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

Publisert av Platon

Følgere: 0

En av mine beste regler for investorer i digitale aktiva er å kunne forklare investeringene dine, men med AI som går så raskt som du kan si kunstig intelligens, er det lettere sagt enn gjort.

Spesielt når setninger som dyp læring, nevrale nettverk og naturlig språkbehandling blir kastet rundt som om de er grunnleggende engelsk.

AI-læringskurven kan være enda brattere for nye investorer. Da jeg først kom inn på dette markedet, forsto jeg kanskje 10 % av det jeg leste. Men når jeg først kunne definere en grunnleggende AI-relatert sjargong, var det da jeg endelig skjønte omfanget av hva denne teknologien kunne gjøre. Og deretter Jeg var i stand til å forklare investeringene mine.

For å hjelpe deg med å gjøre det samme, har jeg satt sammen flashkort med grunnleggende AI-terminologi for å hjelpe deg å forstå hvordan det fungerer og hvorfor det er verdifullt.

Det er også en rask video jeg vil at du skal se, hvor jeg vil lede deg gjennom hver definisjon og gi eksempler på hvordan den relaterer seg til AI.

Start AI lynkurs her...

Step One: Begynn med å se det 15-minutters lynkurset hvor jeg skal dekke 16 grunnleggende definisjoner som enhver AI-investor bør vite.

Trinn to: Bruk kortene nedenfor for å studere disse definisjonene. Du trenger ikke å huske dem perfekt, men du bør kunne forklare begrepene for noen andre.

Her er definisjonene du kan referere til:

Maskinlæring: Et undersett av AI som involverer utvikling av algoritmer og statistiske modeller som gjør det mulig for datamaskiner å lære av data og ta spådommer eller beslutninger uten å være eksplisitt programmert til å gjøre det.
Dyp læring: En undergruppe av maskinlæring som bruker kunstige nevrale nettverk med mange lag for å gjøre det mulig for datamaskiner å lære av store mengder ustrukturerte data.
Naturlig språkbehandling (NLP): En undergruppe av AI som innebærer å lære maskiner å forstå, tolke og svare på menneskelig språk.
Robotikk: Et felt innen AI som involverer design og utvikling av roboter, som er maskiner som kan utføre oppgaver autonomt eller med menneskelig veiledning.
Datamaskin syn: En undergruppe av AI som innebærer å lære datamaskiner å tolke og analysere bilder og videoer.
Nevrale nettverk: En type maskinlæringsmodell som er inspirert av strukturen og funksjonen til den menneskelige hjernen.
Forsterkende læring: En type maskinlæring som involverer opplæring av agenter til å utføre handlinger i et miljø for å maksimere et belønningssignal.
Natural Language Generation (NLG): En undergruppe av naturlig språkbehandling (NLP) som innebærer å lære maskiner å generere menneskelignende språk.
Ekspertsystemer: AI-systemer som etterligner beslutningsevnen til en menneskelig ekspert på et bestemt domene.
Datautvinning: Prosessen med å oppdage mønstre og innsikt i store datasett ved hjelp av statistiske og beregningsmetoder.
Stor Data: Ekstremt store datasett som kan analyseres for å avdekke mønstre, trender og assosiasjoner, spesielt knyttet til menneskelig atferd og interaksjoner.
Kunstig intelligens etikk: Studiet av de etiske, sosiale og politiske implikasjonene av AI-systemer og -applikasjoner.
Forklarbar AI: AI-systemer og modeller som kan gi forklaringer eller begrunnelser for deres beslutninger eller spådommer.
Generative Adversarial Networks (GAN): En type dyplæringsmodell som involverer to nevrale nettverk, det ene genererer falske data og det andre skiller mellom ekte og falske data.
Konvolusjonelle nevrale nettverk (CNN): En type nevrale nettverk som vanligvis brukes til bildegjenkjenning og datasynoppgaver.
Hallusinasjoner (i AI): Fenomenet der en stor språkmodell genererer tekst som fremstår som sammenhengende og meningsfull, men som faktisk ikke er forankret i virkeligheten eller basert på faktainformasjon.