Если есть одна франшиза, которая оставила след во многих поколениях, от мала до велика, то это должен быть «Терминатор». Идея создания ИИ армии по собственной воле для уничтожения человечества настолько же ужасна, насколько и супер крута! ИИ, ставший почти разумным благодаря тому, как многому он научился и вырос, задал множество вопросов аудитории по всему миру, даже изобрел удивительные изобретения, такие как дроны и роботы, в реальной жизни. Один из вопросов, который приведет к моему объяснению по этой теме, звучит примерно так:

Как создавался Скайнет?

Ответ таков: с помощью машинного обучения и реализации множества его концепций.

Итак, в этом блоге я расскажу о машинном обучении и о множестве статей, которые, надеюсь, рисуют четкую картину и понимание того, что это такое.

Прежде всего, это объяснение искусственного интеллекта, сокращенно ИИ, поскольку он является прародителем машинного обучения. Идея искусственного интеллекта — это машина, которая может выполнять задачи, характерные для человеческого интеллекта. Например, допустим, мы хотим построить робота, который будет помощником ученого. По своей сути он будет содержать программу или, проще говоря, набор инструкций для выполнения своей задачи. Но в то же время он будет иметь черты нашего Человеческого интеллекта, заставляя его судить и реализовывать свои программы на основе своего анализа. Это будет использование концепции под названием Общий ИИ, в которой машина использует все черты нашего мозга, такие как планирование, счет, обучение, решение проблем и многое другое.

Существует еще одна концепция искусственного интеллекта, которая называется Узкий ИИ. Это идея о том, что машина использует только некоторые черты человеческого интеллекта, где она будет эффективно выполнять определенную задачу, для которой она создана, и ничего больше. . Примером этого может быть робот, создающий кузов автомобиля. Он запрограммирован просто формировать металлы в подаваемое ему изображение, он не может делать ничего другого, как подавать кофе (хотя это было бы щедро), поскольку он создан и запрограммирован исключительно для сборки кузова автомобиля.

Я надеюсь, что объяснение искусственного интеллекта имело смысл, потому что в этом разделе я буду говорить о самом машинном обучении!

Машинное обучение – это часть искусственного интеллекта, а проще говоря: способ создания ИИ. Теперь, что нужно сделать, чтобы машинное обучение (ML) заработало? это использование чего-то под названием Алгоритмы.

Алгоритмы представляют собой набор четких и прямых инструкций, используемых компьютерами либо для расчета, либо для решения проблем. В случае с машинным обучением машины учатся и развиваются на основе поступающих к ним данных, анализируя и выдавая определенные результаты в зависимости от задачи, для которой они были разработаны. Что касается алгоритмов, то в целом для машинного обучения используется 8 основных типов, а именно:

Линейная регрессия
Логистическая регрессия
Деревья решений
Методы опорных векторов
K-ближайшие соседи
Случайные леса
Кластеризация K-средних< br /> Анализ основных компонентов

В машинном обучении линейная регрессия — это алгоритм, который используется для поиска взаимосвязи между двумя типами данных и создания прогнозного значения на основе этих двух. Примером этого может быть график, где x (ось) — это данные для подачи в алгоритм, а y (ось) — это выходные данные, которые машина создает на основе значения прогноза. Этот график может принимать такую ​​информацию, как количество лет работы в компании, и алгоритм будет выводить прогноз повышения заработной платы.

Логистическая регрессия – это алгоритм категоризации, используемый для присвоения заметных изменений или различий набору классов. Алгоритм такого рода преобразует его с помощью функции, называемой «логистической сигмовидной функцией», и возвращает или дает нам вероятность в виде значения.

Итак, что делает сигмоидальная функция, так это сопоставляет любое реальное значение с другим значением от 0 до 1. В машинном обучении она используется для сопоставления прогнозов с вероятностями.

Далее идут деревья решений. Алгоритм дерева решений — это программа, которая находит множество различных результатов и путей на основе теста. Погода — прекрасный пример, когда дерево решений находит наилучший вариант погоды на основе факторов дня.

Машины опорных векторов – это обучающие программы с учителем, в которых используется комбинация различных алгоритмов обучения, которые анализируют переданные ей данные для регрессивного анализа и классификации. С точки зрения непрофессионала, это машина, которая учится на этих различных записях данных, за которыми, кстати, наблюдает человек, и эти данные берутся для изучения.

K-ближайшие соседи – это алгоритм, который в основном сохраняет все переданные ему наблюдения и создает новые на основе функций расстояния. Это похоже на рассмотрение каждого соседа по соседству и создание новых соседей в зависимости от обстоятельств и расстояния.

Случайные леса — это алгоритм, который строит множество деревьев решений, в конечном итоге создавая лес моделей обучения, защищающий его от ошибок. Он объединяет разные деревья вместе, чтобы создать более стабильный и точный прогноз. Картинки очень интересные и забавные, как вот эта:

Теперь мы занимаемся кластеризацией K-средних. Итак, прежде всего, кластеризация — это просто набор точек данных, собранных и обобщенных в зависимости от того, насколько они похожи. Алгоритм K-средних выполняет повторяющиеся вычисления для случайно выбранной начальной точки и создает наиболее оптимизированное положение этой начальной точки. Технический термин для начальных точек называется центроидами. Алгоритм следит за двумя случаями, останавливаясь в любом из этих двух случаев: когда выполняется заданное повторение вычислений или центроиды стабилизировались — это означает, что кластеризация прошла успешно и их значения не изменились.

И, наконец, Анализ основных компонентов. Об этом алгоритме можно рассказать очень многое, и первый термин, который необходимо определить, — это размерность. Размерность в статистике — это количество атрибутов, которые имеет набор данных. Представьте себе корзину с фруктами в качестве набора данных, и каждый отдельный фрукт является атрибутом этого набора данных.Итак, алгоритм анализа основных компонентов уменьшает размерность наборов данных, упрощая нам задачу. людям читать, не жертвуя для этого информацией.

Наконец, мы поговорили о 8 различных алгоритмах, используемых для машинного обучения, а теперь поговорим о другой области искусственного интеллекта, которая может намного яснее нарисовать картину Скайнета.

Есть еще одна область ИИ, которая называется Глубокое обучение.

Глубокое обучение — это сеть, которая учится на неструктурированных данных, которые нам, людям, потребуются десятилетия, чтобы расшифровать и не отставать от них. Как это работает, он собирает все эти данные из Интернета, плавильного котла информации, и извлекает их данные.

Далее кое-что, что могло бы собрать воедино тайну Скайнета, и это:

Нейронная сеть.

Нейтральная сеть — это система, созданная по образцу человеческого мозга и в случае искусственного интеллекта; мощный набор естественных или искусственных нейронов, которые используют математическую или вычислительную модель для обработки информации. Где Машина ЯВЛЯЕТСЯ мозгом и содержит множество программ, которые позволяют ему функционировать подобно нашему собственному мозгу. Они используются для изучения данных и информации в общем смысле, с возможностью выбора под наблюдением или без надзора.

В машинном обучении есть математика, и они следующие:

Линейная алгебра

Статистика и теория вероятностей

Многомерное исчисление

и Алгоритмы и исчисление.

Вместе с другими.

Линейная алгебра – это разновидность математики, которая позволяет детализировать координаты и взаимодействия плоскостей, например, графики X и Y, и выполнять над ними операции. Затем они представляются в виде матриц и векторов.

Статистика и теория вероятностей — это математика, лежащая в основе вероятности и анализа случайных событий. Мы создаем наборы инструкций для машины и программ, чтобы справиться с непредвиденными событиями, например, когда яблоко падает с яблони. Компьютер обработает этот прогноз.

Многомерное исчисление — это исчисление с несколькими переменными. Это помогает нам объяснить взаимосвязь между входной и выходной переменными, например, зарплату, которую человек будет получать в зависимости от его опыта работы.

Алгоритмы и исчисление — это просто математика, имеющая отношение и к тому, и к другому. Мы должны использовать эту математику в машинном обучении для создания программ, связанных с сортировкой данных, прогнозами, обучением, решением проблем и многим другим.

И это конец моего блога. Надеюсь, мне удалось раскрыть правду о Скайнете и эффективно объяснить вам машинное обучение. Помните;

Кайл Риз: Послушай и пойми! Там Терминатор. С ним нельзя торговаться. Это невозможно аргументировать. Он не испытывает ни жалости, ни раскаяния, ни страха. И это абсолютно не остановится, никогда, пока вы не умрете! Из Терминатора.