawowych Skrótów w Windows 10

1. Ctrl + A: Ctrl + A, podświetla lub zaznacza wszystko, co masz w środowisku, w którym pracujesz. Jeśli myślisz sobie: "Wow, zawartość tego dokumentu jest obszerna i nie ma czasu, aby ją wybrać, a poza tym wywrze presję na moim komputerze?" Używanie myszy do tego jest przestarzałą metodą obsługi zadania, takiego jak wybieranie wszystkich, Ctrl + A zajmie się tym w zaledwie kilka sekund.

2. Ctrl + C: Ctrl + C kopiuje dowolny podświetlony lub wybrany element w środowisku pracy. Oszczędza czas i stres, który zostałby użyty do kliknięcia prawym przyciskiem myszy i ponownego kliknięcia tylko w celu skopiowania. Użyj Ctrl + C.

3. Ctrl + N: Ctrl + N otwiera nowe okno lub plik. Zamiast klikać Plik, Nowy, pusty / szablon i kolejne kliknięcie, po prostu naciśnij Ctrl + N, a nowe okno lub plik pojawi się natychmiast.

4. Ctrl + O: Ctrl + O otwiera istniejący plik. Użyj Ctrl + O, gdy chcesz zlokalizować / otworzyć plik lub program.

5. Ctrl + P: Ctrl + P drukuje aktywny dokument. Zawsze używaj tego do zlokalizowania okna dialogowego drukarki i drukowania.

6. Ctrl + S: Ctrl + S zapisuje nowy dokument lub plik i zmiany wykonane przez użytkownika. Dotykasz teraz myszy? Proszę przestań! Nie używaj myszy. Po prostu naciśnij Ctrl + S, a wszystko zostanie zapisane.

7. Ctrl + V: Ctrl + V wkleja skopiowane elementy do aktywnego obszaru używanego programu. Użycie ctrl + V w takim przypadku Oszczędza czas i stres związany z kliknięciem prawym przyciskiem myszy i ponownym kliknięciem tylko po to, aby wkleić.

8. Ctrl + W: Ctrl + W służy do zamykania strony, na której pracujesz, gdy chcesz opuścić środowisko pracy. "Jest sposób, w jaki Peace robi to bez użycia myszy. O mój Boże, dlaczego się tego nie nauczyłem? " Nie martw się, mam odpowiedź: Peace naciska Ctrl + W, aby zamknąć aktywne okna.

9. Ctrl + X: Ctrl + X tnie elementy (sprawiając, że elementy znikają z ich pierwotnego miejsca). Różnica między wycinaniem a usuwaniem elementów polega na tym, że w wycinaniu wycinane elementy nie giną na stałe, ale przygotowuje się do wklejenia w innym miejscu wybranym przez użytkownika. Użyj Ctrl + X, gdy myślisz "To nie powinno być tutaj i nie mogę znieść stresu związanego z przepisywaniem lub przeprojektowywaniem tego we właściwym miejscu".

10. Ctrl + Y: Ctrl + Y ponawia cofniętą czynność. Ctrl + Z przywróciło to, czego nie potrzebujesz? Naciśnij Ctrl + Y, aby ponownie go usunąć.

11. Ctrl + Z: Ctrl + Z cofa akcje. Nie możesz znaleźć tego, co wpisałeś teraz lub wstawionego obrazu, nagle zniknął lub omyłkowo go usunąłeś? Naciśnij Ctrl + Z, aby go przywrócić.

12. Alt + F4: Alt + F4 zamyka aktywne okna lub elementy. Nie musisz poruszać myszą, aby zamknąć aktywne okno, po prostu naciśnij Alt + F4, jeśli skończysz lub nie chcesz, aby ktoś, kto przychodził, zobaczył, co robisz.

13. Ctrl + F6: Control plus F6 Nawigacja między otwartymi oknami, umożliwiając użytkownikowi zobaczenie, co dzieje się w aktywnych oknach. Pracujesz w programie Microsoft Word i chcesz się dowiedzieć, czy inne aktywne okno, w którym Twoja przeglądarka ładuje stronę, nadal się rozwija? Użyj Ctrl + F6.

14. F1: Wyświetla okno pomocy. Czy Twój komputer działa nieprawidłowo? Użyj F1, aby znaleźć pomoc, gdy nie wiesz, co dalej zrobić.

15. F12: Umożliwia użytkownikowi wprowadzanie zmian w już zapisanym dokumencie. F12 to skrót do użycia, gdy chcesz zmienić format, w którym zapisałeś istniejący dokument, wpisać hasło, zmienić jego nazwę, zmienić lokalizację pliku lub miejsce docelowe lub wprowadzić inną zmianę




A.I. … i wszystko jasne




Wprowadzenie do Języka R




Język R … od słów do czynów !!!



 + Kody Źródłowe




A.I.: Jaka jest nasza Przyszłość?

[101 Prostych Pytań]




VIDEO



  Hipoteza Riemanna

 Pogadać z Maszyną 1

 Pogadać z Maszyną 2

 Pogadać z Maszyną 3

 Pogadać z Maszyną 4

 Wywiad z maszyną !

 Co słyszy Sztuczna Inteligencja?

 Komputer Kwantowy

 Świadomość Maszyn

 Sztuczna Inteligencja - Szansa czy Zagrożenie?

 This is AI 1

 This is AI 2 : How machines learn

 This is AI 3 : Learnig for life

 This is AI 4: A synthetic sixth sense




Bogowie Sztucznej Inteligencji






SŁOWNIK TERMINÓW ROBOTYCZNYCH




Anatomia Robota

  • Systemy Sterowania
  • Sprzęt Komputerowy
  • Niezawodność, Bezpieczeństwo i Zgodność
  • Kroki Projektowe: HLD
  • Energia i systemy zasilania
  • Kontrola Energii
  • DSP
  • Komunikacja
  • Silniki i Siłowniki
  • Mechanika



  • Artificial Intelligence




    Jak A.I. zmienia nasz świat




    Mity Sztucznej Inteligencji




    Króka Historia A.I.




    Fundamenty


    • Prolog

    • Wprowadzenie do A.I.

    • Definiowanie roli danych

    • Biorąc pod uwagę alogorytmy

    • Pionierski ,specjalistyczny sprzęt

    • Zastosowanie AI w aplikacjach komputerowych

    • Automatyzacja typowych procesów

    • Zastosowanie AI w medycynie

    • A.I. a poprawa interakcji

    • Analiza danych przez A.I.

    • Wykorzystanie machine learning

    • Poprawa A.I. (…)

    • Rozwój robotów

    • Latanie dronami

    • Samochód napędzany A.I.

    • Zroumieć aplikacje bez szans

    • AI w Kosmosie

    • Nowe zawody w erze A.I.

    •  X zawodów dla A.I.(?)

    • Wkład A.I. w społeczeństwo

    • Jak zawiodła A.I.




    "Ocieplamy" Fundamenty


    • Intuicyjna koncepcja sztucznej inteligencji

    • Podstawy wyszukiwania

    • Inteligentne wyszukiwanie

    • Algorytmy Ewolucyjne

    • Zaawansowane podejście ewolucyjne

    • Inteligencja Roju: Mrówki

    • Inteligencja roju: Cząstki

    • Uczenie maszynowe

    • Sztuczne sieci neuronowe

    •  Uczenie się ze wzmocnieniem za pomocą Q-Learning




    XVI Filarów Świątyni ArtInt′a


    • Korzenie i Zakres

    • Reprezentacja i wyszukiwanie

    • Struktury i strategie wyszukiwania

    • Wyszukiwanie Heurystyczne

    • Metody Stochastyczne

    • Budowanie algorytmów sterowania

    • Reprezentacja Wiedzy

    • Silna metoda rozwiązywanie problemów

    • Rozumowanie w niepewnych sytuacjach

    •  Uczenie maszynowe : oparte na symbolach

    • Uczenie maszynowe : koneksjonizm

    • Uczenie maszynowe : genetyczne i awaryjne

    • Uczenie maszynowe : probabilistyczne

    • Automatyczne wnioskowanie

    • Rozumienie języka naturalnego

    • Sztuczna Inteligencja jako pytanie empiryczne




    Sztuczna Inteligencja i Big Data

    Sekcja 1 : Big Data i systemy sztucznej inteligencji

    Sekcja 2 : Ontologia dla dużych zbiorów danych

    Sekcja 3: Uczenie się z dużych zbiorów danych

    Sekcja 4:Sieci neuronowe dla dużych zbiorów danych

    Sekcja 5: Deep Big Data Analytics

    Sekcja 6: Przetwarzanie języka naturalnego

    Sekcja 7: Systemy rozmyte

    Sekcja 8: Programowanie genetyczne

    Sekcja 9: Analiza roju

    Sekcja 10: Uczenie się przez wzmocnienie

    Sekcja 11: Cyberbezpieczeństwo

    Sekcja 12: Obliczenia poznawcze












    Wczoraj , Dziś … Jutro

















    Odwiedzin: 10242
    Dzisiaj: 14
    On-line: 1
    Strona istnieje: 751 dni
    Ładowanie: 0.013 sek


    [ 1859 ]



    Sztuczna Inteligencja z Językiem NetLogo



    LINK



    A.I. dla Nie-Techników (WSTĘP)




    •  Część 1 - Podstawy sztucznej inteligencji
    •  Część 2 - Dane: Dane są siłą napędową sztucznej inteligencji. W ten sposób algorytmy mogą znajdować wzorce i korelacje, aby zapewnić wgląd. Ale są miny z danymi, takimi jak jakość i stronniczość. W tym rozdziale przedstawiono ramy do pracy z danymi w projekcie AI.
    •  Część 3 - Uczenie maszynowe: Jest to podzbiór sztucznej inteligencji i obejmuje tradycyjne techniki statystyczne, takie jak regresja. Ale w tym rozdziale omówimy również zaawansowane algorytmy, takie jak k-Nearest Neighbor (k-NN) i Naive Bayes Classifier. Oprócz tego przyjrzymy się, jak stworzyć model uczenia maszynowego.
    •  Część 4 - Głębokie uczenie: Jest to kolejny podzbiór sztucznej inteligencji i jest to wyraźnie ten, w którym w ciągu ostatniej dekady pojawiło się wiele innowacji. Głębokie uczenie polega na wykorzystywaniu sieci neuronowych do znajdowania wzorców naśladujących mózg. W rozdziale przyjrzymy się głównym algorytmom, takim jak rekurencyjne sieci neuronowe (RNN), splotowe sieci neuronowe (CNN) i generatywne sieci kontradyktoryjne (GAN). Pojawią się również wyjaśnienia kluczowych pojęć, takich jak propagacja wsteczna.
    •  Część 5 - Automatyzacja procesów robotycznych: Wykorzystuje systemy do automatyzacji powtarzalnych procesów, takich jak wprowadzanie danych do systemu zarządzania relacjami z klientami (CRM). Robotic Process Automation (RPA) odnotował ogromny wzrost w ciągu ostatnich kilku lat ze względu na wysoki ROI (zwrot z inwestycji). Technologia była również wstępnym sposobem wdrażania sztucznej inteligencji przez firmy.
    •  Część 6 - Przetwarzanie języka naturalnego (NLP): Ta forma sztucznej inteligencji, która obejmuje rozumienie rozmów, jest najbardziej wszechobecna w przypadku Siri, Cortany i Alexy. Ale systemy NLP, takie jak chatboty, również stały się krytyczne w świecie korporacji. Ten rozdział pokaże, jak efektywnie wykorzystać tę technologię i jak uniknąć trudnych problemów.
    •  Część 7 - Roboty fizyczne: Sztuczna inteligencja zaczyna mieć duży wpływ na tę branżę. Dzięki głębokiemu uczeniu robotom łatwiej jest zrozumieć swoje środowisko. W tym rozdziale przyjrzymy się zarówno robotom konsumenckim, jak i przemysłowym, na przykład z niezliczoną liczbą przypadków użycia.
    •  Część 8 - Wdrażanie sztucznej inteligencji: Przyjmiemy krok po kroku podejście do tworzenia projektu sztucznej inteligencji, od początkowej koncepcji do wdrożenia. W tym rozdziale omówimy również różne narzędzia, takie jak Python, TensorFlow i PyTorch.
    •  Część 9 - Przyszłość sztucznej inteligencji: W tym rozdziale omówione zostaną niektóre z największych trendów w sztucznej inteligencji, takie jak jazda autonomiczna, uzbrojenie sztucznej inteligencji, bezrobocie technologiczne, odkrywanie leków i regulacje prawne.


    Krok #3 - Przygotowanie danych

    Pierwszym krokiem w procesie przygotowania danych jest podjęcie decyzji, jakich zestawów danych użyć. Przyjrzyjmy się scenariuszowi: Załóżmy, że pracujesz dla firmy wydawniczej i chcesz opracować strategię poprawy utrzymania klientów. Niektóre dane, które powinny pomóc, obejmują informacje demograficzne dotyczące bazy klientów, takie jak wiek, płeć, dochód i wykształcenie. Aby zapewnić więcej kolorów, możesz również spojrzeć na informacje o przeglądarce. Jaki rodzaj treści interesuje klientów? Jaka jest częstotliwość i czas trwania? Jakieś inne ciekawe wzorce - powiedzmy, że dostęp do informacji w weekendy? Łącząc źródła informacji, możesz stworzyć potężny model. Na przykład, jeśli w niektórych obszarach nastąpi rezygnacja z aktywności, może to stwarzać ryzyko anulowania. To ostrzegałoby sprzedawców, aby skontaktowali się z klientami. Chociaż jest to sprytny proces, nadal istnieją miny lądowe. Uwzględnienie lub wykluczenie nawet jednej zmiennej może mieć istotny negatywny wpływ na model AI. W celu zobacz dlaczego, spójrz wstecz na kryzys finansowy. Modele gwarantowania kredytów hipotecznych były wyrafinowane i oparte na ogromnych ilościach danych. W normalnych czasach ekonomicznych działały całkiem dobrze, ponieważ duże instytucje finansowe, takie jak Goldman Sachs, JP Morgan i AIG, w dużym stopniu na nich polegały. Ale był problem: modele nie uwzględniały spadających cen mieszkań! Głównym powodem było to, że przez dziesięciolecia nigdy nie było krajowego spadku. Założono, że mieszkalnictwo jest głównie zjawiskiem lokalnym. Oczywiście ceny mieszkań nie tylko spadły, ale spadły. Modele okazały się wtedy dalekie od celu, a miliardy dolarów strat niemal zniszczyły amerykański system finansowy. Rząd federalny nie miał innego wyjścia, jak pożyczyć 700 miliardów dolarów na ratowanie Wall Street. To prawda, to skrajny przypadek. Podkreśla jednak znaczenie selekcji danych. W tym przypadku niezbędne może być posiadanie solidnego zespołu ekspertów dziedzinowych i analityków danych. Następnie, na etapie przygotowania danych, konieczne będzie czyszczenie danych. Faktem jest, że wszystkie dane mają problemy. Nawet firmy takie jak Facebook mają luki, niejasności i wartości odstające w swoich zbiorach danych. To nieuniknione. Oto kilka działań, które możesz podjąć, aby wyczyścić dane:

    •  Deduplikacja: Ustaw testy, aby zidentyfikować wszelkie duplikaty i usunąć zbędne dane.
    •  Wartości odstające: są to dane, które znacznie wykraczają poza zakres większości pozostałych danych. Może to wskazywać, że informacje nie są przydatne. Ale oczywiście zdarzają się sytuacje, w których jest odwrotnie. To byłoby do odliczenia oszustwa.
    •  Spójność: Upewnij się, że masz jasne definicje zmiennych. Nawet terminy takie jak "przychody" czy "klient" mogą mieć wiele znaczeń.
    •  Reguły walidacji: Patrząc na dane, spróbuj znaleźć nieodłączne ograniczenia. Na przykład możesz mieć flagę dla kolumny wiek. Jeśli w wielu przypadkach jest ponad 120, to dane mają poważne problemy.
    •  Binning: Niektóre dane nie muszą być szczegółowe. Czy to naprawdę ma znaczenie, czy ktoś ma 35 czy 37 lat? Prawdopodobnie nie. Ale porównanie tych od 30-40 do 41-50 prawdopodobnie tak.
    •  Nieaktualność: czy dane są aktualne i istotne?
    •  Scalanie: W niektórych przypadkach kolumny danych mogą zawierać bardzo podobne informacje. Być może jeden ma wzrost w calach, a drugi w stopach. Jeśli Twój model nie wymaga bardziej szczegółowego numeru, możesz po prostu użyć tego dla stóp.
    •  One-Hot Encoding: Jest to sposób na zastąpienie danych kategorycznych jako liczb. Przykład: Załóżmy, że mamy bazę danych z kolumną, która ma trzy możliwe wartości: Apple, Ananas i Orange. Możesz reprezentować Apple jako 1, Ananas jako 2, a Orange jako 3. Brzmi rozsądnie, prawda? Może nie. Problem w tym, że algorytm AI może uznać, że Orange jest większy niż Apple. Ale dzięki kodowaniu na gorąco możesz uniknąć tego problemu. Utworzysz trzy nowe kolumny: is_Apple, is_Pineapple i is_Orange. Dla każdego wiersza w danych wpiszesz 1 dla miejsca występowania owocu i 0 dla reszty.
    •  Tabele przeliczeniowe: Można tego użyć podczas tłumaczenia danych z jednego standardu na inny. Byłoby tak w przypadku, gdy masz dane w systemie dziesiętnym i chcesz przejść do systemu metrycznego.

    Te kroki znacznie poprawią jakość danych. Istnieją również narzędzia do automatyzacji, które mogą pomóc, takie jak firmy takie jak SAS, Oracle, IBM, Lavastorm Analytics i Talend. Są też projekty typu open source, takie jak OpenRefine, plyr i reshape2. Niezależnie od tego dane nie będą idealne. Brak źródła danych. Prawdopodobnie nadal będą luki i nieścisłości. Dlatego musisz być kreatywny. Zobacz, co zrobił Eyal Lifshitz, który jest dyrektorem generalnym BlueVine. Jego firma wykorzystuje sztuczną inteligencję do finansowania małych firm. "Jednym z naszych źródeł danych są informacje kredytowe naszych klientów" - powiedział. "Odkryliśmy jednak, że właściciele małych firm błędnie identyfikują swój rodzaj działalności. Może to oznaczać złe wyniki dla naszego ubezpieczenia. Aby sobie z tym poradzić, zbieramy dane ze strony klienta za pomocą algorytmów AI, które pomagają zidentyfikować branżę". Podejścia do czyszczenia danych będą również zależeć od przypadków użycia w projekcie AI. Na przykład, jeśli budujesz system do konserwacji predykcyjnej w produkcji, wyzwaniem będzie radzenie sobie z dużą różnorodnością różnych czujników. W rezultacie duża ilość danych może mieć niewielką wartość i być w większości szumem.