Проще говоря, искусственный интеллект – это способность машины быть разумной или выполнять задачи, которые обычно выполняют люди. Теперь вы можете сказать, что умение отличить собаку от кошки не делает человека умным; однако в случае с компьютерами это так. Машины не рождаются со знаниями — им нужно давать примеры или данные, чтобы интерпретировать их и учиться.
Теперь вы слышите, как люди разбрасываются словами: машинное обучение и глубокое обучение — но что на самом деле означают эти слова и чем они отличаются от ИИ?
Что ж, машинное обучение — это просто как машина или программа становятся интеллектуальными. Сначала он загружает данные, затем интерпретирует и изучает данные, выполняет пару тестов, учится на своих ошибках и решает проблему, которую мы ему приказываем! Вот если бы жизнь была такой легкой, то многие глобальные проблемы уже были бы решены. Есть некоторые ограничения на то, что машина может и не может делать (большое ограничение часто связано с отсутствием качественных данных).
Итак, машинное обучение завершено, что такое глубокое обучение? Глубокое обучение — это просто подкатегория машинного обучения, когда система учится на данных, чтобы точно предсказать результат; за исключением того, что единственное отличие состоит в том, что глубокое обучение основано на использовании сложных нейронных сетей. Нейронная сеть — это сеть, состоящая из слоев нейронов, которые принимают входные данные, выполняют некоторые вычисления на входе и выдают результат. Например, если мы даем программе, скажем, 70 000 изображений рукописных цифр, и просим ее классифицировать цифру на изображении — результатом будет предсказание, которое она делает в результате того, что другие слои выполняют множество вычислений, чтобы получить результат. окончательный ответ.
Как правило, модель глубокого обучения можно классифицировать на основе трех основных слоев: входного слоя, скрытых слоев и выходного слоя. Входной слой принимает входные данные (пиксели изображения), скрытые слои выполняют вычисления, чтобы получить результат, а выходной слой выдает результат.
Для обработки всей этой информации может быть полезна визуализация:
Другие основополагающие концепции
Эти дополнительные термины важно понимать, поскольку они часто возникают при построении модели машинного обучения.
Обучение без учителя – это просто метод или алгоритм машинного обучения, который группирует данные на основе сходства. Например, у нас есть 6 изображений собак и кошек. Мы не знаем, на каких картинках кошки, а какие собаки — мы просто знаем, что всего у нас 6 картинок. Теперь представьте, что вы просите инопланетянина «сортировать эти картинки», инопланетянин не знает, что делать, потому что он никогда не видел ни собак, ни кошек, поэтому его лучший вариант — отсортировать данные по схожим характеристикам. (например, поместите изображения с длинными заостренными штучками (т.е. усами) в одну группу, а без длинных заостренных штучек в другую группу).
Обучение с учителем – это еще один метод машинного обучения, в котором используются нейронные сети. Представьте, если бы у нас снова было 6 изображений кошек и собак, но на этот раз изображения были помечены, кошка это или собака. Теперь снова попросите инопланетянина правильно идентифицировать собак и кошек. Сначала он может неправильно идентифицировать одну или две картинки, но затем учится на своих ошибках и в конечном итоге правильно идентифицирует всех собак и кошек.
CNN и RNN:также известны как сверточные нейронные сети и рекуррентные нейронные сети. CNN и RNN — это просто типы нейронных сетей, которые используются по разным причинам. CNN — это лучший выбор для распознавания изображений, поскольку его структура позволяет анализировать большие объемы пиксельных данных. RNN — лучший выбор для распознавания голоса, речи и обработки естественного языка (обучения компьютерных программ пониманию человеческого языка), поскольку они обладают долгосрочной и краткосрочной памятью, которая позволяет им чтобы запомнить предыдущие входные данные (что особенно полезно, когда вы пытаетесь обработать предложение, где контекст действительно важен).
Теперь, поскольку многие термины, упомянутые в этой статье, связаны друг с другом, диаграмма может быть особенно полезной:
Это все для этой статьи! Надеюсь, вы получили базовое представление о том, что такое ИИ, машинное обучение и глубокое обучение — ждите моей следующей статьи, в которой эти темы обсуждаются более подробно!
Авати, Рахул. Сверточная нейронная сеть (CNN). SearchEnterpriseAI, 30 сентября 2022 г., www.techtarget.com/searchenterpriseai/definition/convolutional-neural-network.
Бисвал, Авиджит. Учебное пособие по рекуррентной нейронной сети (RNN): типы, примеры, LSTM и многое другое. Simplilearn.com, 28 октября 2022 г., www.simplilearn.com/tutorials/deep-learning-tutorial/rnn.
Гирняк, Михаил. «Каковы основные ограничения алгоритмов машинного обучения?» PostIndustria, 18 марта 2022 г., postindustria.com/what-are-the-major-limitations-of-machine-learning-algorithms.
