AI, graphs and neural networks · IA, grafos y redes neuronales
| English | Español |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | aprendizaje automático |
| deep learning/diːp ˈlɜːnɪŋ/ | aprendizaje profundo |
| graph/ɡræf/ | graficar |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | redes neuronales |
| nodes/nəʊdz/ | nodos |
| edges/ˈedʒɪz/ | bordes |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | peso |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | función de activación |
| hidden layers/ˈhɪdn ˈleɪəz/ | capas ocultas |
The program that learned to see without being told what to look for
- In 2012 a team entered an image-recognition competition with a program that had never been given a single rule about what a cat looks like. It had been shown a million labelled photographs, and it worked out the rules itself.
- It halved the error rate of every hand-programmed entry. Within three years the entire field had abandoned writing rules.
- That reversal is the subject of this topic: not "how do we tell a computer what a cat is", but "how does a computer work that out from examples".
- This lesson is what machine learning 机器学习 and deep learning 深度学习 mean, how a graph 图 turns AI problems into search, and what an artificial neural network actually computes.
El programa que aprendió a ver sin que le dijeran qué buscar
- En 2012, un equipo participó en una competición de reconocimiento de imágenes con un programa al que nunca se le había dado una sola regla sobre cómo es un gato. Se le mostraron un millón de fotografías etiquetadas y él mismo descubrió las reglas.
- Redujo a la mitad la tasa de error de cada entrada programada manualmente. En menos de tres años, todo el campo abandonó escribir reglas.
- Esa inversión es el tema de este módulo: no "cómo le decimos a una computadora qué es un gato", sino "cómo funciona una computadora para deducirlo a partir de ejemplos".
- Esta lección explica lo que significan el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), cómo un grafo convierte los problemas de IA en búsqueda, y qué calcula realmente una red neuronal artificial.
AI, machine learning and deep learning
- Artificial intelligence is the broad goal: systems performing tasks that normally need human intelligence, such as vision, speech, translation and driving.
- Machine learning is the approach that dominates it: algorithms that learn patterns from data rather than being programmed step by step.
- Deep learning is machine learning using neural networks 神经网络 with many layers. It has led the field since the 2010s because it learns straight from raw data, pixels or audio or text, with no hand-designed features.
- They nest: deep learning is part of machine learning, which is part of AI.
Three circles, not three rivals
IA, aprendizaje automático y aprendizaje profundo
- La inteligencia artificial es el objetivo amplio: sistemas que realizan tareas que normalmente requieren inteligencia humana, como visión, habla, traducción y conducción.
- El aprendizaje automático es el enfoque dominante: algoritmos que aprenden patrones de datos en lugar de ser programados paso a paso.
- El aprendizaje profundo es aprendizaje automático que utiliza redes neuronales con muchas capas. Ha liderado el campo desde la década de 2010 porque aprende directamente de datos crudos, píxeles, audio o texto, sin características diseñadas manualmente.
- Están anidados: el aprendizaje profundo es parte del aprendizaje automático, que a su vez es parte de la IA.
Tres círculos, no tres rivales
Machine learning means an algorithm that: · El aprendizaje automático significa un algoritmo que:
ML learns from data; deep learning is ML using multi-layer neural networks. · ML aprende de los datos; el aprendizaje profundo es ML usando redes neuronales de múltiples capas.
How do AI, machine learning and deep learning relate? · ¿Cómo se relacionan IA, aprendizaje automático y aprendizaje profundo?
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks. · La IA es el objetivo, el aprendizaje automático es el enfoque dominante para lograrlo, y el aprendizaje profundo es aprendizaje automático con redes de muchas capas.
Graphs, and why so much AI is search
- A graph is a set of nodes 节点 joined by edges 边. Nodes are states, places or concepts; edges are moves, roads or relationships.
- Pathfinding: a road network is a graph, and finding a route is a graph search, using Dijkstra's algorithm or A*.
- Game playing: every board position is a node and every legal move an edge, so the game is a tree that minimax 极小化极大 searches, assuming each player takes their best option.
- Knowledge representation: a semantic network holds concepts as nodes and relationships as edges. Breadth-first and depth-first search are the standard tools for exploring any of these.
Grafos, y por qué gran parte de la IA es búsqueda
- Un grafo es un conjunto de nodos conectados por aristas (o bordes). Los nodos son estados, lugares o conceptos; las aristas son movimientos, caminos o relaciones.
- Búsqueda de rutas: una red de carreteras es un grafo, y encontrar una ruta es una búsqueda en grafos, utilizando el algoritmo de Dijkstra o A*.
- Juegos: cada posición en el tablero es un nodo y cada jugada legal es una arista, por lo que el juego es un árbol que busca mediante minimax, asumiendo que cada jugador toma su mejor opción.
- Representación del conocimiento: una red semántica mantiene conceptos como nodos y relaciones como aristas. La búsqueda en amplitud y la búsqueda en profundidad son las herramientas estándar para explorar cualquiera de estas estructuras.
In AI, a graph consists of: · En IA, un grafo consiste en:
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge. · Los grafos modelan estados/lugares como nodos y movimientos/relaciones como aristas — usados para búsqueda de caminos, árboles de juego y conocimiento.
Worked example: model a problem as a graph
- A delivery company wants the shortest route between two towns. Describe how this is represented as a graph.
- Each town is a node; each road is an edge joining two nodes; the edge carries a weight, the distance or the travel time.
- The problem is then "find the path between the two nodes with the smallest total weight", which Dijkstra's algorithm solves.
- Say what the nodes are, what the edges are, and what the weights mean. An answer that only says "it is a graph" earns nothing.
Ejemplo resuelto: modelar un problema como un grafo
- Una empresa de mensajería desea encontrar la ruta más corta entre dos ciudades. Describa cómo se representa esto como un grafo.
- Cada ciudad es un nodo; cada carretera es una arista que une dos nodos; la arista tiene un peso, que puede ser la distancia o el tiempo de viaje.
- El problema entonces se convierte en "encontrar el camino entre los dos nodos con el menor peso total", lo cual resuelve el algoritmo de Dijkstra.
- Indique cuáles son los nodos, cuáles son las aristas y qué significan los pesos. Una respuesta que solo diga "es un grafo" obtendrá cero puntos.
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select all · todos that apply. · Una red de carreteras se modela como un grafo para encontrar la ruta más corta. ¿Cuáles son las afirmaciones correctas? Selecciona todas las que correspondan.
Places are nodes and connections are edges. Saying what the weights represent is the third mark. · Los lugares son nodos y las conexiones son aristas. Decir qué representan los pesos es la tercera marca.
The artificial neuron
- An artificial neuron takes several inputs. It multiplies each input by a weight 权重, adds them together with a bias, then passes the total through a non-linear activation function 激活函数 to produce its output.
- The weights are what the network learns. The activation function is what makes the network able to represent something other than a straight line: without it, any number of layers would collapse into a single linear formula.
Multiply, add, then bend
La neurona artificial
- Una neurona artificial recibe varias entradas. Multiplica cada entrada por un peso, las suma junto con un sesgo (bias) y luego pasa el total a través de una función de activación no lineal para producir su salida.
- Los pesos son lo que la red aprende. La función de activación es lo que permite a la red representar algo más que una línea recta: sin ella, cualquier número de capas colapsaría en una única fórmula lineal.
Multiplicar, sumar y curvar
Put the steps inside one artificial neuron in order. · Coloca los pasos dentro de una neurona artificial en orden.
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula. · Multiplicar, sumar, activar, pasar. Sin la activación no lineal, cualquier profundidad de red colapsaría en una fórmula lineal.
Layers, and what "deep" means
- Neurons are arranged in layers. The input layer receives the data. One or more hidden layers 隐藏层 learn internal patterns. The output layer produces the answer, a class or a number.
- A network is called deep when it has many hidden layers, and training such a network is deep learning.
- Why the hidden layers matter: in an image network the early ones learn edges, the middle ones shapes, the later ones objects. Nobody designed that hierarchy; it is what training produced.
Input, hidden, output, and the learning is in the weights between them
Capas, y lo que significa "profundo"
- Las neuronas están organizadas en capas. La capa de entrada recibe los datos. Una o más capas ocultas aprenden patrones internos. La capa de salida produce la respuesta, una clase o un número.
- Una red se considera profunda cuando tiene muchas capas ocultas, y entrenar una red de esta manera es aprendizaje profundo.
- Por qué importan las capas ocultas: en una red de imágenes, las primeras aprenden bordes, las intermedias formas y las posteriores objetos. Nadie diseñó esa jerarquía; es lo que produjo el entrenamiento.
Entrada, oculta, salida, y el aprendizaje reside en los pesos entre ellas
Tap the parts of a neural network · Toca las partes de una red neuronal
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts. · Explora las capas. Los datos fluyen de izquierda a derecha: la capa de entrada toma las características, las capas intermedias aprenden patrones y la capa de salida da la respuesta — con cada conexión que lleva un peso que el entrenamiento ajusta.
Match each part of a neural network to its role. · Empareja cada parte de una red neuronal con su rol.
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights. · Las características entran en la capa de entrada, las capas intermedias aprenden patrones, la capa de salida responde; aprender = ajustar los pesos.
A neural network is called "deep" when it has many hidden layers, and each neuron takes a weighted sum of its inputs (plus a bias) before applying an activation function. · Una red neuronal se llama "profunda" cuando tiene muchas capas intermedias, y cada neurona toma una suma ponderada de sus entradas (más un sesgo) antes de aplicar una función de activación.
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning. · Apilar muchas capas intermedias permite a la red aprender patrones más ricos — entrenar tal red es aprendizaje profundo.
A neural network is called "deep" when it has: · Una red neuronal se llama "profunda" cuando tiene:
Many hidden layers make a deep neural network; training one is deep learning. · Muchas capas intermedias hacen una red neuronal profunda; entrenar una es aprendizaje profundo.
During training, the values adjusted inside a neural network are its ____. · Durante el entrenamiento, los valores ajustados dentro de una red neuronal son sus ____.
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights. · La arquitectura y la función de activación son elegidas por el diseñador; lo que la red aprende está almacenado en los pesos.
Worked example: describe how a neuron computes
- Describe what happens inside a single artificial neuron. [3]
- Each input is multiplied by its own weight, and the products are added together along with a bias.
- The resulting sum is passed through an activation function, which is non-linear.
- The result is the neuron's output, which becomes an input to the neurons in the next layer. The weights and bias are the values adjusted during training.
Ejemplo resuelto: describir cómo calcula una neurona
- Describa lo que sucede dentro de una sola neurona artificial. [3]
- Cada entrada se multiplica por su propio peso, y los productos se suman junto con un sesgo.
- La suma resultante se pasa a través de una función de activación, que es no lineal.
- El resultado es la salida de la neurona, que se convierte en una entrada para las neuronas de la siguiente capa. Los pesos y el sesgo son los valores ajustados durante el entrenamiento.
Marks that slip away
- Machine learning learns patterns from data; it is not "programmed step by step" and it is not magic. Say what it learns from.
- "Deep" means many hidden layers, not "very clever" or "very large".
- A graph is nodes and edges, and a graph answer must say what each represents in this problem.
- The weights are what training changes. The activation function and the architecture are chosen by the designer.
Puntos que se pierden fácilmente
- El aprendizaje automático aprende patrones de datos; no está "programado paso a paso" ni es magia. Indique de qué aprende.
- "Profundo" significa muchas capas ocultas, no "muy inteligente" o "muy grande".
- Un grafo consiste en nodos y aristas, y una respuesta sobre grafos debe indicar qué representa cada uno en este problema específico.
- Los pesos son lo que cambia el entrenamiento. La función de activación y la arquitectura son elegidas por el diseñador.
You've got it
- AI is the goal, machine learning learns patterns from data instead of following written rules, and deep learning is machine learning with many-layered neural networks
- a graph of nodes and edges turns pathfinding, game playing and knowledge representation into search, using Dijkstra, A*, minimax, breadth-first and depth-first
- an artificial neuron multiplies inputs by weights, adds a bias, and applies a non-linear activation function
- layers run input, hidden, output; deep means many hidden layers, and the learning lives in the weights
Ya lo tienes dominado
- La IA es el objetivo, el aprendizaje automático aprende patrones de datos en lugar de seguir reglas escritas, y el aprendizaje profundo es aprendizaje automático con redes neuronales de múltiples capas.
- Un grafo de nodos y aristas convierte la búsqueda de rutas, los juegos y la representación del conocimiento en búsqueda, utilizando Dijkstra, A*, minimax, búsqueda en amplitud y búsqueda en profundidad.
- Una neurona artificial multiplica las entradas por pesos, suma un sesgo y aplica una función de activación no lineal.
- Las capas se ejecutan en entrada, oculta, salida; profundo significa muchas capas ocultas, y el aprendizaje reside en los pesos.