説明
デビッド・チャーマーズ教授は、ハード意識の問題は宇宙と同じくらい複雑であると説明しています。彼は、関係する変数や次元の数のせいで、意識を理解することは宇宙そのものを理解するのと同じくらい難しいと主張しています。彼はこの問題の複雑さを乱流、量子力学、心理学の複雑さと比較しましたが、意識の問題はこれらすべてよりもさらに複雑であると信じています。
参考文献:
[1] https://www.bcs.org/upload/pdf/foundation-certificate-ai-syllabus-v1.pdf [2] https://www.apmg-international
デビッド・J・チャーマーズ、「意識の難しい問題」、J・シアー編、『意識の説明:「難しい問題」』、MITプレス、1997年。

説明
https://griffinshare.fontbonne.edu/cgi/viewcontent.cgi?article=1008&context=ijds コンピューター科学者や経済学者は、エージェントがどの程度満足しているかを説明するために「ユーティリティ」という用語を使用します。有用性は満足度または好みの尺度であり、特定の結果に対するエージェントの満足度を評価するために使用されます。ユーティリティを使用すると、エージェントの満足度を最大化するためにエージェントがとるべき最適な決定やアクションを決定できます。参考文献:
[1] BCS Foundation Certificate In Artificial Intelligence Study Guide、「意思決定と計画」、p.99-100。[2] APMG-International.com、「人工知能の基礎」 [3] EXIN.com、「人工知能の基礎」

説明
* 弱い学習者: 口語的には、単純なモデルよりわずかに優れたパフォーマンスを示すモデル。
より正式には、この概念はマルチクラス分類に一般化されており、精度が 50% を超えるという別の意味を持ちます。
二項分類の場合、弱学習器の正確な要件は、ランダムな推測よりも優れていることであることがよく知られています。[...] 基本学習者にランダムな推測よりも優れていることを要求するのは、複数クラスの問題には弱すぎますが、50% を超える精度を要求するのは厳しすぎることに注意してください。
- 46 ページ、アンサンブル メソッド、2012 年。
これは、学習可能性が弱い、つまりランダムな推測よりも優れたパフォーマンスを示す学習方法のクラスを提案する、正式な計算学習理論に基づいています。弱い学習可能性は、より望ましい強い学習可能性の単純化として提案されており、学習可能性は任意の良好な分類精度を達成します。
弱い学習可能性と呼ばれる、より弱い学習可能性のモデルでは、学習者が任意に高い精度を達成できるという要件が失われます。弱い学習アルゴリズムでは、ランダムな推測よりも (逆多項式によって) わずかに優れたパフォーマンスを示す仮説を出力するだけで済みます。
- 弱い学習能力の強さ、1990 年。
これは、アンサンブル学習アルゴリズムに貢献するメンバーの機能を説明するためによく使用されるため、有用な概念です。たとえば、ブートストラップ集約のメンバーは、少なくとも口語的な意味では、強学習者ではなく弱学習者と呼ばれることがあります。
より具体的には、弱学習器は、アンサンブル学習アルゴリズムのブースティング クラスの基礎です。
ブースティングという用語は、弱い学習者を強い学習者に変換できる一連のアルゴリズムを指します。
https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/ 弱学習者の仮説精度が 50% よりわずかに優れている場合に採用する最適な手法はブースティングです。ブースティングは、複数の弱学習器 (つまり、精度が低いモデル) を組み合わせて、より強力なモデルを作成するアンサンブル学習手法です。ブースティングは、一連の弱い学習器を反復的に学習することで機能します。それぞれの学習器は、ランダムな推測よりもわずかに優れています。次に、各弱学習器の出力が結合されて、より正確なモデルが形成されます。ブースティングは、幅広い機械学習タスクの精度を向上させることが証明されている強力な手法です。詳細については、BCS Foundation Certificate In Artificial Intelligence Study Guide または上記のリソースを参照してください。

説明
コンピューター プログラミングにおいて、ベクトルは、すべて同じタイプの要素のコレクションを含むデータ構造です。ベクトル内の各要素には関連付けられたインデックスがあり、そのインデックスにある要素にアクセスして変更するために使用できます。ベクトルは通常、数値 (整数や浮動小数点数など) または文字列のコレクションを格納するために使用されますが、任意のタイプのデータを格納するために使用することもできます。
参考文献: [1] BCS Foundation Certificate In Artificial Intelligence Study Guide、ページ番号 36 [2] APMG International、「What is a Vector in Computer Programming?」、https://apmg-international.com/en/blog/what- is-a-vector-in-computer-programming/ [3] EXIN、「コンピュータ プログラミングにおけるベクトルとは何ですか?」、https://www.exin.com/blog/what-is-a-vector-in-コンピュータープログラミング/

説明
信頼できる AI に関する欧州連合の倫理ガイドラインでは、人間中心の価値体系を使用して、人工知能 (AI) が信頼できることを実証しています。この価値体系は、人権、自主性、安全、プライバシー、透明性、説明責任、公平性に基づいています。ガイドラインでは、AI はこれらの価値観を尊重した方法で設計、開発、使用されるべきであるとも述べられています。参考文献:
* https://ec.europa.eu/digital-single-market/en/news/ethical-guidelines-trustworthy-ai
* BCS Foundation Certificate In Artificial Intelligence Study Guide (2019)、AI と倫理、第 5 章。