AI Crash Course: Basic Terminology For Artificial Intelligence Investors - American Institute For Crypto Investors

Ripubblicato da Platone

Seguaci: 0

Una delle mie regole principali per gli investitori di risorse digitali è essere in grado di spiegare i propri investimenti, ma con l'intelligenza artificiale che avanza alla velocità con cui si può dire intelligenza artificiale, è più facile a dirsi che a farsi.

Soprattutto con frasi come deep learning, reti neurali ed elaborazione del linguaggio naturale che vengono lanciate come se fossero un inglese di base.

La curva di apprendimento dell'IA può essere ancora più ripida per i nuovi investitori. Quando sono entrato per la prima volta in questo mercato, ho capito forse il 10% di quello che stavo leggendo. Ma una volta che ho potuto definire un gergo di base relativo all'IA, è stato allora che ho finalmente compreso l'entità di ciò che questa tecnologia potrebbe fare. E poi Sono stato in grado di spiegare i miei investimenti.

Per aiutarti a fare lo stesso, ho messo insieme delle flashcard con la terminologia di base dell'IA per aiutarti a capire come funziona e perché è preziosa.

C'è anche un breve video che voglio che tu guardi dove ti guiderò attraverso ogni definizione e fornirò esempi di come si collega all'IA.

Inizia qui il tuo corso accelerato di intelligenza artificiale...

Fase uno: Inizia guardando il corso intensivo di 15 minuti in cui tratterò 16 definizioni di base che ogni investitore di intelligenza artificiale dovrebbe conoscere.

Fase due: Usa le flashcard qui sotto per studiare queste definizioni. Non devi memorizzarli perfettamente, ma dovresti essere in grado di spiegare i termini a qualcun altro.

Ecco le definizioni a cui fare riferimento:

Machine Learning: Un sottoinsieme dell'intelligenza artificiale che comporta lo sviluppo di algoritmi e modelli statistici che consentono ai computer di apprendere dai dati e fare previsioni o decisioni senza essere esplicitamente programmati per farlo.
Apprendimento approfondito: Un sottoinsieme di machine learning che utilizza reti neurali artificiali con molti livelli per consentire ai computer di apprendere da grandi quantità di dati non strutturati.
Elaborazione del linguaggio naturale (PNL): Un sottoinsieme dell'intelligenza artificiale che implica insegnare alle macchine a comprendere, interpretare e rispondere al linguaggio umano.
Robotica: Un campo dell'intelligenza artificiale che coinvolge la progettazione e lo sviluppo di robot, che sono macchine in grado di eseguire compiti in modo autonomo o con la guida umana.
Visione computerizzata: Un sottoinsieme dell'intelligenza artificiale che consiste nell'insegnare ai computer a interpretare e analizzare immagini e video.
Reti neurali: Un tipo di modello di apprendimento automatico che si ispira alla struttura e alla funzione del cervello umano.
Insegnamento rafforzativo: Un tipo di apprendimento automatico che prevede l'addestramento degli agenti affinché intraprendano azioni in un ambiente per massimizzare un segnale di ricompensa.
Generazione del linguaggio naturale (NLG): Un sottoinsieme dell'elaborazione del linguaggio naturale (NLP) che prevede l'insegnamento alle macchine per generare un linguaggio simile a quello umano.
Sistemi esperti: Sistemi di intelligenza artificiale che imitano le capacità decisionali di un esperto umano in un particolare dominio.
Estrazione dei dati: Il processo di scoperta di modelli e intuizioni in grandi set di dati utilizzando metodi statistici e computazionali.
Big Data: Set di dati estremamente grandi che possono essere analizzati per rivelare modelli, tendenze e associazioni, in particolare in relazione al comportamento e alle interazioni umane.
Etica dell'intelligenza artificiale: Lo studio delle implicazioni etiche, sociali e politiche dei sistemi e delle applicazioni di intelligenza artificiale.
IA spiegabile: Sistemi e modelli di intelligenza artificiale che possono fornire spiegazioni o giustificazioni per le loro decisioni o previsioni.
Reti avversarie generative (GAN): Un tipo di modello di deep learning che coinvolge due reti neurali, una che genera dati falsi e l'altra che distingue tra dati reali e falsi.
Reti neurali convoluzionali (CNN): un tipo di rete neurale comunemente utilizzata per il riconoscimento delle immagini e le attività di visione artificiale.
Allucinazioni (in AI): Il fenomeno in cui un modello linguistico di grandi dimensioni genera un testo che sembra essere coerente e significativo, ma in realtà non è fondato sulla realtà o basato su informazioni fattuali.