แนวทางที่เป็นระบบในการฝึกอบรมอัลกอริธึมปัญญาประดิษฐ์เพื่อการเรียนรู้เชิงลึกใหม่เพื่อจัดการกับสถานการณ์ต่างๆ ได้รับการพัฒนาโดยนักวิจัยด้านสภาพอากาศในสหรัฐอเมริกา ทีมงานพบว่า ตรงกันข้ามกับภูมิปัญญาทั่วไป การฝึกอัลกอริทึมในระดับก่อนหน้านี้มักจะได้ผลลัพธ์ที่ดีกว่าการฝึกซ้ำในภายหลัง การเรียนรู้เชิงลึกเป็นการเรียนรู้ของเครื่องขั้นสูงที่บางครั้งก็เป็นที่ถกเถียงกัน
ซึ่งอัลกอริทึม
ของคอมพิวเตอร์จะสอนตัวเองถึงคุณสมบัติที่สำคัญของระบบ และเรียนรู้ที่จะจำแนกประเภทเกี่ยวกับลักษณะและการคาดการณ์เกี่ยวกับพฤติกรรมของระบบ ซึ่งมักมีความแม่นยำที่เกินขีดความสามารถของมนุษย์ บางทีการสาธิตการเรียนรู้เชิงลึกที่โด่งดังที่สุดในการดำเนินการคือชัยชนะ
ของโปรแกรม เหนือลี เซดอล ผู้เล่นแชมป์โกแชมป์ในปี 2017 อย่างไรก็ตาม การเรียนรู้เชิงลึกมีการใช้งานจริงมากกว่า: สามารถทำนายการพับของโปรตีน ตรวจชิ้นเนื้อเนื้อเยื่อเพื่อหาสัญญาณเริ่มต้นของมะเร็ง และคาดการณ์รูปแบบสภาพอากาศอย่างไรก็ตาม เนื่องจากอัลกอริทึมการเรียนรู้เชิงลึก
ไม่ได้ตั้งโปรแกรมโดยผู้ดำเนินการภายนอก จึงไม่สามารถตั้งโปรแกรมใหม่ได้ง่ายๆ เช่นกัน หากระบบมีการเปลี่ยนแปลง จะต้องฝึกอัลกอริทึมใหม่โดยใช้ข้อมูลจากระบบใหม่ สิ่งนี้มีความสำคัญในด้านภูมิอากาศวิทยา หากอัลกอริธึมการเรียนรู้เชิงลึกที่ฝึกฝนโดยใช้สภาพอากาศในปัจจุบันนั้นสามารถ
คาดการณ์ที่เป็นประโยชน์เกี่ยวกับสภาพอากาศในโลกที่ได้รับผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ กระบวนการนี้ซึ่งเป็นที่คุ้นเคยของมนุษย์ในการปรับประสบการณ์ก่อนหน้านี้ให้เข้ากับสถานการณ์ที่ไม่คุ้นเคย เป็นที่ทราบกันในหมู่นักวิทยาศาสตร์คอมพิวเตอร์ว่าเป็นการเรียนรู้แบบถ่ายโอน
ความลึกลับลึกนักวิทยาศาสตร์ด้านภูมิอากาศแห่งมหาวิทยาลัย Rice ในเท็กซัส อธิบายว่าอัลกอริธึมการเรียนรู้เชิงลึกจะประมวลผลข้อมูลตามลำดับชั้น “ข้อมูลจะเข้าสู่เลเยอร์ ซึ่งจะแยกข้อมูลบางส่วน แล้วส่งข้อมูลนี้ไปยังอีกเลเยอร์หนึ่ง ซึ่งจะแยกข้อมูลเพิ่มเติม” กระบวนการนี้จะสร้างผลลัพธ์ออกมาในที่สุด
อธิบายว่า
“ไม่มีใครรู้แน่ชัดว่าแต่ละเลเยอร์มีหน้าที่อะไร เพราะเราไม่ได้ออกแบบอะไรเลย – พวกมันเรียนรู้กันหมด” การเรียนรู้แบบถ่ายโอนใช้ข้อมูลที่มีอยู่จำนวนเล็กน้อยจากชุดข้อมูลใหม่เพื่อฝึกฝนระดับเหล่านี้ใหม่หนึ่ง (หรือสองสามระดับ) และฮัสซันซาเดห์กล่าวว่า “สำคัญที่ระดับที่คุณเลือก”
เขากล่าวว่าภูมิปัญญาดั้งเดิมบอกว่าปัญหาเฉพาะนั้นเกิดขึ้นในชั้นที่ลึกที่สุดของเครือข่าย (ชั้นเหล่านั้นใกล้กับเอาต์พุตมากที่สุด) ดังนั้นในการดำเนินการเรียนรู้แบบโอนย้าย สิ่งเหล่านี้เป็นวิธีที่ดีที่สุดในการฝึกใหม่ “สิ่งที่เคยทำในอดีตคือ Google ฝึกเครือข่ายหนึ่งพันเลเยอร์บน Google รูปภาพ
แล้วมีคนนำรังสีเอกซ์จำนวนเล็กน้อยมา ดังนั้นพวกเขาจึงฝึกเลเยอร์ 998 และ 999 ใหม่” อธิบาย ตอนนี้เขาและเพื่อนร่วมงานของเขาได้ใช้วิธีการที่เป็นระบบแทนนักวิจัยทำการจำลองพฤติกรรมของของเหลวที่มีความละเอียดสูงภายใต้เงื่อนไขที่แตกต่างกันสามชุด พวกเขาใช้ข้อมูลเหล่านี้ในการฝึกอัลกอริธึม
การเรียนรู้เชิงลึก 10 ชั้นสามชุดเพื่อทำนายพฤติกรรมของของไหลภายใต้พารามิเตอร์เฉพาะแต่ละตัวเหล่านี้ พวกเขาเปลี่ยนพารามิเตอร์บางอย่าง เช่น จำนวนเรย์โนลด์ (อัตราส่วนของแรงเฉื่อยต่อแรงหนืด) หรือความแปรปรวนของของไหลในแต่ละกรณี และดำเนินการจำลองความละเอียดสูงอีกชุดหนึ่ง
เพื่อทำนายพฤติกรรมของของไหลใหม่ ในแต่ละกรณี พวกเขาฝึกอัลกอริทึมเดียวกันกับข้อมูลใหม่ สุดท้าย พวกเขาดำเนินการถ่ายโอนการเรียนรู้ของอัลกอริทึมเก่าบนข้อมูลใหม่ชุดย่อยเล็กๆฝึกชั้นตื้นขึ้นใหม่ผลลัพธ์ที่ได้นั้นน่าประหลาดใจ “ในบทความนี้ เราพบว่าชั้นที่ตื้นที่สุดนั้นดีที่สุดในการฝึกใหม่”
การเข้าถึงสัญญาณที่คาดการณ์ไว้ซึ่งเกิดจากการฝึกฝนใหม่ในแต่ละเลเยอร์ ทำให้พวกเขามีโอกาสเห็นผลกระทบที่แต่ละเลเยอร์มีต่อสัญญาณขั้นสุดท้ายนี้ ดังนั้น พวกเขาจึงใช้การวิเคราะห์สเปกตรัมของแต่ละสัญญาณเพื่อดูว่าแต่ละชั้นมีการปรับเปลี่ยนความถี่แต่ละความถี่อย่างไร บางระดับกำลังควบคุม
ความถี่ต่ำ และเป็นประโยชน์ในการฝึกใหม่เนื่องจากสามารถจับลักษณะต่างๆ ของอัลกอริทึมในระดับมหภาคที่แปรผันได้อย่างราบรื่น ในขณะที่ระดับอื่น ๆ คาดการณ์รายละเอียดและการฝึกอบรมเหล่านี้ใหม่เพียงอย่างเดียวก็แทบจะไร้ประโยชน์ นักวิจัยได้จัดทำโปรโตคอลสำหรับกำหนดระดับที่สำคัญที่สุด
ในแต่ละกรณี
เมื่อเร็ว ๆ นี้ หน่วยงานอวกาศแคนาดาและนักวิทยาศาสตร์ของ NASA ใช้เส้นลำแสง REIXS ของเราในการทดสอบและตรวจสอบประสิทธิภาพการป้องกันหน้าต่างสำหรับการปล่อยดาวเทียมที่กำลังจะมาถึง โดยทำให้แน่ใจว่ารังสีเอกซ์ในช่วงที่ต้องการ แต่ไม่มีแสงอินฟราเรดสามารถผ่านเข้ามาได้
“มันเป็นจุดเริ่มต้นของการวิจัยนิวเคลียร์และพลังงานสูง และปรับเปลี่ยนมุมมองที่ผู้คนมีต่อสสารอย่างสิ้นเชิง”คนอื่นๆ เลือกการขยายตัวของเอกภพ ซึ่งนำไปสู่การกำเนิดของจักรวาลวิทยาสมัยใหม่ ความแปรปรวนของความเร็วแสง ซึ่งปูทางไปสู่ทฤษฎีสัมพัทธภาพ และการค้นพบอิเล็กตรอนของทอมสัน
ซึ่งเป็น “อนุภาคพื้นฐานตัวแรกและไม่เหมือนอนุภาคพื้นฐานหลายๆ ตัว ค้นพบหลังจากนั้นมีประโยชน์อย่างเหลือเชื่อ” การค้นพบนิวเคลียสอะตอมของรัทเทอร์ฟอร์ดได้รับเลือกหลายครั้ง เช่นเดียวกับการค้นพบของฟรานซิส คริก, เจมส์ วัตสัน, มอริซ วิลเคนส์ และคนอื่นๆ
เกี่ยวกับโครงสร้างของดีเอ็นเอ การค้นพบล่าสุดที่ได้รับการกล่าวถึงคือหลักฐานของมวลนิวตริโนเมื่อปีที่แล้ว ซึ่งคัดเลือกโดยนักดาราศาสตร์ฟิสิกส์แห่งมหาวิทยาลัยแคลิฟอร์เนีย ลอสแอนเจลีสแท้จริงแล้ว เมื่อพิจารณาถึงเหตุการณ์ที่เกิดขึ้นเมื่อเร็วๆ นี้ เราก็ตระหนักได้ว่าเหตุใดนักประวัติศาสตร์และนักสังคมวิทยาวิทยาศาสตร์จึงถือว่า “การค้นพบ” เป็นคำที่อันตรายเช่นนี้
แนะนำ 666slotclub / hob66
