Разбиране на изкуствен интелект, машинно обучение и задълбочено обучение

Изкуственият интелект (AI) и неговите подмножества машинното обучение (ML) и дълбокото обучение (DL) играят основна роля в науката за данните. Data Science е всеобхватен процес, който включва предварителна обработка, анализ, визуализация и прогнозиране. Позволява да се потопим дълбоко в AI и неговите подмножества.

Изкуствен интелект (AI) е клон на компютърните науки, занимаващ се с изграждането на интелигентни машини, способни да изпълняват задачи, които обикновено изискват човешка интелигентност. AI е основно разделен на три категории, както е показано по-долу

  • Тесен изкуствен интелект (ANI)

  • Изкуствен общ интелект (AGI)

  • Изкуствен супер интелект (ASI).

Тесният AI понякога наричан „слаб AI“, изпълнява една задача по определен начин в най-добрия си вид. Например автоматизирана кафемашина ограбва, която изпълнява добре дефинирана последователност от действия за приготвяне на кафе. Докато AGI, който също се нарича „силен AI“, изпълнява широк спектър от задачи, които включват мислене и разсъждение като човек. Пример за това е Google Assist, Alexa, Chatbots, който използва обработка на естествен език (NPL). Изкуственият супер интелект (ASI) е усъвършенстваната версия, която изпълнява човешките способности. Може да изпълнява творчески дейности като изкуство, вземане на решения и емоционални взаимоотношения.

Сега нека разгледаме Машинно обучение (ML). Това е подмножество от AI, което включва моделиране на алгоритми, което помага да се правят прогнози въз основа на разпознаването на сложни модели и набори от данни. Машинното обучение се фокусира върху даването на възможност на алгоритмите да се учат от предоставените данни, да събират прозрения и да правят прогнози за неанализирани по-рано данни, използвайки събраната информация. Различни методи за машинно обучение са

  • контролирано учене (слаб AI – ориентиран към задачи)

  • учене без надзор (Силен AI – задвижван от данни)

  • полуконтролирано обучение (силен AI – рентабилен)

  • подсилено машинно обучение. (Силен AI – учете се от грешките)

Контролираното машинно обучение използва исторически данни, за да разбере поведението и да формулира бъдещи прогнози. Тук системата се състои от определен набор от данни. Той е обозначен с параметри за входа и изхода. И тъй като новите данни идват, ML алгоритъмът анализира новите данни и дава точния изход на базата на фиксираните параметри. Контролираното обучение може да изпълнява задачи за класификация или регресия. Примери за задачи за класификация са класификация на изображения, разпознаване на лица, класификация на спам по имейл, откриване на измами и т.н., а за задачите за регресия са прогнозиране на времето, прогнозиране на растежа на населението и т.н.

Машинното обучение без надзор не използва никакви класифицирани или обозначени параметри. Той се фокусира върху откриването на скрити структури от немаркирани данни, за да помогне на системите да изведат правилно функция. Те използват техники като групиране или намаляване на размерността. Групирането включва групиране на точки от данни с подобен показател. Задвижва се от данни и някои примери за групиране са препоръка за филми за потребители в Netflix, сегментиране на клиенти, навици за закупуване и т.н. Някои от примерите за намаляване на размерността са извличане на функции, визуализация на големи данни.

Полуконтролираното машинно обучение работи, като използва както етикетирани, така и немаркирани данни за подобряване на точността на обучение. Полуконтролираното обучение може да бъде рентабилно решение, когато етикетирането на данни се окаже скъпо.

Ученето с подсилване е доста различно в сравнение с контролираното и неконтролирано учене. Може да се определи като процес на опити и грешки, който накрая дава резултати. t се постига чрез принципа на итеративния цикъл на подобрение (да се учи от минали грешки). Подсилващото обучение също се използва за обучение на агентите на автономно шофиране в симулирана среда. Q-обучението е пример за алгоритми за обучение с подсилване.

Продължавайки напред към Дълбоко обучение (DL), това е подмножество от машинно обучение, където изграждате алгоритми, които следват многослойна архитектура. DL използва множество слоеве за прогресивно извличане на функции от по-високо ниво от необработения вход. Например, при обработката на изображения, по-ниските слоеве могат да идентифицират ръбове, докато по-високите слоеве могат да идентифицират понятията, свързани с човека, като цифри, букви или лица. DL обикновено се отнася до дълбока изкуствена невронна мрежа и това са наборите от алгоритми, които са изключително точни за проблеми като разпознаване на звук, разпознаване на изображения, обработка на естествен език и т.н.

За да обобщим, Data Science обхваща AI, който включва машинно обучение. Самото машинно обучение обаче обхваща друга подтехнология, която е дълбоко обучение. Благодарение на AI, тъй като той е в състояние да решава все по-трудни проблеми (като откриване на рак по-добре от онколозите) по-добре от хората.

Empfohlene Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.