La memorización es buena cuando espera necesitar los mismos valores intermedios una y otra vez con alta probabilidad. Cuando no lo hace, la memorización es solo una pérdida de memoria.
Puede calcular [math] n! [/ Math] recursivamente como [math] 1! = 1 [/ math] y [math] n! = N (n-1)! [/ Math]. Si codifica esto ingenuamente, cuando alguien pregunta [matemáticas] 100! [/ Matemáticas] calculará [matemáticas] 99! [/ Matemáticas] y [matemáticas] 98! [/ Matemáticas] y así sucesivamente, y luego si preguntan para [math] 102! [/ math] los calcularás de nuevo .
Con la memorización, la primera vez que calcula [matemática] 60! [/ Matemática], la almacena y nunca la vuelve a calcular. Esto es bueno porque el “espacio de búsqueda” es muy estrecho: es una ruta lineal desde [matemática] n [/ matemática] hasta [matemática] 1 [/ matemática]. Cada consulta terminará confiando en al menos una parte de esta ruta.
- ¿Cómo puede la inteligencia artificial ayudar a los países en desarrollo?
- ¿Qué significa FOPL y explica su papel en la inteligencia artificial?
- ¿Podríamos crear inteligencia artificial con sistemas reproductivos humanos artificiales?
- En redes neuronales artificiales, ¿cómo se eligen conexiones específicas entre nodos para fortalecerlas durante el entrenamiento?
- ¿Podría una IA (inteligencia artificial) posiblemente predecir o hacerse cargo de un mercado de valores?
En los problemas de búsqueda que son típicos en la IA, el espacio de búsqueda es masivo, como un gran desierto en el que deambulas. Lo atraviesas de alguna manera útil, buscando un óptimo o algo así, y tienes pocas expectativas de caminar en un círculo y volver a un punto visitado anteriormente. Podría suceder, pero es raro, por lo que memorizar todo su camino es solo una pérdida de memoria. Es mejor volver a calcular el valor si llega a alcanzar el mismo punto nuevamente, por cualquier razón.
