Искусственный интеллект (ИИ) — это интеллект, демонстрируемый машинами, в отличие от естественного интеллекта, которым обладают люди и животные. В просторечии термин «искусственный интеллект» часто используется для описания машин (или компьютеров), которые имитируют «когнитивные» функции, которые люди связывают с человеческим разумом, такие как «обучение» и «решение проблем».
Отец-основатель искусственного интеллекта (ИИ)
Джон Маккарти был американским ученым-компьютерщиком и когнитивистом. Маккарти был одним из основателей дисциплины искусственного интеллекта. Он был соавтором документа, в котором был введен термин «искусственный интеллект».
Подмножества искусственного интеллекта (ИИ)
Машинное обучение
Машинное обучение — это область исследования, которая дает компьютерам возможность учиться без явного программирования. Как видно из названия, это дает компьютеру то, что делает его более похожим на человека: Способность к обучению. Сегодня машинное обучение активно используется, возможно, во многих других областях, чем можно было бы ожидать.
Типы в машинном обучении (ML)
Обучение под наблюдением:обучение под наблюдением, поскольку название указывает на присутствие супервайзера в качестве учителя. По сути, контролируемое обучение — это обучение, при котором мы обучаем или обучаем машину, используя данные, которые хорошо помечены, что означает, что некоторые данные уже помечены правильным ответом. После этого машине предоставляется новый набор примеров (данных), чтобы алгоритм обучения с учителем анализировал обучающие данные (набор обучающих примеров) и выдавал правильный результат из помеченных данных.
Обучение без учителя. Обучение без учителя — это обучение машины с использованием информации, которая не классифицирована и не помечена, и позволяющей алгоритму действовать на этой информации без руководства. Здесь задача машины — группировать несортированную информацию по сходствам, закономерностям и различиям без предварительной подготовки данных.
В отличие от контролируемого обучения, учитель не предоставляется, что означает, что машина не будет обучаться. Поэтому машина ограничена, чтобы найти скрытую структуру в неразмеченных данных самостоятельно.
Обучение с подкреплением. Обучение с подкреплением — это область машинного обучения. Речь идет о принятии подходящих действий для максимизации вознаграждения в конкретной ситуации. Он используется различным программным обеспечением и машинами, чтобы найти наилучшее возможное поведение или путь, который он должен выбрать в конкретной ситуации. Обучение с подкреплением отличается от обучения с учителем тем, что при обучении с учителем данные обучения содержат ключ ответа, поэтому модель обучается с помощью самого правильного ответа, тогда как при обучении с подкреплением ответа нет, но агент подкрепления решает, что делать. для выполнения поставленной задачи. В отсутствие обучающего набора данных он обязан учиться на своем опыте.
Глубокое обучение
Глубокое обучение — это особый вид машинного обучения, который достигает большой мощности и гибкости за счет обучения представлению мира в виде вложенной иерархии понятий, где каждое понятие определяется по отношению к более простым понятиям, а более абстрактные представления вычисляются в терминах менее абстрактных.
Это означает, что проще Глубокое обучение — это ветвь машинного обучения, полностью основанная на искусственных нейронных сетях, поскольку нейронная сеть будет имитировать человеческий мозг, поэтому глубокое обучение также является своего рода имитацией человеческого мозга. В глубоком обучении нам не нужно явно все программировать. Концепция глубокого обучения не нова. Он существует уже пару лет. Сейчас это на слуху, потому что раньше у нас не было такой большой вычислительной мощности и большого количества данных. Как и в последние 20 лет, вычислительная мощность растет в геометрической прогрессии, на сцену выходят глубокое и машинное обучение.
Подмножества и приложения:
1. Нейронные сети
2. Компьютерное зрение
3. Обработка естественного языка
4. Модели последовательности
5. Прогнозирование временных рядов
Нейронные сети. Это искусственные системы, созданные на основе биологических нейронных сетей. Эти системы учатся выполнять задачи, подвергаясь воздействию различных наборов данных и примеров без каких-либо правил для конкретных задач. Идея состоит в том, что система генерирует идентифицирующие характеристики из данных, которые им были переданы, без программирования с заранее запрограммированным пониманием этих наборов данных.
Нейронные сети основаны на вычислительных моделях пороговой логики. Пороговая логика представляет собой комбинацию алгоритмов и математики. Нейронные сети основаны либо на изучении мозга, либо на применении нейронных сетей к искусственному интеллекту. Работа привела к улучшениям в теории конечных автоматов.
Типы нейронных сетей:
- Искусственная нейронная сеть
- Сверточная нейронная сеть
- Рекуррентная нейронная сеть
Есть много других типов, таких как Deep Neural Nets, маска R-CNN, LSTM и многие другие, они являются основными.
Приложения искусственного интеллекта (ИИ), машинного обучения (МО), глубокого обучения (ГО)
Что ж, вы можете сказать, что везде, от поиска Google до беспилотных транспортных средств, ИИ используется во многих отношениях следующим образом:
Подсказка слов (поиск Google)
Распознавание лиц (мобильные устройства и другие места)
Прогноз погоды (погодные приложения)
Системы рекомендаций (Netflix, Prime, Spotify)
Голосовые помощники (Alexa, Siri, Google)
Автономные транспортные средства ( Tesla, Merc , BMW , SpaceX )
Связь эмодзи ( Пример : счастливый (смайлик эмодзи) (Whatsapp, Instagram))
Анализ настроений (являются ли данные вещи положительными или отрицательными
Впереди еще много приложений. Искусственный интеллект — это будущее и правит миром
Цитата известного пионера глубокого обучения
Глубокое обучение — это суперсила. С его помощью вы можете заставить компьютер видеть, синтезировать новое искусство, переводить языки, ставить медицинский диагноз или построить из частей автомобиль, который самоуправляется. Если это не суперсила, то я не знаю что.
— Эндрю Нг
Приятного чтения !!
