Люди путаются, когда сталкиваются с этими терминами, и хотят знать различия между ними. Эти термины не используются взаимозаменяемо, но имеют особое определение.
ИИ (искусственный интеллект)
Это расширенная отрасль информатики, в которой используются машины для создания машин, способных выполнять определенные задачи, обычно требующие человеческого интеллекта. ИИ в основном позволяет машине думать без вмешательства человека. Машина сможет принимать собственные решения.
Общие вопросы, которыми занимается ИИ:
- Логическое мышление и решение проблем
- Автоматизированное мышление
- Обучение и планирование
- Общий и социальный интеллект
- Восприятие
Конкретные приложения ИИ включают обработку естественного языка (NLP), экспертные системы, распознавание речи, компьютерное или машинное зрение и многое другое.
🎞Вы, должно быть, задавались вопросом, как список других «похожих» шоу на потоковых веб-сайтах основан на вашей истории просмотра.
МО (машинное обучение)
ML — это подмножество ИИ. Он предоставляет нам статистические инструменты для изучения и понимания данных.
В ML есть три разных подхода:
- Обучение с учителем. При таком подходе у нас есть прошлые помеченные данные, которые используются для прогнозирования будущего путем выявления закономерностей в этих данных. К такому типу обучения относятся модели линейной регрессии и логистической регрессии. Например, нам дан набор данных с двумя помеченными характеристиками: ростом и весом, и мы должны определить, страдает ли человек ожирением или нет.
- Обучение без учителя. При таком подходе к данным не добавляются метки, и мы группируем их на основе схожести между данными. Обычно мы решаем задачи кластеризации. Например, в алгоритме кластеризации K-средних мы должны сегментировать набор данных на различные кластеры, чтобы извлечь из него содержательную информацию.
- Обучение с подкреплением (или полууправляемое обучение). В этом типе машинного обучения у нас есть часть данных, которые помечены, а другая часть данных, которая не помечены. Таким образом, модель машинного обучения медленно учится, анализируя и тренируясь с использованием прошлых данных, и адаптируется к новым представленным данным.
Общая цель использования сопоставления шаблонов ML для аргументов функций, сборки мусора, императивного программирования.
DL (глубокое обучение)
DL — это подмножество машинного обучения. Причиной создания ГО является вопрос: «Можем ли мы заставить машину учиться так же, как мы с помощью человеческого мозга действительно пытаемся учиться чему-то?». В DL создаются мультинейронные сетевые архитектуры, имитирующие человеческий мозг.
Согласно Википедии, «Наука о данных — это междисциплинарная область, в которой используются научные методы, процессы, алгоритмы и системы для извлечения знаний и идей из зашумленных, структурированных и неструктурированных данных, а также для применения знаний и практических идей из данных в широком диапазоне областей. домены приложений».
DL — это тип искусственного интеллекта (ИИ) и машинного обучения (МО), который имитирует то, как люди получают определенные типы знаний. Это важный элемент науки о данных, который включает в себя статистику и прогнозное моделирование.
Глубокое обучение используется для таких целей, как обработка естественного языка (NLP), открытие лекарств и токсикология, биоинформатика и многие другие.
DS (наука о данных)
DS — это метод, который пытается применить методы машинного обучения, глубокого обучения наряду с математическими инструментами, такими как статистика, вероятность, линейная алгебра, дифференциальное исчисление и многие другие.
DataScience=AI+ML+DL+Math+Programming+Analytics
Жизненный цикл науки о данных состоит из 6 этапов:
- Понимание проблемы
- Сбор, подготовка и обработка данных
- Разработка модели
- Построение модели
- Сообщение о результатах и публикация
- операционализация
Проще говоря, DS — это «анализ данных для получения действенной информации». Наука о данных имеет много общего со всем искусственным интеллектом, машинным обучением и глубоким обучением.
DS имеет свои преимущества в различных секторах: оптимизация маршрутов доставки и логистики в режиме реального времени, идентификация и прогнозирование заболеваний, обнаружение мошенничества, медицинские рекомендации, автоматизация цифровой рекламы и т. д.
Сводка
Данные — это новая нефть. Его можно найти везде и повсюду. Он питает все, что мы делаем. На самом деле цифровые данные растут быстрыми темпами, удваиваются каждые два года и меняют наш образ жизни. В пути много всего!
