Этот пост специально предназначен для наших бабушек и дедушек и всех тех, кому пришлось жить и быть частью этой новой технологической эры. Хотя несколько лет назад все было по-другому, и это перекликается с тем, что они тоже приспосабливаются, но стоят им гораздо дороже.
Может быть, в какой-то момент они назвали, и вы слышали такие термины, как машинное обучение или, возможно, искусственный интеллект, или, может быть, они чувствуют, что используют жаргон, который они обычно не знают, и вы связываете это с языком, полностью отличным от того, который их окружает.
Что стоит за машинным обучением? а кому пришла в голову эта идея?
В 1950 году Алан Тьюринг создал всемирно известный тест Тьюринга. Этот тест довольно прост для компьютера: он должен убедить человека в том, что это человек, а не компьютер.
В 1952 году появилась первая компьютерная программа, которая могла обучаться во время работы. Это была игра в шашки, созданная Артуром Сэмюэлем.
С развитием компьютеров инженеры начали думать о том, как позволить компьютеру вести себя как человеческий мозг и включить этот вид интеллекта в нашу повседневную жизнь.
Машинное обучение в его самой базовой форме - это практика использования алгоритмов для анализа данных, обучения на их основе и последующего определения или прогнозирования чего-либо в мире. Таким образом, вместо ручного кодирования программных программ с определенным набором инструкций для выполнения конкретной задачи, машина «обучается» с использованием больших объемов данных и алгоритмов, которые дают ей возможность научиться выполнять задачу.
Так в чем разница между машинным обучением, искусственным интеллектом и глубоким обучением?
Глубокое обучение - это разновидность машинного обучения, которое, в свою очередь, является разновидностью искусственного интеллекта.
Искусственный интеллект - это метод, который позволяет машине имитировать поведение человека.
Машинное обучение - это метод достижения искусственного интеллекта с помощью алгоритмов, обученных с использованием данных.
Глубокое обучение - это тип машинного обучения, основанный на структуре человеческого поведения.
Связь между математикой и машинным обучением?
Машинное обучение - это создание алгоритма, который может учиться на данных, чтобы делать прогнозы.
Машинное обучение основано на математических предпосылках, статистике, исчислении, линейной алгебре и вероятности.
Обучение дерева решений - это метод аппроксимации целевых функций с дискретными значениями. Выученная функция представлена деревом решений.
Я голоден?
Да или нет
если ответ (Нет):
- - - Тогда иди спать
если да):
- - - Тогда вам интересно, достаточно ли у вас денег 220 долларов?
- - - - - -если да):
- - - - - - - означает, что вы можете пойти в ресторан.
- - - - - Если ответ (Нет):
- - - - - - - покупка идет экономично, как гамбургер.
Далее мы рассмотрим пример того, что есть определенные игры, которые можно выразить математически, и что мы на каком-то компьютере можем построить дерево решений всех возможных способов, предсказывая каждое из возможных движений для этой игры «трики».
Как узнать, какие алгоритмы следует использовать?
это основные критерии выбора адекватного алгоритма:
- Размер, качество и характер данных.
- Доступное вычислительное время.
- Актуальность задачи.
- Что вы хотите делать с данными.
Какие языки наиболее часто используются в машинном обучении?
- питон
- Ява
- R
- C++
Где мы находим машинное обучение?
- Технология распознавания лиц
- Оптическое распознавание символов
- Механизмы рекомендаций
- Беспилотные автомобили
В завершение темы мы назовем некоторых великих персонажей истории, которые долгое время вносили свой вклад в создание искусственного интеллекта. Артур Сэмюэл, пионер в области компьютерных игр и искусственного интеллекта, написал первую программу компьютерного обучения. Программа, предложенная Сэмюэлем, была «женской» игрой, которая способствовала совершенствованию компьютера в игре по мере того, как он больше играл. Это стало возможным благодаря изучению того, какие движения составляют выигрышные стратегии, и включению их в свою программу.
С другой стороны, такие великие личности, как Фрэнк Розенблатт, в том же десятилетии изобрели перцептрон, технологию, напоминающую человеческий мозг, поскольку это была разновидность нейронной сети. В своих принципах Perceptron соединил сеть точек, где принимаются простые решения, которые присоединяются к более крупной программе для решения сложных проблем.
На самом деле, вам никогда не приходилось спрашивать вас, действительно ли вы с кем пересекаетесь - людьми или машинами?
