Изучите искусственный интеллект, машинное обучение и глубокое обучение

Искусственный интеллект (AI) и его подмножества машинного обучения (ML) и глубокого обучения (DL) играют важную роль в науке о данных. Наука о данных — это комплексный процесс, включающий предварительную обработку, анализ, визуализацию и прогнозирование. Давайте углубимся в искусственный интеллект и его подмножества.

Искусственный интеллект (AI) это раздел информатики, связанный с созданием интеллектуальных машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта. AI в основном делится на три категории, как показано ниже.

  • Искусственный узкий интеллект (АНИ)

  • Общий искусственный интеллект (AGI)

  • Искусственный суперинтеллект (ИСИ).

Узкий ИИ, иногда называемый «слабым ИИ», выполняет одну задачу определенным образом наилучшим образом. Например, автоматическая кофемашина грабит, которая следует четко определенной последовательности действий по приготовлению кофе. В отличие от этого, AGI, также известный как «сильный искусственный интеллект», выполняет широкий спектр задач, включая человеческое мышление и рассуждение. Примером могут служить Google Assist, Alexa, чат-боты, использующие обработку естественного языка (NPL). Искусственный суперинтеллект (ИСИ) — это усовершенствованная версия, превосходящая человеческие возможности. Может заниматься творческой деятельностью, такой как искусство, принятие решений и эмоциональные отношения.

Теперь посмотрим на Машинное обучение (ML). Это подмножество искусственного интеллекта, которое включает моделирование алгоритмов, помогающее создавать прогнозы на основе распознавания сложных шаблонов и наборов данных. Машинное обучение нацелено на то, чтобы алгоритмы могли учиться на предоставленных данных, собирать идеи и прогнозировать ранее не проанализированные данные с использованием собранной информации. Есть разные методы машинного обучения

  • контролируемое обучение (слабый искусственный интеллект — управляемый задачами)

  • обучение без учителя (сильный искусственный интеллект — управляемый данными)

  • частичное обучение с учителем (сильный искусственный интеллект — выгодно)

  • улучшенное машинное обучение. (Сильный ИИ — учись на ошибках)

Машинное обучение с учителем использует исторические данные, чтобы понять поведение и делать прогнозы на будущее. Здесь система состоит из определенного набора данных. Он отмечен параметрами для ввода и вывода. А когда появляются новые данные, алгоритм машинного обучения анализирует новые данные и дает вам точный результат на основе установленных вами параметров. Обучение с учителем может выполнять задачи классификации или регрессии. Примерами задач классификации являются классификация изображений, распознавание лиц, классификация спама по электронной почте, идентификация обнаружения мошенничества и т. Д., А также для регрессионных заданий, прогнозирования погоды, прогноза роста населения и т. Д.

Автоматическое машинное обучение не использует никаких классифицированных или помеченных параметров. Он фокусируется на обнаружении скрытых структур из немаркированных данных, чтобы помочь системам правильно определять функции. Они используют такие методы, как группирование или уменьшение размеров. Кластеризация включает в себя группировку точек данных с похожей метрикой. Он основан на данных, и несколько примеров кластеризации — это рекомендации фильмов для пользователей Netflix, сегментация клиентов, покупательские привычки и т. Д. Некоторыми примерами уменьшения размерности являются получение функций, визуализация больших данных.

Полу-контролируемое машинное обучение работает с помеченными и немаркированными данными, чтобы повысить точность обучения. Частично контролируемое обучение может быть рентабельным решением, когда маркировка данных оказывается дорогостоящей.

Обучение с подкреплением существенно отличается от обучения с учителем и обучения без учителя. Это можно определить как метод проб и ошибок, который в конечном итоге дает результаты. Это достигается за счет итеративного цикла улучшений (обучение на прошлых ошибках). Обучение с подкреплением также использовалось для обучения агентов автономному вождению в смоделированных средах. Q-обучение — это пример алгоритмов обучения с подкреплением.

Собирается Глубокое обучение (DL), это подмножество машинного обучения, в котором алгоритмы соответствуют многоуровневой архитектуре. DL использует несколько слоев для постепенного выделения функций более высокого уровня из исходных данных. Например, при обработке изображений нижние слои могут идентифицировать края, в то время как верхние слои могут идентифицировать важные для человека понятия, такие как числа, буквы или лица. DL обычно называют глубокой искусственной нейронной сетью, и это наборы алгоритмов, которые чрезвычайно точны для таких проблем, как распознавание звука, распознавание изображений, обработка естественного языка и т. Д.

Таким образом, наука о данных включает в себя искусственный интеллект, в том числе машинное обучение. Однако само машинное обучение включает в себя еще одну низкую технологию — глубокое обучение. Благодаря искусственному интеллекту, потому что он может решать все более сложные задачи (например, обнаруживать рак лучше, чем онкологи) лучше, чем люди.

Поделиться ссылкой:

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Рекомендуем

Пять советов по использованию видео для изучения нового языкаПять советов по использованию видео для изучения нового языка

Использование видео для изучения языков Почти все любят фильмы. От любителей боевиков и приключений до комедий и мультфильмов до романсов и вестернов — есть жанр для вас. Вы можете следить