ห้องสีฟ้าหนาแน่นไปด้วยความเข้มข้น ที่โต๊ะตรงกลางให้ฝ่ายตรงข้ามสองคนนั่งจ้องไปที่กระดานหินอ่อนสีดำและขาวที่เคลื่อนไปอย่างเงียบๆ ในที่สุดผู้เล่นทางด้านขวาก็ลาออก ลี เซโดล ปรมาจารย์ 9-dan Go ทางด้านซ้ายคือ Aja Huang นักพัฒนาซอฟต์แวร์ที่ได้รับคำแนะนำจาก ซึ่งเป็นโปรแกรมคอมพิวเตอร์ที่พัฒนาโดยโครงการ ในเดือนมีนาคม 2016 เพิ่งเอาชนะหนึ่งในผู้เล่นที่เก่งที่สุดในโลกถึงสี่ในห้าแมตช์
ของเกมกระดาน
ยอดนิยม Go ความสำเร็จของ AlphaGo ได้รับการยอมรับอย่างกว้างขวางว่าเป็นความสำเร็จครั้งสำคัญในการวิจัยปัญญาประดิษฐ์ Go เป็นเกมที่ซับซ้อนกว่าหมากรุก ซึ่งคอมพิวเตอร์เอาชนะแชมป์โลกได้เป็นครั้งแรกในปี 1997 ใน Go การสำรวจกลยุทธ์ทั้งหมดโดยใช้กำลังดุร้าย ซึ่งการเคลื่อนไหวที่เป็นไปได้
ทั้งหมดได้รับการประเมินเพื่อตัดสินใจเลือกการเคลื่อนไหวที่ดีที่สุด ไม่ใช่ ตัวเลือก; มีตำแหน่งหินอ่อนที่เป็นไปได้มากกว่าที่มีอะตอมในจักรวาล และโปรเซสเซอร์คอมพิวเตอร์ 2200 ตัวที่ให้พลังสำหรับเกมนั้นมีน้ำหนักเบาเมื่อเทียบกับซูเปอร์คอมพิวเตอร์ในปัจจุบัน ความลับของความสำเร็จ
อยู่ที่ระบบการฝึกที่เข้มงวดกับคู่ซ้อมพิเศษ ซึ่งก็คือซอฟต์แวร์นั่นเอง เพื่อเป็นหุ้นส่วนการฝึกอบรมที่คู่ควรการเรียนรู้ของเครื่องสามารถเข้าใจได้ว่าเป็นด้านข้อมูลของปัญญาประดิษฐ์ ซึ่งมักจะเกี่ยวข้องกับข้อมูลจำนวนมากหรือ “ข้อมูลขนาดใหญ่” เช่นเดียวกับการเรียนรู้ของมนุษย์ การเรียนรู้
ของเครื่องเกี่ยวข้องกับการป้อนอินสแตนซ์ของปัญหาจำนวนมากลงในคอมพิวเตอร์ที่ได้รับการตั้งโปรแกรมให้ใช้รูปแบบในข้อมูลเพื่อแก้ปัญหาอินสแตนซ์ที่มองไม่เห็นก่อนหน้านี้ ตัวอย่างเช่น คอมพิวเตอร์สามารถป้อนรูปภาพจำนวนมากของบุคคลใดบุคคลหนึ่ง จากนั้นจึงกำหนดรูปภาพใหม่ก่อน
ที่จะถูกถามว่าเป็นคนคนเดิมหรือไม่ ปมคือเราไม่รู้ว่าเราเชื่อมโยงสิ่งเร้าที่มองเห็นกับแนวคิดของการจดจำบุคคลในภาพได้อย่างไร กล่าวอีกนัยหนึ่ง ไม่มีความสัมพันธ์ง่ายๆ ระหว่างพิกเซลที่ตำแหน่ง (1334, 192) ที่เป็นสีแดงและรูปภาพที่มี Sivu เพื่อนของเรา ซึ่งเราสามารถตั้งโปรแกรมให้คอมพิวเตอร์
ใช้ประโยชน์ได้
สิ่งนี้เกี่ยวข้องกับฟิสิกส์อย่างไร และแม่นยำยิ่งขึ้นกับฟิสิกส์ควอนตัม คอมพิวเตอร์ที่ใช้ซอฟต์แวร์ อิงตามฟิสิกส์คลาสสิก ข้อมูลถูกประมวลผลโดยวงจรไมโครอิเล็กทรอนิกส์ที่ควบคุมสัญญาณของศูนย์และหนึ่ง และวงจรเหล่านี้เป็นไปตามกฎของไฟฟ้าพลศาสตร์แบบดั้งเดิม แต่เป็นเวลากว่าสองทศวรรษแล้ว
ที่นักฟิสิกส์ได้คิดใหม่เกี่ยวกับแนวคิดของคอมพิวเตอร์ตั้งแต่เริ่มต้น จะเกิดอะไรขึ้นถ้าเราสร้างคอมพิวเตอร์ตามกฎของทฤษฎีควอนตัม อุปกรณ์ดังกล่าวจะเปลี่ยนขีดจำกัดของสิ่งที่คำนวณได้โดยพื้นฐานหรือไม่ ปรากฎว่าคำตอบไม่ได้ง่ายนักแม้ว่าวันนี้เราจะเข้าใจคำถามดีขึ้นมาก
แม้ว่าเราจะยังไม่สามารถสร้างคอมพิวเตอร์ควอนตัมให้ใหญ่พอที่จะแก้ปัญหาที่เกิดขึ้นจริงได้ หลายภาษาที่มีประสิทธิภาพได้รับการพัฒนาเพื่อกำหนดและศึกษา “อัลกอริธึมควอนตัม” ซึ่งเป็นซอฟต์แวร์สำหรับคอมพิวเตอร์ควอนตัมจากมุมมองทางทฤษฎี ความพยายามในการวิจัยนี้ได้ออกจากขอบเขต
ของความสนใจทางวิชาการเพียงอย่างเดียว และดำเนินการในห้องปฏิบัติการของบริษัทไอทีขนาดใหญ่ เช่น Google และ IBM เมื่อการรับรู้ดูเหมือนจะแน่นอนมากขึ้นเรื่อยๆ ความกดดันในการหา “แอพนักฆ่า” สำหรับควอนตัมคอมพิวติ้งก็เพิ่มมากขึ้น นี่คือที่มาของการเรียนรู้ของเครื่อง
เนื่องจากเรารู้ว่าภาษาคอมพิวเตอร์ควอนตัมจะพูดได้ในสักวันหนึ่ง เราจึงเริ่มคิดถึงผลกระทบที่จะมีต่อขอบเขตของแมชชีนเลิร์นนิงได้แล้ว วิธีการนี้เรียกว่าการเรียนรู้ของเครื่องที่ปรับปรุงด้วยควอนตัมและเป็นส่วนหนึ่งของสาขาการวิจัยขนาดใหญ่ของการเรียนรู้ของเครื่องควอนตัม
(ซึ่งตรวจสอบวิธีการที่ตรงกันข้ามกับการใช้การเรียนรู้ของเครื่องแบบดั้งเดิมเพื่อวิเคราะห์ข้อมูลจากการทดลองควอนตัม) ในการรับแนวคิดเกี่ยวกับแมชชีนเลิร์นนิงที่ปรับปรุงด้วยควอนตัม ก่อนอื่นต้องเข้าใจว่าแมชชีนเลิร์นนิงทำงานอย่างไร และ “ศิลปะสีดำ” ที่เกี่ยวข้องในการใช้ให้เกิดประโยชน์สูงสุด
การเรียนรู้
ของเครื่องวิธีที่รวดเร็วในการเข้าถึงแนวคิดของแมชชีนเลิร์นนิงคือการปรับข้อมูลให้เหมาะสม ซึ่งเป็นแบบฝึกหัดที่นักวิทยาศาสตร์ส่วนใหญ่พบเจอระหว่างการศึกษาระดับปริญญาตรี และเป็นหนึ่งในหลายวิธีที่ใช้ในการกู้คืนรูปแบบหรือแนวโน้มของข้อมูล สมมติว่าคุณเรียกใช้การทดสอบที่สร้างจุดข้อมูล
( x , y ) สำหรับการตั้งค่าพารามิเตอร์ควบคุมxและการวัดผลลัพธ์y ในฐานะนักฟิสิกส์ คุณต้องการแบบจำลองที่สามารถอธิบายผลการวัดเหล่านี้ได้ กล่าวอีกนัยหนึ่ง คุณต้องการค้นหาความสัมพันธ์y = f(x)ที่สร้างข้อมูลในระดับหนึ่ง ซึ่งทำได้โดยการป้อนข้อมูลการทดลองลงในคอมพิวเตอร์และใช้ซอฟต์แวร์
การแก้ปัญหาการเพิ่มประสิทธิภาพนั้นสำเร็จไปแล้วครึ่งหนึ่งสำหรับการเรียนรู้ของเครื่อง ซึ่งตอนนี้เราสามารถใช้ฟังก์ชันแบบจำลองที่ดีที่สุดในการทำนายผลการวัดสำหรับพารามิเตอร์ควบคุมใหม่โดยไม่ต้องทำการทดลองจริง แน่นอนว่าในแอปพลิเคชันแมชชีนเลิร์นนิงส่วนใหญ่ เราสนใจการทดลอง
ทางกายภาพน้อยกว่างานที่ต้องใช้ประสบการณ์ของมนุษย์แบบดั้งเดิม ตัวอย่างเช่นxอาจแทนชุดของตัวแปรเศรษฐกิจมหภาค และ y หมายถึงพัฒนาการของราคาน้ำมันในสัปดาห์หน้า ถ้าเราได้โมเดลy = f(x)จากข้อมูลเราสามารถใช้คาดการณ์ราคาน้ำมันในวันพรุ่งนี้ได้ อีกทางหนึ่ง อินพุตอาจเป็นพิกเซล
ของภาพและเอาต์พุตเป็นคำตอบใช่หรือไม่ใช่ว่า Sivu เพื่อนของคุณอยู่ในภาพหรือไม่ ซึ่งในกรณีนี้ซอฟต์แวร์การเรียนรู้ของเครื่องจะใช้สำหรับการจดจำภาพ สิ่งหนึ่งที่แอปพลิเคชันส่วนใหญ่มีเหมือนกันคือช่วยให้เราสามารถตอบคำถามเกี่ยวกับความสัมพันธ์ที่ซับซ้อน ซึ่งคำตอบนั้นคุ้มค่ากับเงินที่เสียไปมากจนถึงตอนนี้ฟังดูค่อนข้างตรงไปตรงมา สิ่งที่คุณต้องทำคือแก้ปัญหา
Credit : ฝากถอนไม่มีขั้นต่ำ / สล็อตแตกง่าย
