Što su strojno učenje i duboko učenje u umjetnoj inteligenciji
Uređaji spojeni na Internet nazivaju se pametni uređaji. Gotovo sve što je povezano s internetom(Internet) poznato je kao pametni uređaj(smart device) . U tom kontekstu, može se reći da se kod koji uređaje čini PAMETNIJIM –(SMARTER – ) tako da mogu raditi uz minimalnu ili bez ikakve ljudske intervencije – temelji na umjetnoj inteligenciji(Artificial Intelligence) (AI). Druga dva, naime: Strojno učenje(Machine Learning) (ML) i Dubinsko učenje(Deep Learning) (DL), različite su vrste algoritama napravljenih da pametnim uređajima dovedu više mogućnosti. Pogledajmo AI vs ML vs DL detaljno u nastavku kako bismo razumjeli što rade i kako su povezani s umjetnom inteligencijom.
Što je umjetna inteligencija s obzirom na ML & DL
AI se može nazvati nadskupom procesa strojnog učenja(Machine Learning) (ML) i procesa dubokog učenja(Deep Learning) (DL). AI je obično krovni izraz koji se koristi za ML i DL. Duboko učenje(Deep Learning) je opet podskup strojnog učenja(Machine Learning) (vidi sliku iznad).
Neki tvrde da strojno učenje(Machine Learning) više nije dio univerzalnog AI. Kažu da je ML potpuna znanost za sebe i stoga se ne mora zvati u vezi s umjetnom inteligencijom(Artificial Intelligence) . AI uspijeva na podacima: Big Data . Što više podataka troši, to je točnije. Nije da će uvijek točno predvidjeti. Bit će i lažnih zastava. AI se trenira na tim pogreškama i postaje bolji u onome što bi trebao raditi - sa ili bez nadzora ljudi.
Umjetnu inteligenciju nije moguće ispravno definirati jer je prodrla u gotovo sve industrije i utječe na previše vrsta (poslovnih) procesa i algoritama. Možemo reći da se umjetna inteligencija(Intelligence) temelji na znanosti o podacima(Data Science) (DS: Big Data ) i da sadrži strojno učenje(Machine Learning) kao svoj poseban dio. Isto tako(Likewise) , duboko učenje(Deep Learning) je poseban dio strojnog učenja(Machine Learning) .
Kako se IT tržište naginje, budućnošću bi dominirali povezani pametni uređaji, nazvani Internet of Things (IoT) . Pametni(Smart) uređaji znače umjetnu inteligenciju: izravno ili neizravno. Već koristite umjetnu inteligenciju (AI) u mnogim zadacima u svom svakodnevnom životu. Na primjer, tipkanje na tipkovnici pametnog telefona koja postaje sve bolja na "prijedlog riječi". Među ostalim primjerima u kojima nesvjesno imate posla s umjetnom inteligencijom(Artificial Intelligence) su traženje stvari na Internetu(Internet) , internetska kupovina i, naravno, uvijek pametni Gmail i Outlook sandučići e-pošte.
Što je strojno učenje
Strojno učenje(Learning) je područje umjetne inteligencije(Artificial Intelligence) gdje je cilj natjerati stroj (ili računalo, ili softver) da uči i trenira se bez puno programiranja. Takvi uređaji zahtijevaju manje programiranja jer primjenjuju ljudske metode za izvršavanje zadataka, uključujući učenje kako da rade bolje. U osnovi(Basically) , ML znači malo programirati računalo/uređaj/softver i dopustiti mu da uči samostalno.
Postoji nekoliko metoda za olakšavanje strojnog učenja(Machine Learning) . Od njih se sljedeća tri intenzivno koriste:
- pod nadzorom,
- Bez nadzora, i
- Učenje s pojačanjem.
Nadzirano učenje u strojnom učenju(Machine Learning)
Nadzirano u smislu da programeri prvo daju stroju označene podatke i već obrađene odgovore. Ovdje oznake znače nazive redaka ili stupaca u bazi podataka ili proračunskoj tablici. Nakon što računalo dostavi ogromne skupove takvih podataka, ono je spremno analizirati daljnje skupove podataka i samostalno dati rezultate. To znači da ste naučili računalo kako analizirati podatke koji su mu dostavljeni.
Obično se potvrđuje korištenjem pravila 80/20. Ogromni(Huge) skupovi podataka predaju se računalu koje pokušava i uči logiku koja stoji iza odgovora. 80 posto podataka s nekog događaja prenosi se na računalo zajedno s odgovorima. Preostalih 20 posto se hrani bez odgovora kako bi se vidjelo može li računalo dati odgovarajuće rezultate. Ovih 20 posto koristi se za unakrsnu provjeru kako bi se vidjelo kako računalo (stroj) uči.
Nenadzirano strojno učenje
Učenje bez nadzora događa se kada se stroj napaja nasumičnim skupovima podataka koji nisu označeni i nisu u redu. Stroj mora smisliti kako proizvesti rezultate. Na primjer, ako mu ponudite softballove različitih boja, trebao bi se moći kategorizirati po bojama. Dakle, u budućnosti, kada stroj bude predstavljen s novom softballom, može identificirati loptu s već prisutnim oznakama u svojoj bazi podataka. U ovoj metodi nema podataka o obuci. Stroj mora sam učiti.
Učenje s pojačanjem
U ovu kategoriju spadaju strojevi koji mogu donijeti niz odluka. Zatim postoji sustav nagrađivanja. Ako stroj dobro radi što god programer želi, dobiva nagradu. Stroj je programiran na način da žudi za maksimalnim nagradama. A da bi ga dobio, rješava probleme osmišljavanjem različitih algoritama u različitim slučajevima. To znači da AI računalo koristi metode pokušaja i pogrešaka kako bi došlo do rezultata.
Na primjer, ako je stroj samovozeće vozilo, mora kreirati vlastite scenarije na cesti. Ne postoji način na koji programer može programirati svaki korak jer on ili ona ne mogu smisliti sve mogućnosti kada je stroj na putu. Tu dolazi učenje s pojačanjem(Reinforcement Learning) . Također ga možete nazvati AI pokušaja i pogrešaka.
Po čemu se duboko učenje razlikuje od strojnog učenja(Machine Learning)
Dubinsko učenje(Deep Learning) je za kompliciranije zadatke. Duboko učenje(Deep Learning) je podskup strojnog učenja(Machine Learning) . Samo da sadrži više neuronskih mreža koje pomažu stroju u učenju. Neuralne(Manmade) mreže koje je napravio čovjek nisu nove. Laboratoriji(Labs) diljem svijeta pokušavaju izgraditi i poboljšati neuronske mreže kako bi strojevi mogli donositi informirane odluke. Sigurno ste čuli za Sophiju(Sophia) , humanoidu u Saudijskoj Arabiji(Saudi) koja je dobila redovno državljanstvo. Neuronske mreže su poput ljudskog mozga, ali nisu tako sofisticirane kao mozak.
Postoje neke dobre mreže koje omogućuju duboko učenje bez nadzora. Možete reći da je duboko učenje(Deep Learning) više neuronskih mreža koje oponašaju ljudski mozak. Ipak, s dovoljno uzoraka podataka, algoritmi dubokog učenja(Deep Learning) mogu se koristiti za prikupljanje detalja iz uzorka podataka. Na primjer, s DL strojem s procesorom slike, lakše je stvoriti ljudska lica s emocijama koje se mijenjaju u skladu s pitanjima koja se postavljaju stroju.
Gore navedeno objašnjava AI vs MI vs DL jednostavnijim jezikom. AI i ML su velika polja – koja se tek otvaraju i imaju ogroman potencijal. To je razlog zašto su neki ljudi protiv korištenja strojnog učenja(Machine Learning) i dubokog učenja(Deep Learning) u umjetnoj inteligenciji(Artificial Intelligence) .
Related posts
SMS Organizator: SMS aplikacija koju pokreće strojno učenje
Činjenice, mitovi, rasprava o umjetnoj inteligenciji
Što je duboko učenje i neuronska mreža
Najbolji besplatni softver za umjetnu inteligenciju za Windows 10
Kako instalirati Drupal koristeći WAMP na Windows
NASA-ine oči pomažu vam istraživati svemir poput astronauta
Kako instalirati Windows 95 na Windows 10
Što su virtualne kreditne kartice i kako ih i gdje dobiti?
Besplatni softver za upravljanje zadacima za upravljanje timskim radom
Najbolji besplatni softver za sigurno digitalno prijenosno računalo i online usluge
Kako pretvoriti binarni u tekst pomoću ovog pretvarača teksta u binarni
Aplikacija za razmjenu poruka nudi snažnu sigurnost; Broj telefona nije potreban!
Savjeti za kupovinu Cyber ponedjeljka i crnog petka koje želite slijediti
Devet nostalgičnih tehničkih zvukova koje vjerojatno niste čuli godinama
Što su veliki podaci - jednostavno objašnjenje s primjerom
Što je Data Analytics i čemu služi
Kako napraviti pozivnicu na Windows računalu
Došlo je do pogreške prilikom provjere ažuriranja u VLC-u
Zaključani ste iz postavki Plex poslužitelja i poslužitelja? Evo popravka!
Kako izbrisati svoj LastPass račun