وانغ شين مين التي تم تجميعها من بلوق مجلة الدراسات المهوس

QbitAI المنتجة بت الكم

نتذكر العام الماضي على نحو غير عادي الساخنة، لكنها فشلت في نهاية المطاف إلى دخول الصين بوكيمون العودة لماذا؟ نتحدث عنه اليوم، و "بوكيمون" ذات الصلة.

، يمكن أن يقال هذه السلسلة من الألعاب الصادرة عن نينتندو الاسم الرسمي بوكيمون أن السنوات ال 20 الماضية في العالم الثاني الأكثر مبيعا لعبة فيديو (أولا بطبيعة الحال، سوبر ماريو)، والآن صدرت إلى الجيل السابع ، ولكن أيضا يتم زيادة عدد من شبح 151 من الجيل الأول من 802 فقط.

لاعب يلعب دور مدرب المعالج في اللعبة، لالتقاط روح والقتال جنبا إلى جنب معهم.

802 الجان لا أعرف إذا كان أي شخص يعرف الكامل والمحررين و qubit على أي حال يعرف فقط بيكا تشيو، وما إلى ذلك والأكثر شيوعا، مثل سلسلة المبتدئين:

الشكل (1): بلباسور، تشارمندر وسكويرتل (من اليسار إلى اليمين)

حتى تكون قادرة على الاعتراف الكامل 802 أيضا لا تنتهي. هذه الجان، كل لديه زوج من اثنين من سمات خاصة لاظهار "تقارب عنصري" عندما يواجهون شبح خصائص أخرى موجودة نقاط القوة والضعف. هذا الإعداد هو مثل نسخة متطورة من القماش مقص حجر، شكلت الأساس لنظام القتال، وتحسين كبير في لعبة مثيرة للاهتمام (وصعوبة الذاكرة). كما هو مبين أدناه، أحدث نسخة من بوكيمون هناك 18 نوعا من الصفات:

الشكل 2: بوكيمون 18 نوعا من الصفات، والتي تستخدم عادة مع لون الخلفية للتمييز

إلى النسخة الصينية

لا أتذكر ما الممتلكات قزم قليلا، وسوف تذهب للمساعدة في الرسوم التوضيحية المعالج، ولكن خطيرة، مواظب المهوس الأجانب أعتقد التفاف الشبكة العصبية.

وكتب بلوق وظيفة، لتصنيف المهمة في الممتلكات العفريت البوكيمون التي كتبها التفاف ConvNets الشبكة العصبية، وشبكة يمكن تحديد خصائص الصورة لعبة العفريت من المعالج.

وتفصيله في مجموعة البيانات بلوق لبناء وتدريب وخطوات المعالجة، ونموذج والأداء التحليل المحدد، وكشفت عن البيانات في جيثب، رمز تنفيذ ونتائج التحليل.

في الكم بت (رقم العامة: QbitAI) واجهة الدورة الرد "قزم"، نحن في اللغة الإنجليزية PDF، عنوان جيثب لكم جميعا.

وفيما يلي ترجمة بلوق مجلة الدراسات المهوس

تجهيزها البيانات

حيث حددت البيانات

من أجل تدريب نموذج الشبكة، والحصول على جميع البيانات والمعلومات في لعبة العفريت على Veekun (https://veekun.com/). وتشمل هذه المجموعة البيانات لعبة المعالج من الجيل الأول إلى الجيل الخامس يظهر. نشر في وقت لاحق من السادس، لعبة الجيل السابع هناك روحا جديدة، ولكن الجان استخدام نموذج الرسوم المتحركة ثلاثية الأبعاد، والمستخرجة من التدريب لعبة العفريت الصعب، لا يتم اعتماد التعلم الآلي لهذا الشكل. لذلك، في هذه المقالة، سوف نستخدم فقط بوكيمون قبل خمسة أجيال إطلاق العفريت 649.

الشكل (3): مبتدئين ثلاثة قبالة منطقة من المعالج، يتغير في اللعبة القديمة

يمكننا أن نرى أنه بسبب وظائف مختلفة من الأجهزة لعبة فيديو ومختلفة اللوحة الأصلية اللعبة التطور. في لوحات المفاتيح لعبة فتى نينتندو في كل من نسخة الجيل الأول من المعالج تقريبا أي تغيير في لهجة، ولكن قدمت مجموعة البيانات لهجة بعض المعلومات، مثل بلباسور الأخضر، تشارمندر حمراء، سكويرتل باللون الأزرق. من لعبة فتى لنينتندو DS، وجدنا أن مع الإصدار تطور التحديث، قزم قدم وساق، لم يتغير لهجة فقط، والأشكال ليست هي نفسها.

وفي الوقت نفسه، فإننا نواجه مشكلة نموذجية من مهمة تصنيف الصور، تلك الصورة لديها قرارات مختلفة. على الرغم من كل نسبة الجانب من الصورة هو 1: 1، ولكن الرجاء النظر في المقياس على الصورة أعلاه حدود كل صورة الفرعية، الجيل الأول من صورة اللعبة هو 40 بكسل، وزاد الجيل الخامس إلى 96 بكسل .

وبالإضافة إلى ذلك، تشترك جميع الجان الفضاء في كل صورة ليست هي نفسها. الإصدارات السابقة من روح يبدو مليئة مساحة أكبر في الصورة. وفي نفس البيان، مع تطور الروح، وتغيير حجمها وفقا لذلك.

الشكل (4): الجيل الخامس من اللعبة، جنبا إلى جنب مع بلباسور تتطور إلى العشب الضفدع رائع، Venusaur، وزيادة حجمه أيضا، ونسبة المساحة التي تحتلها الصورة زادت أيضا

مركز صورة

عندما نطبق تقنيات الرؤية الحاسوبية لتحديد الموضوع الرئيسي في الصورة، لا بد من تحديد المربع المحيط، ومركز معالجة الصور، وهي خطوة من:

1.  تحويل صورة ملونة إلى صورة رمادية.

2.  معالجة الصورة مع فلتر سوبل، وإسقاط المعالج الشخصي. مرشح سوبل هو 3 3 التفاف النواة، والتي يمكن أن تكون من صورة التدرج للحصول على مخطط تنسيق الجسم.

3.  سد الثغرات في الصورة، معالج البيانات الشخصية اكتسابها؛

4.  حساب مساحة الحد الأدنى يمكن تضمينها في الملف الشخصى كل بكسل.

5.  تحديد حجم المربع المحيط وفقا للكفاف مربع المعالج.

6.  يتم ضبط المربع المحيط مستطيلة إلى 64x64 بكسل.

الشكل 5: الكامل قزم معالجة الصور خطوة تركزت

بعد اتباع الخطوات المذكورة أعلاه، يمكننا الحصول على الجسم العفريت إلى معدل ملء تعظيم. وعملية تركزت عملية الجان، وهذه الطريقة فعالة جدا. لأن لدينا للتعامل مع الصورة هو بسيط جدا، تتكون صورة المعالج وخلفية بيضاء.

وأخيرا، ونحن نتعامل مع كل من صورة الجان في هذا السبيل.

الشكل (6): نتائج الجيل الخامس من المعالج تركزت أكثر

متغير الهدف

الآن ونحن نتعامل مع كل من العفريت لبناء مجموعات بيانات الصور لدينا، فإننا تصنيفها وفقا لمتغيرات أن توقع. في هذه المقالة، سوف نستخدم فقط صورتها لتحديد السمات الصحيحة لكل العفريت. في الشكل 7، ونحن نحاول استخدام الصورة داخل المربع المحيط، قزم تصنف بشكل صحيح في سمة من 18.

الرقم 7: الجان وسمات يناظرها الإرسال: رائع العشب الضفدع (يسار) وموجة (يمين) الجانب السلبي: ثعبان كبير الصلب (يسار) وجو شيشو (يمين)

ولكن لا تزال هناك مشكلة، أكثر من الجان له خصائص مزدوجة، وهذا هو، وهو المعالج من على حق الملكية هو مزيج من اثنين من سمات مختلفة من 18 منشأة. على سبيل المثال، في FIG 7، السمة رائع العشب الضفدع العشب وسمية، ولكن أيضا لديه نقاط القوة والضعف في الخاصيتين.

إذا كنت ترغب في حل هذا النوع من الحالات، نحن بحاجة إلى مزيج من سمات لتصنيف. حتى لو تجاهلنا ترتيب الصفات، و سمات خصائص في نفس الفئة، وإزالة مزيج غير موجود، ونحن في نهاية المطاف مع 154 الطبقات الممكنة.

والأسوأ من ذلك، كما هو مبين، بعض مجموعات نادرة 8، واحد فقط أو اثنين بوكيمون، مما يحد من عينات للتعلم.

الرقم 8: بعض مزيج نادر من سمات الإرسال: الحمم الحلزون (يسار) والسكر يو الكرة (يمين) الهابطة: زهرة روك غريب (يسار) والوحش النار الصلب (يمين)

لهذه الأسباب، قررت أن تتجاهل روح محفظة عقارية. ولذلك، فإننا ننظر فقط إلى السمات الرئيسية المعالج. إلى قزم في الشكل 7، على سبيل المثال، فإننا سوف نضع على هذا النحو:

رائع ضفدع العشب: العشب

بوبو: عام

ثعبان كبير الصلب: الصلب

جو شيشو: صخرة

تدريب نموذج

اختر الموديل

أتوقع أن يتحقق من خلال مجموعة من الشبكة العصبية التفاف البيانات. أولا، دعونا ننظر في في الشبكة العصبية.

وفقا لمقدمة ويكيبيديا، الشبكة العصبية هي آلة تستخدم عادة تعلم النماذج التنبؤية، مترابطة شبكات وحدات بسيطة تسمى الخلايا العصبية تكوين الطبيعة. عن طريق المحاكاة بسيطة من سير العمل الداخلي في النظم البيولوجية، والشبكات العصبية يمكن أن تنفذها وظيفة معقدة، وأنماط من هذه الخلايا العصبية.

أبسط شكل من الخلايا العصبية فقط وظيفة خطية من المدخلات يمكن أن تتحقق من خلال الجمع بين وظيفة التنشيط غير الخطية، كما هو مبين أدناه:

الرقم 9: وحدة قاعدة الشبكة العصبية

ومع ذلك، فإن الطبقات العميقة من الشبكة، والشبكة العصبية لبناء المراسلات التي تزداد تعقيدا بين المتغيرات المستقلة والتابعة، كما هو مبين أدناه:

الشكل 10: A قليلا أكثر تعقيدا، وجود هيكل طبقة الشبكة العصبية الخفية

ومنذ بداية عام 1940، كان هناك بالفعل شبكات العلماء العصبية، ولكن هناك مشكلة التحسين المحلية المفرط والحساب، فقد كان التطور البطيء. في السنوات الأخيرة، جنبا إلى جنب مع زيادة كبيرة أداء الحوسبة، وكذلك يقترح خوارزمية العودة انتشار والتنمية، والشبكة العصبية تم مرة أخرى عن قلقها من عدد كبير من العلماء.

حسنا، لدينا فهم أفضل للشبكة العصبية. ولكن ما هي "التفاف" يشير إلى ما هو عليه؟ علينا أولا إدخال النواة.

في معالجة الصور، والنواة، وتسمى أيضا التفاف المصفوفة، في طمس، شحذ، والكشف عن الحافة وغيرها من مصفوفة صغيرة تستخدم في هذه المهمة. نحن التفاف المصفوفة من خلال وضع نواة مناسبة، وتوليد كائن صورة جديدة لتحقيق التأثير. أمام هذه الخطوة، وقد استخدمنا نواة: بيانات تجهيزها باستخدام سوبل نواة للكشف عن حواف العفريت.

الشكل 11: تأثير الضفدع رائع المعالج تنفق تطبيق المشغل سوبل

ويمكن رؤية عملية التفاف باعتبارها نواة الالتواء لاجتياز على الصورة. وفقا لقيمة العنصر نواة من العناصر، بضرب القيم الرمادية في الصورة، وإضافة النتائج إلى الحصول على القيمة النهائية للالتفاف. في تطبيقات، يمكننا استخدام الرأسي مرشح سوبل بالكشف عن تغييرات كبيرة في كثافة اللون.

الشكل 12: تطبيق فلتر حافة العمودي أحمر أبرز منطقة الملتوية، وبالتالي الحصول على القيمة النهائية للمصفوفة مولد الحمراء

ولكن هذه النواة الإلتواء والشبكات العصبية لها أي علاقة؟ ويتم تنفيذ التلافيف شبكة طبقة العصبية في الواقع عن طريق وصلات طريقة ذكية بين الخلايا العصبية، وبالتالي تحقيق المصنف، والتي يمكن التعرف على هذه الفلاتر الخاصة عن طريق التعلم تحت إشراف. في خطوة المعالجة، سوف نستخدم نواة بنية معينة، لأننا نفهم ما بنية أساسية قادرة على إكمال المهمة من استخراج المخطط. ولكن في التفاف العصبية خوارزمية شبكة التدريب وسنجد تلقائيا هيكل خاص من مرشح، ومن خلال مزيج متعدد المراحل لتمثيل الميزات المتقدمة التي تزداد تعقيدا.

لدينا بنية الشبكة العصبية

لالمعالج مهمة تصنيف، وأنا استخدم الشبكة العصبية أربعة الإلتواء.

الشكل 13: هيكل الشبكة العصبية هنا الجان تصنيف استخدام

كل طبقة من الشكل أعلاه، يتوافق مع التفاف في طبقة الشبكة. بعد كل من طبقات، ونحن الحصول على عروض موتر حالة من طبقة الإنتاج، حق كل طبقة هو البعد موتر المعلن.

ثم، عملية التفاف من قبل طبقة التفاف نواة الالتواء. في الطبقة الأولى، طبقنا لإدخال 32 لأبعاد الصورة 5 من نواة الالتواء، مما أدى إلى حجم 32 إلى 60 60 مخرجات المصفوفة. تطبق على تأثير الصورة الحدود من عملية الالتواء، مما أدى إلى انخفاض الناتج البعد المصفوفة.

كما استخدمنا أقصى طبقة الخلايا، عن طريق استخراج منطقة الحد الأقصى من الموترة، التي حلت محلها قيمة واحدة. ولذلك، بعد تطبيق من أكبر برك من 2 2 العملية، وحصلنا على موتر جديد، سوى ربع موتر حجمها الأصلي.

الشكل 14: عملية تجمع أقصى المثالي

وأخيرا، سوف نتوسع موتر هو متجه ذات بعد واحد، ثم يقدر كطبقة مرتبطة ارتباطا كاملا. أخيرا، وهو نفس العدد من الغدد والطبقة الناتج 18، والسمة العفريت.

تدريب والتحقق من صحة

لتدريب نموذج التصنيف المعالج، ونحن سوف بيانات ينقسم إلى قسمين:

1) مجموعة التدريب شبكات التدريب والتعلم المعلمات نموذج من البيانات؛

2) ويتم الحصول على مجموعة الاختبار المستخدمة للتحقق من صحة نموذج الأداء التنبؤ.

وبهذه الطريقة، سوف تكون قادرة على تحديد ما إذا كان أو تتورط في شبكة التدريب عن طريق تركيب دقة، خطأ الاختبار.

ولكننا لا يمكن تحديده من خلال تقسيم عشوائيا مجموعتي البيانات. لأن مختلفة ألعاب "بوكيمون"، وخاصة بين أجيال مختلفة من نفس اللعبة، بنفس روح اللوحة الأصلية هي مشابهة جدا.

الشكل 15: معظم الطيور في النسخة جوهرة اللوحة الأصلية (يسار) والإصدار الماس (يمين) في الداخل. تستطيع أن ترى الفرق بين اثنين من أنت؟ اضغط هنا للدخول وصف الصورة

إذا كان تقسيم عشوائي من مجموعة البيانات الأصلية، ومجموعة التدريب ومجموعة التحقق من صحة قد تكون عدة عينات هو تقريبا نفسه، والذي من شأنه أن يؤدي إلى المبالغة في تقدير أداء نموذج الشبكة. هكذا يا كامل مجموعة من الصور يتم تعيين كافة الجان إلى مجموعة البيانات نفسها، وليست مقسمة عشوائيا صورة العفريت. وهذا هو، إذا تم تعيين تنين ينفث النار في مجموعة المصادقة، ثم سيتم تقسيم جميع الصور في مجموعة المصادقة، بحيث يمكنك القضاء على مشكلة نموذج المبالغة.

وسوف يكون 20 من المعالج كمجموعة اختبار، و 80 من المعالج كمجموعة التدريب، والتي هي مجموعة التدريب لديها 2727 عينات العفريت.

مؤشرات الأداء

هذه المقالة سوف تستخدم مؤشرات الأداء الثلاثة لتقييم أداء نموذج تصنيف:

1) الدقة (الدقة): في عملية التنبؤ، يمكن للمعالج ويعزو مئوية من تصنيفها بشكل صحيح؛

2) الدقة (الدقة): صور تنتمي حقا إلى فئة مئوية من إجمالي الدرجة التي تعزى الصور.

3) إستدعاء (تذكر): هذه الفئة تصنف الصورة بشكل صحيح كنسبة مئوية من فئة كافة الصور.

وبالرغم من أن دقة النموذج قادرا على تقييم الجودة العامة للتدريب، ولكن دقة والذاكرة يساعدنا على قياس تأثير محددة لكل فئة من فئات النماذج التنبؤية.

النموذج الأول: تدريب بسيط

عندما المحاولة الأولى في الحفاظ على تدريب والتحقق من صحة يحدد مستقلة عن بعضها البعض، وتدريب الشبكة العصبية مع العفريت الأصلي. تشغيل خوارزمية 20 خطوات، لم يستغرق الأمر سوى حوالي دقيقة واحدة، وقد تدربوا جميعا في نسبة المناسبة صلت إلى 100. وتظهر نتائج التدريبية الأولى في FIG.

الشكل 16: الأداء الأول من مجموعة التدريب نموذج التصنيف

حتى متحمس، كل تصنيف الجان هو الصحيح تماما! ولكن هذه المؤشرات نيابة عن نموذج شبكة للتنبؤ أداء ذلك؟ في الواقع، هذه المؤشرات توحي بأننا، وكان هذا النموذج تناسب تماما مجموعة البيانات التدريب، ولكن لا يمكن أن تكون مؤشرا جيدا للبيانات جديدة. دعونا التحقق: يبين الشكل التالي الأداء المتوقع من مجموعة التحقق من صحة النموذج.

الشكل 17: الأداء الأول من مجموعة التحقق من صحة النموذج تصنيف

على الرغم من أن تأثير نموذج التصنيف الحالي هو أفضل من التخمين العشوائي، ولكن شبكة موجود overfitting.

والغريب في الأمر، لماذا هناك أي سمة المقابلة تحلق ساحرة؟ في الواقع، إلا أن الجان اعصار رحلة السحابية هي جزء من الممتلكات، ولكن وهي مقسمة إلى مجموعة التدريب.

الشكل 18: مجموعة البيانات المتوفرة لدينا، اعصار السحابية هي العفريت رحلة الخاصية فقط

النموذج الثاني: تحسين صورة

على التنبؤ من مجموعة التحقق من صحة، والأداء الضعيف للنموذج الأول. كما ذكر في المقدمة، الكمبيوتر لا تزال تحاول حل مشكلة تصنيف الصورة. ليس هناك تغيير كبير في عدد قليل جدا من الأسئلة ومجموعة البيانات لدينا، مما يجعل هذا النموذج يتم تدريب خوارزمية لا تملك خصائص التعميم.

لحل هذه المشكلة، ونحن نطبق صورة تقنية تحسين. ونحن من خلال تدريب مجموعة صورة التحول العشوائي، لتعزيز تغيرها. يتم عكس الاتجاه سواء بيكاتشو أو مائلا إلى حد ما، والبشر قادرون على تحديد بدقة، ونأمل أن تدريب نموذج لديه أيضا هذه الميزة.

ولذلك، يمكننا أن نجعل من التحويل التالية من البيانات تدريب مجموعة:

1) حتى تناوب عشوائية من 40 درجة؛

2) مستوى عشوائي تصل إلى 20 من عرض للتحول الصورة؛

3) ما يصل الى 20 من الارتفاع العمودي للصورة في تحول عشوائي.

4) ما يصل الى 20 من التضخيم عشوائي.

5) مرآة العمودية.

6) في حدود 0.2 راديان، والتحول القص.

الشكل 19: لتنفيذ بلباسور سلسلة من الصور التي تم الحصول عليها بعد عملية تحسين الصورة

وسوف تعزز يتم تطبيق التحول أعلاه لجميع الجان في مجموعة التدريب، ويمكن لكل صورة العفريت توليد 10 صور جديدة. في هذه الطريقة، ونحن توسيع حجم عينة من مجموعة التدريب إلى 27270 أكثر. بعد العملية لمثل هذه، سواء لتصنيفها بشكل صحيح؟ الخوارزمية الترشح لأكثر من 30 خطوة، مع أكثر من 10 دقيقة، ونتائج التدريب كما هو مبين أدناه:

الشكل 20: أداء تصنيف النموذج الثاني في مجموعة التدريب

مهلا، نحن نموذج لتدهور الأداء؟ يجب تحسين صورة تقنية لا تجعل أداء التنبؤ بلدي من طراز شبكة لتصبح أفضل؟

لا الاستنتاج تقلق، نحن لا يمكن التوصل إلى استنتاج بناء على نتائج تصنيف مجموعة التدريب. الانخفاض العام في نموذج التنبؤ الأداء ويرجع ذلك إلى زيادة في تغيير مجموعة التدريب، إذا كان يترجم إلى أفضل مجموعة التحقق من صحة الأداء والتصنيف، وهذا ينبغي أن يكون الخبر السار.

الشكل 21: ثاني مجموعة التحقق من صحة نموذج الأداء تصنيف

وتبين لنا أن وتقنيات تحسين الصورة تساعد على تحسين أداء نموذج التنبؤ، زادت دقة التنبؤ مجموعة التحقق من صحة بنسبة 14 إلى 39. يمكننا تغيير المعلمات من نموذج أو الأمثل فائقة هيكل التفاف للشبكة، للحصول على نموذج التنبؤ على نحو أفضل، ولكن نأمل أن أعمال المتابعة إلى أن يتم القراء.

لدراسة نتائج تصنيف

والنتيجة الرئيسية للقانون ونحن بحاجة إلى أن استخراج. الدقة هي الخصائص التالية عالية:

النار: 61

المياه: 54

سمية: 54

العشب: 47

الكهرباء: 46

أعلى نذكر الخصائص التالية:

الشر: 92

النار: 74

المياه: 55

العامة: 49

العشب: 42

هذه النتيجة ليس من المستغرب والنار والماء والعشب في الصفات الثلاث الرئيسية من هذين المؤشرين من بين الخمسة الاوائل. وذلك لأن لون هذه الصفات لديه ارتباط، الذي يستخرج بسهولة من الصورة في المعلومات العفريت. هذه الصفات الثلاثة تنتمي إلى الكثير من الروح، لذلك هناك الكثير من التدريب عينات لتعلم نموذج.

الآن نلقي نظرة على المعالج المرجح أن تصنف بشكل صحيح وليس من المرجح أن تصنف بشكل صحيح:

الشكل (22): دقة عالية العفريت الإرسال: سكويرتل، بيكا تشيو، Koudai زهرة السطر: Moltres، والطبقات جيلا، قصف النينجا

الشكل 23: انخفاض دقة العفريت الإرسال: هاو لي، عمون الله، لوجيا السطر: GARDEVOIR، ملعقة ثعبان والمياه ابراهيموفيتش

حتى في هذا صغر حجم العينة من مجموعة البيانات، يمكننا أن نرى هذا اللون يلعب دورا هاما في فئة الروح. على سبيل المثال، في المعالج أساء تصنيف بسهولة، هو هاو لي من المرجح جدا أن تصنف على أنها نوع السامة، قد تكون ناجمة عن لون الجسم هو الخطأ في التصنيف الأرجواني. وبالمثل، قد يكون ثعبان المقرر أن ملعقة الظلام، ومخطئ من الشر نوع ينقسم.

حسنا، قد لا نعرف أبدا لماذا لا يوجد مثل هذه النتيجة. عيب واحد باستخدام الشبكة العصبية العميقة لتصنيف نموذج الشبكة ما يعادل "الصندوق الأسود"، وهناك العديد من العلماء في دراسة الشبكة العصبية المستفادة من الميزات تصنيف الصور المجردة.

الآن، يمكننا أن نلاحظ المكتسبة تحت الطبقة الأولى من نواة الالتواء يضم خرائط، في محاولة لفهم نواة الالتواء النظر في أي نوع من الصور الميزات. ولكن مع تعميق عمق طبقات من الشبكات العصبية، نحن من الصعب على نحو متزايد لتحديد مجموعة من المزايا التجريد على مستوى عال.

الشكل 24: وأول عملية طبقة التفاف نواة لجيل تأثير الصورة الأولى التي تم الحصول عليها مبتدئين العفريت

استنتاج

معدل دقة التنبؤ النموذج هو فقط 39، قد لا تكون مرضية جدا. لكننا نريد الاستفادة من مجموعات البيانات عينة صغيرة لتحقيق تصنيف 18 فئة من الروح، ليست بهذه البساطة. قواعد لدينا نموذج من الصفر الأساس أعلى 20 دقة التصنيف. يبين الجدول (1) وتردد كل السمة التي تظهر في العفريت على اختبار تعيين أعلى من الصفر الأساس قواعد 19.5 من الدقة.

الجدول 1: يظهر المعالج جناح اختبار التردد

إذا، ومع ذلك، فإننا نتوقع الكمبيوتر يوم واحد تصبح أفرلورد الروبوت على الأرض، ينبغي لنا أن استخدام مثل هذه الطريقة الخرقاء لقياسها. إذا كنت تريد جهاز الكمبيوتر الخاص بك على نحو أفضل من أخي المعترف بها العفريت الطفل، وأنه بحاجة إلى العمل بجد.

ماذا قلق المجتمع AI اليوم ؟

في الكم بت (QbitAI) جلسة علنية واجهة رقم الرد " اليوم "لترى مجموعة من المعلومات والبحوث تطورات الصناعة AI. الغيارات ~