вступление

Этот пост — только начало в этой области, чтобы запустить некоторые ключевые слова и конкретные термины. Я попытаюсь представить любой шаг, который мы прошли с использованием алгоритмов машинного обучения, а также исследования и проекты после этого. Мы начали набирать новый набор обучающихся по искусственному интеллекту и алгоритму машинного обучения, и это начало его скорого появления. Все проекты связаны с разработкой и внедрением алгоритмов машинного обучения (а не только эвристических алгоритмов), и курс поможет тем, кто интересуется вычислительным дизайном, перейти на следующий уровень алгоритмического мышления. Обновленные новости об этом темпе будут объявлены сразу после знакомства с инновационным учебным планом для архитекторов и дизайнеров. Я должен поблагодарить сотрудников MITx за их усилия, особенно проф. Регина Барзилай, проф. Tommi Jaakkola, а также Karene Chu об удивительных материалах курса, которые они четко определили для Машинное обучение с помощью Python: от линейных моделей к глубокому обучению. Курс хорошо объяснил как углубленное введение в область машинного обучения, от линейных моделей до глубокого обучения и обучения с подкреплением, посредством практических проектов Python. У меня был удивительный опыт в течение 4 месяцев этого курса, и я рекомендую его. Любой вопрос по курсу у вас может возникнуть, вы знаете, как связаться со мной!

Основная проблема

Я настоятельно рекомендую вам проверить перекрестные ссылки в отрывке, где бы вы ни находились, а затем перейти к остальным. Я всегда много говорю об интеграции, так как считаю, что нам нужно больше ее внедрять, поскольку технологии так сильно развились. Это могло бы позволить нам продвинуться дальше на более глубокие уровни познания в алгоритмическом мышлении, проанализировав функциональные парадигмы с помощью алгоритмов машинного обучения. Значит, пора!

Если вы читаете эту статью, я приглашаю вас оглянуться на другие сообщения, которые я написал как #Integrated_Design, чтобы узнать, почему я предпочел выбрать направление Искусственный интеллект (ИИ) и научиться программировать Алгоритмы машинного обучения. (ML), вместо того, чтобы быть просто пользователем, как раньше. Прежде чем обсуждать, как интегрированный дизайн может получить преимущества от ИИ и машинного обучения, нам нужно знать, что такое функциональная парадигма.

Функция, как мы говорили ранее, относится к действию между некоторыми параметрами, которые могут быть определены из разных источников. Мы знаем их как факторы. Каждая фактороподобная структура, энергетика и градостроительство имеют свои параметры, пропорции которых определяют силу связи между ними и другими факторами. Если представить архитектуру как междисциплинарную область, то существует множество факторов, о которых дизайнер должен подумать. Как мы можем иметь их все или, в основном, достаточный набор для улучшения отношения к дизайну? Я сознательно отвечаю на него, потому что кажется, что мы, люди, можем реализовать только определенное количество факторов с их параметрами и связями между ними. А как насчет миллионов связей из формы, структуры, геометрии, энергии и, кроме того, по таким ценностям, как права человека, культура, литература, эстетика и многое другое? Нам не удалось узнать обо всех пунктах проекта, где жизненный цикл здания определяет широкий спектр соображений от программирования до сноса. Чтобы ответить на эти важные вопросы о том, как разработать наиболее функциональные парадигмы в дизайне с помощью технологий, мы можем попрактиковаться в ИИ и машинном обучении, о которых я просто дам вам подсказку.

Искусственный интеллект (концептуальный бриф)

Я просто пытаюсь представить искусственный интеллект (ИИ) здесь вкратце, но в более конкретном посте мы обсудим его позже. ИИ — это полное размышление о том, как компьютеры могут решать проблемы с помощью алгоритмов, оснащенных тем, как работает человеческий разум с использованием нейронных сетей. Когда мы начинаем думать о каких-то математических задачах, наш мозг начинает использовать имеющиеся у него знания и перебирать свои секторы слоями информации из логики, параметров, шаблонов, формул для ее вычисления. Эти элементы имеют отличительные границы и термины, где каждый раз, когда каждый из них изменяется, меняется и весь выходной смысл. Если мы упростим этот процесс в определении, мы могли бы сказать, что эти слои информации имеют явные парадигмы для получения осмысленных ответов, и наш мозг должен быть обучен, прежде чем он сможет решить математическую задачу. Так же работает ИИ, но в случае знания он должен иметь набор данных и информацию, и вместо мозга с синапсами и нейронами биологически он полагается на алгоритмы, в которых эти элементы определяются как функции и слои в искусственной нейронной сети. .

Алгоритмы машинного обучения

Как было сказано выше, нейронные сети имеют аксоны, несущие данные и команды, с помощью которых синаптические терминалы трансформируются от одного нейрона к другому. Я предпочел не писать в этом посте всесторонне и технически об этих терминах и предлагаю вам внимательно прочитать написанные другими авторами статьи с гиперссылками, добавленные сюда. Машинное обучение полностью посвящено тому, как машины могут получать данные, выявлять значимые парадигмы связей и пропорций между параметрами и ставить задачу или команду на категоризацию, прогнозирование или вывод на основе ряда решений, которые мы ранее определили для него. Этот процесс был задан конкретными алгоритмами в простых случаях, таких как персептрон и гауссовская смесь, в K-средних, SVM, в сложных моделях, таких как свертка, «автоэнкодер, генеративно-состязательный и другие, известные по алгоритмам глубокого обучения. Мы обозначили все их как модели искусственной нейронной сети (ИНС). Эти модели подразделяются на 3 основные ветви подходов к обучению: обучение с учителем, обучение без учителя и обучение с подкреплением. Каждый из этих стилей используется для конкретных ситуаций, когда тип данных и основная функция, которую мы ищем, будут разными. В каждой модели ИНС у нас есть входной слой, содержащий параметры или нейроны, которые у нас активны в наших функциях, скрытые слои в виде набора данных одних и тех же нейронов по разным измерениям из разных условий, но с одними и теми же функциями, и выходной слой в виде реорганизованных связанных нейронов.

Функциональные парадигмы — нейроны интеграции

Хотя нам нужно знать о концепциях, чтобы идти дальше, давайте разберемся с нашим основным вопросом о том, как мы можем улучшить наши подходы с помощью этих передовых технологий. Связи между входными и скрытыми слоями, а также выходным слоем определяют наше влияние факторов проектирования, о которых мы упоминали ранее, о том, как ИИ может поставить под угрозу наборы данных в процессе проектирования, разработки и производства. Представьте себе элементы поведенческой парадигмы конструкции произвольной формы в зависимости от конкретного случая нагрузки, если бы мы могли получить серию реакций по измерению датчика за годовой период, мы могли бы получить набор данных, желаемый для слоев ИНС. Функции также важно выяснить, пока мы проектируем ИНС. Мы можем классифицировать наши элементы, предсказывать, как каждый из них может испытывать стресс или напряжение. Это также может усложниться, когда мы используем ИНС в проектных параметрах. Форма, функция и контекст будут основными факторами. Попробуйте подумать о слоях наборов данных, которые может определить любой дизайн, классифицированный субъектом. Он огромен, но больше не недосягаем. В последние годы было опубликовано множество статей, и здесь я пытаюсь открыть ворота для тех, кто является энтузиастом в этой области.

…