Inteligența Artificială și Învățarea Automată

Curs de Inteligență Artificială - Curs 1

• Evaluare:
  • Test Laborator 1 - 15%
  • Test Laborator 2 - 15%
  • Proiect Laborator - 20%
  • Examen - 50%
  • Bonus (dezvoltarea unui algoritm utilizat în cadrul cursului) - 10%

Inteligență Artificială și Învățare Automată

• Relația dintre Reprezentarea Cunoștințelor și Inteligența Artificială: Reprezentarea cunoștințelor este un domeniu important al inteligenței artificiale.
• Relația dintre Inteligența Artificială și Învățarea Automată: Învățarea automată este o parte a inteligenței artificiale.

Ce este Inteligența Artificială?

• Scopul suprem: Construirea de sisteme care ating nivelul de inteligență al omului.
• Testul Turing: Un computer demonstrează inteligență umană dacă un interlocutor uman nu poate distinge între conversație cu un om sau cu un calculator.

Ce este Învățarea Automată?

• Imită învățarea umană: O mare parte din cercetători cred că scopul poate fi atins prin imitarea modului în care oamenii învață.
• Domeniul care studiază abilitatea de învățare: Învățarea automată este un domeniu care studiază modul în care calculatoarele pot învăța fără a fi programate în mod explicit.

Probleme „Bine Puse” de Învățare Automată

• Ce probleme pot fi rezolvate: Învățarea automată poate rezolva anumite probleme cu un anumit grad de acuratețe.
• Caracteristici ale problemelor bine puse: Aceste probleme se caracterizează prin capacitatea unui program de învățare din experiență în raport cu o clasă de sarcini și o măsură de performanță, astfel încât performanța se îmbunătățește o dată cu experiența.

Problema „Bine Pusa” de Învățare Automată - Exemplul Jocului de Dame

• Primul program: Arthur Samuel (1959) a creat unul dintre primele programe bazate pe învățare pentru dame.
• Învățare prin jocuri: Programul a jucat contra lui însuși de 10.000 de ori pentru a învăța care sunt pozițiile bune sau rele.

Strong AI versus Weak AI

• Inteligență Artificială generală: Strong AI se referă la o inteligență artificială generică, cu abilități în general umane (conform definiției lui Turing).
• Inteligență Artificială îngustă/limitată: Weak AI se concentrează pe rezolvarea unei anumite probleme.

Când se aplică Învățarea Automată?

• Situații dificile: Se aplică în situații în care este imposibil să definim un set de reguli de mână sau să scriem un program.
• Exemple și aplicații: Inclusiv detectarea facială, înțelegerea vorbirii, predicția prețurilor acțiunilor și recunoașterea obiectelor.

Esența Învățării Automate

• Există un tipar: Un tipar existent, care nu poate fi exprimat programatic/matematic.
• Date și exemple: Avem date/exemple care ne pot ajuta să regăsim tiparul.

Reprezentarea Programării Tradiționale vs. Învățare Automată

• Programare tradițională: Programarea tradițională se bazează pe descrierea, explicită, a algoritmului de rezolvare a unei probleme.
• Învățare automată: Învățarea automată se bazează pe date pentru a învăța un algoritm.

De ce funcționează Învățarea Automată în prezent?

• Creșterea puterii de calcul: Disponibilitatea puterii mai mari de calcul.
• Mai multe date: Accesul la mai multe date.
• Modele mai bune: Modele mai eficiente.

Esența Învățării Automate (continuare)

• Mii de algoritmi: Există mii de algoritmi de învățare automată.
• Cercetări constante: Cercetătorii continuă să dezvolte noi algoritmi constant.
• Simplificare: Învățarea automată se poate simplifica la învățarea unei funcții care mapează input-uri în rezultate. Exemplu: e-mailuri (input) -> {spam, non-spam (output)}.

Input, Output și Funcții Target (Învățare Automată)

• Input: date de intrare, cum ar fi imagini, text, e-mailuri.
• Output: date de ieșire, cum ar fi etichete de clasă sau valori continue.
• Funcția target: reprezentarea adevărată a relației dintre input și output (necunoscută).

Componente al unui Algoritm de Învățare Automată

• Reprezentare/Modelare (model): Descrierea matematică sau structurală a sistemului ce prelucrează datele.
• Evaluare/Funcții Obiectiv: Măsură a performanței modelului pe date existente.
• Optimizare (algoritm de învățare): Metode matematice de îmbunătațire a modelului pentru performanța dorită.

Ce cunoștințe sunt necesare pentru Învățare Automată?

• Biologie: Includerea biologiei și neuroștiinței pentru a realiza studii comparative între aceste domenii.
• Statistică: Tehnici de estimare și predicție.
• Informatică: Algoritmi, structuri de date și complexitate a acestora.
• Matematică: Optimizare, algebră liniară, derivate, integrale, etc.

Paradigme de Învățare

• Supravegheată: Utilizează exemple etichetate.
• Nesupravegheată: Utilizează exemple netichetate.
• Semi-supravegheată: Utilizează exemple atât etichetate, cât și netichetate.
• Întărire: Învățare pe baza recompenselor. -Non-standard: Învățarea activă și prin transfer.

Învățare Supravegheată - Exemple

• Recunoașterea obiectelor: Identificarea obiectelor din imagini.
• Recunoașterea caracterelor: Recunoașterea scrisului de mână. Exemplele din setul de date MNIST.
• Detectarea facială: Recunoașterea fețelor din imagini.
• Predicția prețului acțiunilor: Prezice prețurile acțiunilor pe baza datelor istorice de bursă.
• Detectarea spamului: Clasifică e-mailurile ca spam sau non-spam.

Învățare Nesupravegheată - Exemple

• Gruparea imaginilor: Gruparea imaginilor după asemănare.
• Clusterizarea imaginilor MNIST: Clusterizarea imaginilor din setul de date MNIST.
• Îvățarea de trăsături: Extragerea trăsăturilor cheie din imagini.
• Gruparea mamiferelor: Generarea arborelui filogenetic pe baza ADN-ului.

Învățare Semi-Supravegheată

• Exemple etichetate și netichetate: Se bazează pe utilizarea datelor etichetate și netichetate pentru a crea modele cu performanță optimă.

Învățare prin Întărire

• Recompensă și acțiuni: Sistemul învață prin observație, recompensă sau pedeapsă în timp real pentru acțiunile sale în mediu.
• Jocuri: Inclusiv jocul Go, controlul unui robot pe o bicicletă, jocul Pong.

Formalizarea cu Procese de Decizie Markov

• Soluție bazată pe programare dinamică: Utiliza diagramă pentru a obține răspunsul optim.
• Acțiuni și recompense: Selectează acțiunile care maximizează recompensă totală finală.

Învățare Activ

• Alegerea datelor: Alegerea unui subset de exemple netichetate pentru a eticheta astfel încât modelul antrenat să aibă o performanță optimă.

Învățare prin Transfer

• Utilizarea unuia model antrenat pentru alt domeniu: Utilizează model existent antrenat pentru problema nouă cu performanță optimă.
• Exemple: Rețelele neuronale convoluționale.

Estimarea vârstei unei persoane din imagine

• Clasificare sau regresie? Depinde de tipul problemei, ceea ce este dorit.

Alte Aplicații și Probleme

• Probleme etice: Discutarea implicatiilor etice ale utilizarii inteligenței artificiale.

Bibliografie

• Dr. Radu Ionescu: Sursa de informații despre învățarea automată.
• Literatură de specialitate: Mentionează lucrări ca "Elements of Statistical Learning", "Pattern Classification", "Hands-On Machine Learning with Scikit-Learn & Tensorflow".

Acest quiz explorează conceptele cheie din inteligența artificială și învățarea automată, inclusiv testul Turing, diferitele tipuri de inteligență artificială și procesele implicate în învățarea automată. Vei învăța despre aplicațiile practice și teoretice ale acestor tehnologii fascinante.