Коротко об ИИ

Коротко об ИИ

ИИ или искусственный интеллект, новая технология, которая обещает захватить мир и упростить нашу жизнь. Но что такое ИИ и как он работает? В чем разница между машинным обучением и глубоким обучением? И какие системы ИИ существуют? Что ж, я здесь, чтобы спасти и помочь вам увидеть лес за деревьями.

Определение и цель.

Самый простой способ понять ИИ — поместить его в контекст людей. Люди могут видеть, слушать, слышать, обрабатывать, читать, понимать, говорить и многое другое. Все эти типичные человеческие товарные знаки можно поместить в контекст ИИ. Изначально искусственный интеллект — это широкая ветвь информатики, изучающая процессы, которые взаимодействуют с данными и которые могут быть представлены в виде данных в виде программ.

Основная цель ИИ — создавать системы, которые могут функционировать разумно и независимо.

Типы ИИ.

Есть два больших способа работы ИИ: символическое обучение и машинное обучение.

Символическое обучение

Обработка изображений
Распознавание, понимание и создание изображений определенной сцены относится к сфере обработки изображений. Это не конкретная область ИИ, но она необходима для работающей техники компьютерного зрения.

Компьютерное зрение
Люди могут видеть и смотреть своими глазами и обрабатывать эти изображения. Компьютерное зрение подпадает под символический способ обработки изображений, но также является частью сверточной нейронной сети и глубокого обучения. Распознавание объектов осуществляется с помощью компьютерного зрения.

Робототехника
Передвижение в среде, понятной человеку, — это область робототехники.

Машинное обучение

Машинное обучение — это научное исследование алгоритмов и моделей, используемых компьютерными системами для выполнения конкретной задачи, не полагаясь на инструкции, а вместо этого опираясь на шаблоны и выводы. Он строит модель на основе выборки или данных обучения, чтобы делать прогнозы или принимать решения. Чем больше данных и размерностей данных, тем легче машинам лучше распознавать образы.

Статистическое обучение
Область статистического обучения охватывает все, что может быть подтверждено и понято статистически.

Распознавание речи
Этот тип ИИ можно сравнить с системой общения между людьми. Большинство из нас могут говорить, слушать и понимать друг друга с помощью языка, что делает нас совершенно уникальными.

Обработка естественного языка
Это включает в себя письмо, чтение и понимание письменного языка. Часто обработка естественного языка укорачивается НЛП.

Глубокое обучение
Глубокое обучение основано на искусственных нейронных сетях. Он использует несколько уровней ANN для преобразования данных в функции более высокого уровня. Это объясняет слово «глубокий» в глубоком обучении. Цепочка причинно-следственных связей между вводом и выводом данных в глубоком обучении называется путь присвоения кредитов (CAP).

Существует несколько типов методов глубокого обучения и машинного обучения для воспроизведения того, что делает биологический мозг.

Искусственные нейронные сети
Искусственные нейронные сети, или ANN, охватывают работу когнитивных способностей в машинах. Искусственные нейронные сети — это расплывчатая копия человеческого мозга, выполняющая ту же функцию. Модель ANN основана на наборе соединений или узлов, называемых «искусственными нейронами». Каждое соединение передает сигнал от одного нейрона к другому. Сигнал - это действительное число. Каждое соединение называется «ребро». Основная цель ИНС — иметь такую ​​же рабочую функцию, как у человеческого мозга.

Основные отличия ИНС от биологических нейронов:

• ANNS в основном статические и символические
• Биологические нейроны мозга являются динамическими и аналоговыми.

Сверточная нейронная сеть
Сверточная нейронная сеть или CNN используется для распознавания объектов в сцене, поэтому, как упоминалось ранее, компьютерное зрение и распознавание объектов являются частью этого метода. . Например, сканирование изображений по определенной схеме.

Рекуррентная нейронная сеть
RNN может использовать свое внутреннее состояние (= память) для обработки последовательностей входных данных. Так же, как люди могут использовать свою (ограниченную) память. Соединения в RNN образуют ориентированный граф рядом с временной последовательностью. Это позволяет ему демонстрировать временное динамическое поведение.

Распознавание шаблонов
Распознавание шаблонов, таких как группировка или сборка похожих объектов. Распознавание начинается с данных, люди могут получить эти данные только путем обучения или опыта.

Способы использования машинного обучения.

Машинное обучение можно использовать для достижения целей: классификации или предсказания/регрессии.

Классификация используется, когда желаемый результат должен быть группировкой входных данных. Например, если вы хотите использовать данные для группировки клиентов.

Прогнозирование или регрессия используется в том случае, если вы хотите исследовать статистическую взаимосвязь между зависимой переменной (переменной результата) и одной или несколькими независимыми переменными (функциями). Например, если вы хотите узнать, не уйдет ли клиент к конкуренту.

Алгоритмы обучения.

ИИ, машинное обучение и глубокое обучение зависят от идеально работающих алгоритмов обучения. Существует несколько типов алгоритмов обучения. Я опишу 3 основных метода обучения:

1. Обучение с учителем
Если вы обучаете алгоритм с данными, которые уже содержат ответ, это называется обучением с учителем. Каждый обучающий пример представляет собой пару, состоящую из входного объекта и желаемого выходного значения. Он анализирует данные и выводит предполагаемую функцию. Например, когда вы обучаете машину распознавать и видеть разницу между бутылкой и ключом, вам нужно сначала обучить машину данными о бутылке и ключе.

2. Неконтролируемое обучение
Если вы обучаете алгоритм с данными, где вы хотите, чтобы машина вычислила ответ или шаблон. Это помогает находить неизвестные закономерности в наборах данных без уже существующих меток.

3. Обучение с подкреплением
Когда вы ставите перед машиной цель и пытаетесь достичь ее методом проб и ошибок, вы обучаете ее алгоритму подкрепления. Отличие обучения с учителем в том, что оно не требует помеченных пар ввода/вывода. Основное внимание уделяется поиску баланса между исследованием неизвестной территории и исследованием текущих знаний. Машина обучается по системе поощрений и наказаний. Он получает вознаграждение за правильное выполнение и штрафы за неправильное выполнение. Со временем машина, или агент, будет принимать решения по оптимизации своего функционирования, чтобы максимизировать вознаграждение и минимизировать наказание. Обучение с подкреплением основано на бихевиористской психологии. Большим преимуществом этого метода является то, что он позволяет учиться без описания человеком того, как он должен выполнять задачу. Примером обучения с подкреплением являются самоуправляемые автомобили.

Тааак… Мы подошли к концу этой статьи. Но, конечно же, это не конец документации ИИ. Я знаю, что, вероятно, упустил некоторые важные ключевые термины или более глубокие объяснения, но я просто хотел дать себе и другим новичкам в области ИИ четкий обзор. Я, безусловно, рекомендую не торопиться и прочитать много статей об ИИ для дальнейшего понимания. Также я хочу порекомендовать это короткое видео г-на Раджа Рамеша, которое было моим основным ресурсом для этой статьи.

Увидимся в следующий раз!

Нина