AI, graphs and neural networks · IA, grafos e redes neurais
| English | Português |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | aprendizado de máquina |
| deep learning/diːp ˈlɜːnɪŋ/ | aprendizado profundo |
| graph/ɡræf/ | gráfico |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | redes neurais |
| nodes/nəʊdz/ | nós |
| edges/ˈedʒɪz/ | bordas |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | peso |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | função de ativação |
| hidden layers/ˈhɪdn ˈleɪəz/ | camadas 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.
O programa que aprendeu a ver sem ser dito o que procurar
- Em 2012, uma equipe participou de uma competição de reconhecimento de imagens com um programa que nunca havia recebido uma única regra sobre como um gato parece. Foi mostrado um milhão de fotos rotuladas e descobriu as regras sozinho.
- Reduziu pela metade a taxa de erro de cada entrada programada manualmente. Em três anos, todo o campo abandonou escrever regras.
- Essa inversão é o tema deste tópico: não "como dizemos a um computador o que é um gato", mas "como um computador descobre isso a partir de exemplos".
- Esta lição é o que significam machine learning 机器学习 e deep learning 深度学习, como um gráfico 图 transforma problemas de IA em busca, e o que uma rede neural artificial realmente calcula.
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, machine learning e deep learning
- Inteligência Artificial é o objetivo amplo: sistemas realizando tarefas que normalmente exigem inteligência humana, como visão, fala, tradução e direção.
- Machine learning é a abordagem que domina: algoritmos que aprendem padrões dos dados em vez de serem programados passo a passo.
- Deep learning é machine learning usando redes neurais 神经网络 com muitas camadas. Tem liderado o campo desde a década de 2010 porque aprende diretamente de dados brutos, pixels ou áudio ou texto, sem características desenhadas manualmente.
- Eles se aninham: deep learning é parte do machine learning, que é parte da IA.
Três círculos, não três rivais
Machine learning means an algorithm that: · Machine learning significa um algoritmo que:
ML learns from data; deep learning is ML using multi-layer neural networks. · ML aprende com dados; deep learning é ML usando redes neurais multicamadas.
How do AI, machine learning and deep learning relate? · Como IA, machine learning e deep learning se relacionam?
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks. · IA é o objetivo, machine learning é a abordagem dominante para ele, e deep learning é machine learning com redes multicamadas.
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, e por que tanta IA é busca
- Um grafo é um conjunto de nós 节点 unidos por arestas 边. Nós são estados, lugares ou conceitos; arestas são movimentos, estradas ou relações.
- Encontramento de caminho: uma rede rodoviária é um grafo, e encontrar uma rota é uma busca no grafo, usando o algoritmo de Dijkstra ou A*.
- Jogos: cada posição do tabuleiro é um nó e cada movimento legal uma aresta, então o jogo é uma árvore que faz busca minimax 极小化极大, assumindo que cada jogador toma sua melhor opção.
- Representação de conhecimento: uma rede semântica armazena conceitos como nós e relações como arestas. Busca em largura e busca em profundidade são as ferramentas padrão para explorar qualquer uma dessas.
In AI, a graph consists of: · Em IA, um grafo consiste em:
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge. · Grafos modelam estados/lugares como nós e movimentos/relações como arestas — usado para busca de caminho, árvores de jogos e conhecimento.
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.
Exemplo resolvido: modele um problema como um grafo
- Uma empresa de entregas quer a menor rota entre duas cidades. Descreva como isso é representado como um grafo.
- Cada cidade é um nó; cada estrada é uma aresta unindo dois nós; a aresta carrega um peso, a distância ou o tempo de viagem.
- O problema é então "encontrar o caminho entre os dois nós com o menor peso total", o que o algoritmo de Dijkstra resolve.
- Diga quais são os nós, quais são as arestas e o que os pesos significam. Uma resposta que diz apenas "é um grafo" não obtém pontos.
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select all · todos that apply. · Uma rede rodoviária é modelada como um grafo para encontrar a rota mais curta. Quais afirmações estão corretas? Selecione todas as que se aplicam.
Places are nodes and connections are edges. Saying what the weights represent is the third mark. · Lugares são nós e conexões são arestas. Dizer o que os pesos representam é a terceira 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
O neurônio artificial
- Um neurônio artificial recebe várias entradas. Ele multiplica cada entrada por um peso 权重, soma-os com um bias (viés), e passa o total através de uma função de ativação 激活函数 não linear para produzir sua saída.
- Os pesos são o que a rede aprende. A função de ativação é o que permite à rede representar algo além de uma linha reta: sem ela, qualquer número de camadas colapsaria em uma única fórmula linear.
Multiplique, some e dobre
Put the steps inside one artificial neuron in order. · Coloque as etapas dentro de um único neurônio artificial em ordem.
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula. · Multiplique, some, ative, passe adiante. Sem a ativação não-linear, qualquer profundidade de rede colapsaria em uma fórmula linear única.
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
Camadas, e o que "deep" significa
- Neurônios são organizados em camadas. A camada de entrada recebe os dados. Uma ou mais camadas ocultas 隐藏 layer aprendem padrões internos. A camada de saída produz a resposta, uma classe ou um número.
- Uma rede é chamada de deep quando tem muitas camadas ocultas, e treinar tal rede é deep learning.
- Por que as camadas ocultas importam: em uma rede de imagem, as primeiras aprendem bordas, as do meio formas, as posteriores objetos. Ninguém desenhou essa hierarquia; foi o que o treinamento produziu.
Entrada, oculta, saída, e o aprendizado está nos pesos entre elas
Tap the parts of a neural network · Toque nas partes de uma rede neural
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. · Explore as camadas. Os dados fluem da esquerda para a direita: a camada de entrada pega os recursos, as camadas ocultas aprendem padrões e a camada de saída dá a resposta — com cada conexão carregando um peso que o treinamento ajusta.
Match each part of a neural network to its role. · Combine cada parte de uma rede neural com seu papel.
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights. · Recursos entram na camada de entrada, camadas ocultas aprendem padrões, a camada de saída responde; aprendizado = ajustar os 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. · Uma rede neural é chamada de "profunda" quando tem muitas camadas ocultas, e cada neurônio toma a soma ponderada de suas entradas (mais um bias) antes de aplicar uma função de ativação.
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning. · Empilhar muitas camadas ocultas permite que a rede aprenda padrões mais ricos — treinar tal rede é deep learning.
A neural network is called "deep" when it has: · Uma rede neural é chamada de "profunda" quando ela tem:
Many hidden layers make a deep neural network; training one is deep learning. · Muitas camadas ocultas fazem uma rede neural profunda; treinar uma é deep learning.
During training, the values adjusted inside a neural network are its ____. · Durante o treinamento, os valores ajustados dentro de uma rede neural são seus ____.
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights. · A arquitetura e a função de ativação são escolhidas pelo projetista; o que a rede aprende é armazenado nos 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.
Exemplo resolvido: descreva como um neurônio calcula
- Descreva o que acontece dentro de um único neurônio artificial. [3]
- Cada entrada é multiplicada por seu próprio peso, e os produtos são somados junto com um bias.
- A soma resultante é passada por uma função de ativação, que é não linear.
- O resultado é a saída do neurônio, que se torna uma entrada para os neurônios da próxima camada. Os pesos e o bias são os valores ajustados durante o treinamento.
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.
Marcas que escapam
- Machine learning aprende padrões dos dados; não é "programado passo a passo" e não é mágica. Diga o que ele aprende dos dados.
- "Deep" significa muitas camadas ocultas, não "muito inteligente" ou "muito grande".
- Um grafo é nós e arestas, e uma resposta sobre grafos deve dizer o que cada um representa neste problema.
- Os pesos são o que o treinamento altera. A função de ativação e a arquitetura são escolhidas pelo projetista.
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
Entendeu?
- IA é o objetivo, machine learning aprende padrões dos dados em vez de seguir regras escritas, e deep learning é machine learning com redes neurais de muitas camadas
- um grafo de nós e arestas transforma encontramento de caminho, jogos e representação de conhecimento em busca, usando Dijkstra, A*, minimax, busca em largura e busca em profundidade
- um neurônio artificial multiplica entradas por pesos, soma um bias e aplica uma função de ativação não linear
- camadas executam entrada, oculta, saída; deep significa muitas camadas ocultas, e o aprendizado reside nos pesos