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

Återutgiven av Platon

anhängare: 0

En av mina främsta regler för digitala tillgångsinvesterare är att kunna förklara dina investeringar, men med AI som går framåt så snabbt som man kan säga artificiell intelligens är det lättare sagt än gjort.

Speciellt med fraser som djupinlärning, neurala nätverk och naturlig språkbehandling som slängs runt som om de är grundläggande engelska.

AI-inlärningskurvan kan vara ännu brantare för nya investerare. När jag först kom in på den här marknaden förstod jag kanske 10 % av det jag läste. Men när jag väl kunde definiera någon grundläggande AI-relaterad jargong, det var då jag äntligen fattade omfattningen av vad den här tekniken kunde göra. Och sedan Jag kunde förklara mina investeringar.

För att hjälpa dig att göra detsamma har jag satt ihop flashkort med grundläggande AI-terminologi för att hjälpa dig förstå hur det fungerar och varför det är värdefullt.

Det finns också en snabb video som jag vill att du ska titta på där jag går igenom varje definition och ger exempel på hur den relaterar till AI.

Starta din AI-krockkurs här...

Steg ett: Börja med att titta på den 15 minuter långa snabbkursen där jag kommer att täcka 16 grundläggande definitioner som varje AI-investerare borde känna till.

Steg två: Använd flashkorten nedan för att studera dessa definitioner. Du behöver inte memorera dem perfekt, men du bör kunna förklara termerna för någon annan.

Här är definitionerna som du kan referera till:

Maskininlärning: En delmängd av AI som involverar utveckling av algoritmer och statistiska modeller som gör det möjligt för datorer att lära av data och göra förutsägelser eller beslut utan att vara explicit programmerade att göra det.
Djup lärning: En delmängd av maskininlärning som använder artificiella neurala nätverk med många lager för att göra det möjligt för datorer att lära av stora mängder ostrukturerad data.
Naturlig språkbehandling (NLP): En delmängd av AI som involverar att lära maskiner att förstå, tolka och svara på mänskligt språk.
Robotik: Ett område av AI som involverar design och utveckling av robotar, som är maskiner som kan utföra uppgifter autonomt eller med mänsklig vägledning.
Datorsyn: En delmängd av AI som innebär att datorer lär sig att tolka och analysera bilder och videor.
Neurala nätverk: En typ av maskininlärningsmodell som är inspirerad av den mänskliga hjärnans struktur och funktion.
Förstärkningsinlärning: En typ av maskininlärning som involverar utbildning av agenter att vidta åtgärder i en miljö för att maximera en belöningssignal.
Natural Language Generation (NLG): En delmängd av naturlig språkbehandling (NLP) som involverar att lära maskiner att generera mänskligt språk.
Expert system: AI-system som efterliknar beslutsförmågan hos en mänsklig expert inom en viss domän.
Datautvinning: Processen att upptäcka mönster och insikter i stora datamängder med hjälp av statistiska och beräkningsmetoder.
Big data: Extremt stora datamängder som kan analyseras för att avslöja mönster, trender och associationer, särskilt när det gäller mänskligt beteende och interaktioner.
Artificiell intelligens etik: Studiet av de etiska, sociala och politiska implikationerna av AI-system och applikationer.
Förklarbar AI: AI-system och modeller som kan ge förklaringar eller motiveringar för sina beslut eller förutsägelser.
Generative Adversarial Networks (GAN): En typ av djupinlärningsmodell som involverar två neurala nätverk, ett som genererar falska data och det andra som skiljer mellan verklig och falsk data.
Convolutional Neural Networks (CNN): En typ av neurala nätverk som vanligtvis används för bildigenkänning och datorseende.
Hallucinationer (i AI): Fenomenet där en stor språkmodell genererar text som framstår som sammanhängande och meningsfull, men som faktiskt inte är verklighetsförankrad eller baserad på faktainformation.