هوش مصنوعی اسکرچ برای کودکان

استنتاج منطقی (یا استنتاج) فرآیند ارائه یک گزاره هوش مصنوعی اسکرچ  جدید (نتیجه گیری) از سایر گزاره های شناخته شده به درستی (مقدمات) است. یک قانون استنتاج مراحل معتبر یک اثبات را توصیف می کند. کلی ترین قانون حل و فصل است. استنتاج را می‌توان به جستجوی مسیری که از مقدمات به نتیجه‌گیری منتهی می‌شود، تقلیل داد، که در آن هر مرحله کاربرد یک قانون استنتاج است. اما به جز برای اثبات های کوتاه در زمینه های محدود، تحقیقات جامع بیش از حد طول می کشد.

منطق فازی مقادیر حقیقت را بین 0 و 1 تخصیص می دهد،  هوش مصنوعی اسکرچ و امکان رسیدگی به عبارات مبهم مانند "این داغ است"32 را ممکن می کند. منطق غیر یکنواخت این امکان را فراهم می کند که برخی از نتایج را لغو کنیم. اشکال مختلف دیگر منطق برای توصیف بسیاری از مناطق پیچیده توسعه یافته است.

روش های احتمالی و مدیریت عدم قطعیت

مثالی از شبکه بیزی و جداول احتمال شرطی مرتبط.

بسیاری از مشکلات در هوش مصنوعی (استدلال، برنامه ریزی، هوش مصنوعی اسکرچ  یادگیری، ادراک، روباتیک، و غیره) مستلزم این است که بتوانیم از اطلاعات ناقص یا نامشخص استفاده کنیم.

برخی از تکنیک ها بر استنتاج بیزی تکیه می کنند، که فرمولی برای به روز رسانی احتمالات ذهنی با توجه به اطلاعات جدید ارائه می دهد. این به ویژه در مورد شبکه های بیزی صدق می کند. استنتاج بیزی اغلب برای محاسبه نیاز به تقریب دارد.

پایان قرن با دوره‌هایی از شور و شوق و دو دوره سرخوردگی  هوش مصنوعی اسکرچ و انجماد بودجه به نام «زمستان‌های هوش مصنوعی»45 مشخص شد، اولی از 1974 تا 1980 و دومی از 1987 تا 1993. کارشناسان سیستم‌ها به ویژه در دهه 1980، با وجود شکنندگی و دشواری در اجرای دستی قوانین استنتاج صحیح44. تکنیک‌های یادگیری ماشین (شبکه‌های عصبی، پس انتشار گرادیان، الگوریتم‌های ژنتیک) و همچنین رویکرد اتصال‌گرایانه توسعه یافته‌اند. اما قدرت محاسباتی کم و کمبود داده های آموزشی کارایی آنها را محدود کرد. برخی از زمینه‌ها به تدریج دیگر بخشی از هوش مصنوعی تلقی نمی‌شدند، زیرا راه‌حل مؤثری پیدا شد. پدیده ای که گاهی اوقات "اثر هوش مصنوعی" نامیده می شود.

در دهه 2000، وب 2.0، داده های بزرگ و آموزش برنامه نویسی کودکان و نوجوانان  زیرساخت های هوش مصنوعی اسکرچ  جدید و ظرفیت های محاسباتی امکان اکتشاف توده های بی سابقه ای از داده ها را فراهم کرد. در سال 2005، پروژه مغز آبی با هدف شبیه سازی مغز پستانداران آغاز شد. در سال 2012، با شبکه عصبی کانولوشنال Alexnet، استفاده از پردازنده‌های گرافیکی برای آموزش شبکه‌های عصبی آغاز شد، بنابراین ظرفیت‌های محاسباتی اختصاص داده شده به یادگیری افزایش یافت. سازمان هایی مانند DeepMind در سال 201049 و OpenAI در سال 201550 با هدف ایجاد هوش عمومی مصنوعی ظهور کرده اند.

در سال 2017، محققان گوگل معماری ترانسفورماتور هوش مصنوعی اسکرچ  را پیشنهاد کردند که به عنوان پایه ای برای مدل های زبان بزرگ عمل می کرد. در سال 2018، یان لو کان، یوشوا بنجیو و جفری هینتون جایزه تورینگ را برای کار خود در زمینه یادگیری عمیق دریافت کردند.

یادگیری ماشینی شامل اجازه دادن به مدل  هوش مصنوعی اسکرچ هوش مصنوعی برای یادگیری نحوه انجام یک کار به جای تعیین دقیق نحوه انجام آن است. این مدل شامل پارامترهایی است که مقادیر آنها در Scratch artificial intelligence  طول آموزش تنظیم می شود. روش پس انتشار گرادیان قادر است برای هر پارامتر تشخیص دهد که تا چه اندازه در