AI Crash Course: Grundlæggende terminologi for kunstig intelligens-investorer - American Institute for Crypto-investorer

Genudgivet af Platon

Abonnenter: 0

En af mine topregler for investorer i digitale aktiver er at kunne forklare dine investeringer, men med AI, der udvikler sig så hurtigt, som man kan sige kunstig intelligens, er det lettere sagt end gjort.

Især når sætninger som deep learning, neurale netværk og naturlig sprogbehandling bliver kastet rundt, som om de er grundlæggende engelsk.

AI-indlæringskurven kan være endnu stejlere for nye investorer. Da jeg først kom ind på dette marked, forstod jeg måske 10% af det, jeg læste. Men når jeg først kunne definere en grundlæggende AI-relateret jargon, så forstod jeg endelig omfanget af, hvad denne teknologi kunne gøre. Og derefter Jeg var i stand til at forklare mine investeringer.

For at hjælpe dig med at gøre det samme har jeg sammensat flashcards med grundlæggende AI-terminologi for at hjælpe dig med at forstå, hvordan det virker, og hvorfor det er værdifuldt.

Der er også en hurtig video, som jeg vil have dig til at se, hvor jeg vil lede dig gennem hver definition og give eksempler på, hvordan den relaterer til kunstig intelligens.

Start dit AI lynkursus her...

Trin et: Start med at se det 15-minutters lynkursus, hvor jeg vil dække 16 grundlæggende definitioner, som enhver AI-investor bør kende.

Trin to: Brug flashkortene nedenfor til at studere disse definitioner. Du behøver ikke at huske dem perfekt, men du bør være i stand til at forklare vilkårene for en anden.

Her er definitionerne, som du kan referere til:

Maskinelæring: En delmængde af kunstig intelligens, der involverer udvikling af algoritmer og statistiske modeller, der gør det muligt for computere at lære af data og foretage forudsigelser eller beslutninger uden at være eksplicit programmeret til at gøre det.
Dyb læring: En undergruppe af maskinlæring, der bruger kunstige neurale netværk med mange lag for at sætte computere i stand til at lære af store mængder ustrukturerede data.
Naturlig sprogbehandling (NLP): En delmængde af kunstig intelligens, der involverer at lære maskiner at forstå, fortolke og reagere på menneskeligt sprog.
Robotik: Et felt af AI, der involverer design og udvikling af robotter, som er maskiner, der kan udføre opgaver autonomt eller med menneskelig vejledning.
Computervision: En undergruppe af kunstig intelligens, der involverer at lære computere at fortolke og analysere billeder og videoer.
Neurale netværk: En type maskinlæringsmodel, der er inspireret af den menneskelige hjernes struktur og funktion.
Forstærkende læring: En type maskinlæring, der involverer træning af agenter til at foretage handlinger i et miljø for at maksimere et belønningssignal.
Natural Language Generation (NLG): En delmængde af naturlig sprogbehandling (NLP), der involverer undervisning af maskiner til at generere menneskelignende sprog.
Ekspertsystemer: AI-systemer, der efterligner beslutningsevnerne hos en menneskelig ekspert på et bestemt domæne.
Data mining: Processen med at opdage mønstre og indsigt i store datasæt ved hjælp af statistiske og beregningsmetoder.
Big Data: Ekstremt store datasæt, der kan analyseres for at afsløre mønstre, tendenser og associationer, især relateret til menneskelig adfærd og interaktioner.
Kunstig intelligens etik: Studiet af de etiske, sociale og politiske implikationer af AI-systemer og -applikationer.
Forklarelig AI: AI-systemer og modeller, der kan give forklaringer eller begrundelser for deres beslutninger eller forudsigelser.
Generative Adversarial Networks (GAN): En type deep learning-model, der involverer to neurale netværk, det ene genererer falske data og det andet skelner mellem ægte og falsk data.
Convolutional Neural Networks (CNN'er): En type neuralt netværk, der almindeligvis bruges til billedgenkendelse og computersynsopgaver.
Hallucinationer (i AI): Fænomenet, hvor en stor sprogmodel genererer tekst, der fremstår som sammenhængende og meningsfuld, men som faktisk ikke er funderet i virkeligheden eller baseret på faktuelle oplysninger.