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:

1. pod nadzorom,
2. Bez nadzora, i
3. 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)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Deνices connected to the Internet are called smart devices. Pretty much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in 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