Para manejar este problema, primero debe definir o aprender qué quiere decir con suma. Por ejemplo, [matemáticas] 2? 2 = 4 [/ matemáticas], ¿Es eso una suma o multiplicación? Sin embargo, si da una serie de dos entradas como
[matemáticas] 2? 1 = 3, [/ matemáticas]
[matemáticas] 2? 2 = 4, [/ matemáticas]
- Si utilizamos todo nuestro conocimiento sobre IA y aprendizaje automático / profundo, ¿podríamos emplearlo para modelar la forma en que funcionan las neuronas humanas?
- ¿Cuál es la razón (además del rendimiento) para usar C ++ sobre Python para implementar algoritmos de aprendizaje automático?
- ¿Cómo podría usarse un modelo de aprendizaje automático para encontrar un componente roto en una línea de ensamblaje?
- ¿Cómo podría la inteligencia artificial mejorar la tecnología agrícola actual?
- ¿Qué pasará una vez que las computadoras nos reemplacen?
[matemáticas] 2? 3 = 5, [/ matemáticas]
…
y luego preguntar qué es
[matemáticas] 2? 20000 = x [/ matemáticas]
Lo más probable es que su clasificador lo aprenda como un problema de regresión y prediga el valor de ‘x’ con bastante facilidad. Hay varias bibliotecas de redes neuronales que admiten la regresión con redes neuronales, como a continuación
- Uso de redes neuronales con regresión – Java
- Usando la red neuronal para la regresión – R
- sklearn.neural_network.MLPRegressor – scikit-learn 0.18.1 documentation- python
Desde estas bibliotecas, puede aprender a especificar su red MLP. El problema con este enfoque es que puedes aprender a sumar dos, tres o X números a la vez. Por ejemplo, dado un modelo entrenado en la serie anterior, si pregunto qué es [matemáticas] 2? 2? 2 [/ math], el modelo anterior fallará porque ha aprendido a encontrar una relación de regresión entre dos números y no tres. Por lo tanto, es imposible aprender todas las combinaciones posibles de números para sumar porque hay infinitas formas de sumar números infinitos en un momento dado. Por lo tanto, esta estrategia es un caso limitante del problema más general de la suma.
Un enfoque alternativo sería aprender el símbolo de ‘suma’, en lugar de proporcionar números como entrada y tratarlo como un problema de regresión. En este enfoque, tratará de aprender a identificar dígitos y símbolos (juntos o por separado). Las siguientes son algunas de las variaciones del símbolo de suma que puede desear aprender usando un clasificador.
Sin embargo, el símbolo de suma es arbitrario, por lo que aprender el símbolo correcto es la clave. Si puede entrenar una red, de modo que, dada cualquier entrada, puede identificar el símbolo (o los dígitos) correctamente y luego agregar cualquier combinación de cualquier entrada numérica es sencillo. Puede usar cualquier paquete ML estándar para aprender el símbolo de adición (como una imagen) o los caracteres y ver cómo funciona para este problema.