布萊恩的創業小窩

DeepMind的 人工智慧 演算法竟能控制核融合反應?   目錄 人工智慧公司DeepMind：找到控制「核融合」關鍵 核能研究大躍進，DeepMind 新AI演算法功不可沒 應用「隨處可見」氫離子獲取核融合 有望發展成未來可再生能源主力 人工智慧公司DeepMind：找到控制「核融合」關鍵 Google 旗下的 人工智慧公司   DeepMind  日前在國際知名科學期刊《 Nature 》上發表論文，其中重點說明了 DeepMind 的研究人員應用了強化學習和模擬環境學習架構，和瑞士洛桑聯邦理工學院電漿中心合作，在電漿中心的核融合設備：環磁機（Tokamak）中成功找到控制核融合的關鍵。 核能研究大躍進，DeepMind 新AI演算法功不可沒 環磁機是瑞士電漿中心研發的小型核融合實驗場域，環磁機內部為真空環境，酷似甜甜圈的外殼則包覆著電磁線圈，用來將熱度高於太陽核心的氫電漿限制在環磁機之中。 電漿中心主任法索利（Ambrogio Fasoli）指出，控制系統正確數值的冗長運算才是控制核融合反應的關鍵，因此為了實驗各種核融合電漿類型，以達到在成功取得能源同時保持設備安全不受毀損的目的，電漿中心與在 人工智慧 領域頗有一席之地的  DeepMind  合作，開發了強化學習系統，讓 機器學習演算法 自動控制線圈，同時還能穩定環磁機內的電漿，達成成功的核融合反應。 目前的核融合實驗，無論在硬體、時間和軟體上都十分受限，因此  DeepMind  改由從模擬環境中找尋突破口。接續模擬環境的成功，強化學習系統不僅可以準確控制環磁機內的每個線圈，演算法更能操控形成不同形狀電漿，而科學家們正致力於在其中找到能源利用最大化的可能性。 應用「隨處可見」氫離子獲取核融合 有望發展成未來可再生能源主力 數十年來，科學家為了解決全球的能源問題，希望能找到符合人類所需且乾淨的可再生能源。而藉由融合隨處可見的氫離子，來獲取巨大能量的核融合反應，是目前的最佳選項。 DeepMind  研發的  AI 演算法 不但使核能研究躍進了大大的一步，對於解決全球能源危機的願景更有實質助益，這項技術更是實實在在地縮短了...

機器學習的五種監督式學習你都了解了嗎?這篇就要帶你來看看非監督式學習演算法~ 二、非監督式學習 1. 隨機森林（Random Forest） 隨機森林可以視為決策樹的延伸，可以把隨機森林當作是多個決策樹組合而成，並加入隨機分配的訓練資料，以大幅增進最終的運算結果。其想法就是結合多個「弱學習器」（即決策樹）來建構一個「強學習器」模型。這種方法被稱為「集成」（Ensemble Method）。同時也能降低單個決策樹出錯的風險。 ▲ 決策樹演算法示意圖 例如若創建一個隨機森林模型預測數值，只有第三個決策樹預測為 0，但是如果整合所有決策樹的結果，將會判斷出預測值是為 1。 隨機森林的優點，就是可以處理大量的輸入變數，同時計算各例中的親近度，這點對於資料探勘、偵測離群點和將資料視覺化非常有用。 2. 聚類分析（Cluster analysis） 聚類分析是統計資料分析的技術，後來在如 機器學習 等領域受到廣泛應用。「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集（subset）。聚類有很多種方法，常見的如 K-means、層次聚類（Hierarchical clustering）、譜聚類（Spectral Clustering）等等。 ▲ 「聚類」是把相似的物件通過靜態分類，分成不同的組別或子集 (圖片來源： geeksforgeeks.org) 聚類時，需要實現的目標只是要把相似的東西聚到一起，一個聚類算法只需要知道如何計算相似度就可以開始分類，因此聚類算法並不需要使用訓練資料進行學習。 3. 主成分分析（Principal Component Analysis，PCA） 主成分分析 PCA 是一個在 機器學習 與統計學領域中被廣泛用來分析資料、降低數據維度以及去關聯的線性降維方法。降維（Dimension reduction）是當資料維度數（變數）很多的時候，嘗試讓維度數（變數）少一點，但資料特性不會差太多的方法。 機器學習 使用 PCA 達到降維的目的，主要是為了避免「維數災難」，或稱「維度詛咒」，指當維度增加時，分析和組織高維空間因體積指數增加而遇到各種問題：在 機器學習 問題中，模型預測能力會隨著維度的增加而減小。 4. 奇異值分解（Singular...

機器學習之海肯定很~~~大的,今天要分享一塊小小海域-監督與非監督式學習演算法圖解,快往下看! 隨著人工智慧的深入發展，沒有學習能力的 AI 侷限性越發明顯，為了突破這個瓶頸，「 機器學習 」逐漸成為 AI 領域的研究核心之一，也發展出各種 機器學習 的演算法。 現在有哪些熱門的算法？各有什麼特點？本次就要來盤點幾大常用的 機器學習 演算法，並告訴你為何 機器學習 語言要首選 Python  ，你沒聽錯，就是那個鼎鼎大名的python！ 接著讓我們來進入正題！ 機器學習 演算法大致上可以分為三類：監督式學習（Supervised learning）、非監督式學習（Unsupervised learning）與強化式學習（Reinforcement learning）。 本次將著重介紹「監督式學習」與「非監督式學習」的演算法。 一、監督式學習 監督學習算法可以分成兩個大方向：分類和迴歸。 1. 線性迴歸（Linear Regression） ▲ 線性回歸的視覺化，平面內有一系列點，尋找出一條最能擬合資料趨勢分布的線用來預測新的資料出現的位置 線性回歸源自於統計學的方法，通過一個或多個自變量與因變量進行建模的回歸分析。視覺化後如上圖，平面內有一系列點，尋找出一條最能擬合資料趨勢分布的線，也能用來預測新的資料出現的位置，就叫線性回歸。 在線性回歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計，簡單的線性回歸公式為： ▲ 簡單的線性回歸公式 y 是因變量（y）對自變量（x）任何給定值的預測值；B0 是截距，即 x 為 0 時 y 的預測值；B1 是回歸係數–表示期望 y 隨著 x 的增加而改變多少；x 是自變量（期望的變量影響 y）；e 是估計值的誤差，或表示回歸係數估計值有多少變化。 2. 邏輯回歸（Logistic Regression） 邏輯回歸延伸自線性回歸，是一個二元分類算法，透過選取不同的特徵與權重來對樣本進行機率分類。 邏輯回歸會使用某種函數將機率值壓縮到某一特定範圍，如 Sigmoid 函數。S 函數是一種具有 S 形曲線、用於二分類的函數。 ▲ 邏輯分布函數圖像（圖片來源：Wikipedia） 邏輯...