WEBVTT 00:00.837 --> 00:04.519 Artificial intelligence for people in a hurry. 00:04.519 --> 00:10.261 The easiest way to think about artificial intelligence is in the context of a human. 00:10.261 --> 00:14.743 After all, humans are the most intelligent creatures we know of. 00:14.743 --> 00:17.825 AI is a broad branch of computer science. 00:17.825 --> 00:23.267 The goal of AI is to create systems that can function intelligently and independently. 00:24.487 --> 00:28.608 Humans can speak and listen to communicate through language. 00:28.608 --> 00:31.990 This is a field of speech recognition. 00:31.990 --> 00:39.052 Much of speech recognition is statistically based, hence it's called statistical learning. 00:39.052 --> 00:42.613 Humans can write and read text in a language. 00:42.613 --> 00:47.495 This is a field of NLP or natural language processing. 00:47.495 --> 00:51.656 Humans can see with their eyes and process what they see. 00:51.656 --> 00:53.557 This is a field of computer vision. 00:54.716 --> 01:00.619 Computervisie valt onder de symbolische manier voor computers om informatie te processen. 01:00.619 --> 01:04.861 Tegenwoordig is er een andere manier, die ik later zal komen. 01:04.861 --> 01:11.384 Mensen herkennen een scene rond hen door hun ogen, die imaginen van dat wereld creëren. 01:11.384 --> 01:18.128 Dit veld van image-processing, dat zelfs niet direct verantwoordelijk is met AI, is nodig voor computervisie. 01:19.777 --> 01:24.441 Mensen kunnen hun omgeving begrijpen en volledig omgaan. 01:24.441 --> 01:28.224 Dit is het veld van robotie. 01:28.224 --> 01:34.049 Mensen hebben de mogelijkheid om patternen te zien, zoals groepen van gelijke objecten. 01:34.049 --> 01:38.092 Dit is het veld van patternrecognitie. 01:38.092 --> 01:45.618 Machines zijn nog beter bij patternrecognitie omdat ze meer data kunnen gebruiken en dimensionen van data. 01:45.618 --> 01:47.560 Dit is het veld van machinelearning. 01:48.760 --> 01:51.202 Nu praten we over de menselijke brain. 01:51.202 --> 01:57.786 De menselijke brain is een netwerk van neurons en we gebruiken deze om dingen te leren. 01:57.786 --> 02:05.932 Als we de structuur en functie van de menselijke brain kunnen repliceren, kunnen we kognitieve capaciteiten in machines krijgen. 02:05.932 --> 02:07.613 Dit is het veld van neuralnetwerken. 02:08.693 --> 02:17.256 Als deze netwerken meer complex en dieper zijn en we die gebruiken om complexe dingen te leren, is dat het veld van diepe lening. 02:17.256 --> 02:25.418 Er zijn verschillende types diepe leningen in machines, die essentieel verschillende technieken zijn om wat de menselijke brain doet te repliceren. 02:25.418 --> 02:33.101 Als we de netwerken krijgen om images van links naar rechts, van boven naar beneden te scannen, is het een convolutie-neural netwerk. 02:33.101 --> 02:36.642 Een CNN wordt gebruikt om objecten in een scene te herkennen. 02:37.343 --> 02:43.987 Dit is hoe de computervisie eruit voelt dat een objectenrecognitie door AI wordt aangepast. 02:43.987 --> 02:47.209 Mensen kunnen de verleden herinneren, zoals wat je vorige nacht voor eten had. 02:47.209 --> 02:51.071 Nou, tenminste, de meeste van jullie. 02:51.071 --> 02:54.894 We kunnen een neural netwerk krijgen om een beperkte verleden te herinneren. 02:54.894 --> 02:56.835 Dit is een recurrent neural netwerk. 02:56.835 --> 03:02.198 Zoals je ziet, zijn er twee manieren waarmee AI werkt. 03:02.198 --> 03:05.500 Eén is symbolisch gebaseerd en de andere is data gebaseerd. 03:06.399 --> 03:13.043 Voor de databaseside, genaamd machine learning, moeten we de machine veel data vervoeren voordat het kan leren. 03:13.043 --> 03:24.349 Bijvoorbeeld, als je veel data hebt voor verkoop en vervoering, kun je dat data plotten om een soort pattern te zien. 03:24.349 --> 03:29.272 Als de machine dit pattern kan leren, dan kan het op basis van wat het heeft geleerd. 03:30.294 --> 03:42.299 Terwijl een, twee of zelfs drie dimensies eenvoudig zijn voor mensen om te begrijpen en te leren, kunnen machines veel meer dimensies leren, zoals zelfs honderd of duizenden. 03:42.299 --> 03:48.442 Daarom kunnen machines veel hoge dimensiele data bekijken en patternen beperken. 03:48.442 --> 03:53.824 Wanneer ze deze patternen leren, kunnen ze predicties maken die mensen zelfs niet dichtbij kunnen komen. 03:53.824 --> 03:58.446 We kunnen al deze machineleerende technieken gebruiken om één van twee dingen te doen. 03:58.446 --> 04:00.047 Klassificatie of predictie. 04:01.387 --> 04:10.471 Als een voorbeeld, als je wat informatie over klanten gebruikt om nieuwe klanten aan een groep te beoordelen, zoals jonge ouders, dan kun je die klanten classifieren. 04:10.471 --> 04:19.915 Als je data gebruikt om te predicteren als ze waarschijnlijk aan een competentie zijn, dan maak je een predictie. 04:19.915 --> 04:24.537 Er is nog een andere manier om te denken over leningalgorithmen die voor AI worden gebruikt. 04:24.537 --> 04:30.680 Als je een algoritme met data traint die ook de antwoord bevat, dan heet het supervised learning. 04:31.915 --> 04:40.959 Bijvoorbeeld, wanneer je een machine treint om je vrienden te herkennen door naam, moet je ze voor het computer uitleggen. 04:40.959 --> 04:49.522 Als je een algoritme treint met data waarvan je de machine wilt uitleggen, dan is het onverwisselende leren. 04:49.522 --> 05:00.087 Bijvoorbeeld, je wilt de data voor celestiale objecten in het wereld voeren en verwacht de machine om met patternen in dat data zelf te komen. 05:01.552 --> 05:11.417 Als je een doel voor een algoritme geeft en de machine verwijderd wordt om dat doel te bereiken, dan heet dat reinforcement learning. 05:11.417 --> 05:16.679 Een robot is een voorbeeld van een probleem om over de wouw te klimmen, totdat het voortkomt. 05:16.679 --> 05:19.581 Dus daar gaat het. 05:19.581 --> 05:22.642 Bedankt voor het kijken en als je mijn video's leuk vindt, abonneer je dan.