Kurs AI Crash: podstawowa terminologia dla inwestorów zajmujących się sztuczną inteligencją — American Institute for Crypto Investors

Opublikowane ponownie przez Plato

Obserwuje: 0

Jedną z moich głównych zasad dla inwestorów w aktywa cyfrowe jest umiejętność wyjaśnienia swoich inwestycji, ale przy tak szybkim postępie sztucznej inteligencji, jak można powiedzieć, sztuczna inteligencja, łatwiej powiedzieć niż zrobić.

Zwłaszcza w przypadku zwrotów takich jak głębokie uczenie się, sieci neuronowe i przetwarzanie języka naturalnego, które są rzucane tak, jakby były podstawowym angielskim.

Krzywa uczenia się AI może być jeszcze bardziej stroma dla nowych inwestorów. Kiedy po raz pierwszy wszedłem na ten rynek, zrozumiałem może 10% tego, co czytałem. Ale kiedy mogłem zdefiniować podstawowy żargon związany z sztuczną inteligencją, wtedy w końcu pojąłem ogrom tego, co może zrobić ta technologia. I następnie Byłem w stanie wyjaśnić moje inwestycje.

Aby pomóc Ci zrobić to samo, przygotowałem fiszki z podstawową terminologią AI, aby pomóc Ci zrozumieć, jak to działa i dlaczego jest cenne.

Jest też krótki film, który chcę obejrzeć, w którym przeprowadzę cię przez każdą definicję i podam przykłady, w jaki sposób odnosi się ona do sztucznej inteligencji.

Rozpocznij szybki kurs sztucznej inteligencji tutaj…

Krok pierwszy: Zacznij od obejrzenia 15-minutowego kursu, w którym omówię 16 podstawowych definicji, które powinien znać każdy inwestor AI.

Krok drugi: Skorzystaj z poniższych fiszek, aby przestudiować te definicje. Nie musisz ich doskonale zapamiętywać, ale powinieneś umieć wyjaśnić terminy komuś innemu.

Oto definicje, do których możesz się odnieść:

Nauczanie maszynowe: Podzbiór sztucznej inteligencji, który obejmuje opracowywanie algorytmów i modeli statystycznych, które umożliwiają komputerom uczenie się na podstawie danych i dokonywanie prognoz lub podejmowanie decyzji bez wyraźnego programowania w tym celu.
Głęboka nauka: Podzbiór uczenia maszynowego, który wykorzystuje sztuczne sieci neuronowe z wieloma warstwami, aby umożliwić komputerom uczenie się na podstawie dużych ilości nieustrukturyzowanych danych.
Przetwarzanie języka naturalnego (NLP): Podzbiór sztucznej inteligencji, który obejmuje uczenie maszyn rozumienia, interpretowania i reagowania na ludzki język.
Robotyka: Dziedzina sztucznej inteligencji, która obejmuje projektowanie i rozwój robotów, które są maszynami, które mogą wykonywać zadania samodzielnie lub pod kierownictwem człowieka.
Wizja komputerowa: Podzbiór sztucznej inteligencji, który polega na uczeniu komputerów interpretowania i analizowania obrazów i filmów.
Sieci neuronowe: Rodzaj modelu uczenia maszynowego inspirowany strukturą i funkcją ludzkiego mózgu.
Nauka zbrojenia: Rodzaj uczenia maszynowego, który obejmuje szkolenie agentów w zakresie podejmowania działań w środowisku w celu maksymalizacji sygnału nagrody.
Generowanie języka naturalnego (NLG): Podzbiór przetwarzania języka naturalnego (NLP), który polega na uczeniu maszyn generowania języka podobnego do ludzkiego.
Systemy eksperckie: Systemy sztucznej inteligencji, które naśladują zdolności decyzyjne ludzkiego eksperta w określonej dziedzinie.
Eksploracja danych: Proces odkrywania wzorców i spostrzeżeń w dużych zbiorach danych przy użyciu metod statystycznych i obliczeniowych.
Duże zbiory danych: Niezwykle duże zbiory danych, które można analizować w celu ujawnienia wzorców, trendów i powiązań, zwłaszcza w odniesieniu do ludzkich zachowań i interakcji.
Etyka sztucznej inteligencji: Badanie etycznych, społecznych i politycznych implikacji systemów i aplikacji sztucznej inteligencji.
Wytłumaczalne AI: Systemy i modele AI, które mogą dostarczać wyjaśnień lub uzasadnień dla ich decyzji lub przewidywań.
Generatywne sieci kontradyktoryjne (GAN): Rodzaj modelu głębokiego uczenia się, który obejmuje dwie sieci neuronowe, z których jedna generuje fałszywe dane, a druga rozróżnia dane prawdziwe i fałszywe.
Konwolucyjne sieci neuronowe (CNN): Typ sieci neuronowej, który jest powszechnie używany do zadań związanych z rozpoznawaniem obrazów i wizją komputerową.
Halucynacje (w AI): Zjawisko, w którym duży model języka generuje tekst, który wydaje się być spójny i znaczący, ale w rzeczywistości nie jest osadzony w rzeczywistości ani oparty na faktach.