Если вы не запутались, значит, вы не обращаете внимания. - Том Питерс

Глубокое обучение | Машинное обучение | Искусственный интеллект

Это термины, которые сбили с толку многих людей, и если вы тоже один из них, позвольте нам вместе решить эту проблему!

Если вы программист или компьютерный компьютерщик, важно использовать эти термины с умом, потому что ОНИ НЕ ЖЕ БРО!

Искусственный интеллект: более широкий зонтик.

Искусственный интеллект - это более широкое понятие, под которым понимается ML или DL (глубокое обучение). Проще говоря, мы можем сказать, что все 3 связаны друг с другом в том или ином смысле.

| В чем разница:

AI: заставляет машину учиться на собственном опыте. Машина корректирует их ответы на основе нового ввода и тем самым выполняет человеческую задачу. Их можно обучить выполнять конкретную задачу, обрабатывая большие объемы данных и распознавая в них закономерности.

Пример. Мы можем представить себе ИИ как строительство огромного здания, на строительство первого здания потребовались годы. Таким образом, большинство работ так и не дало окончательного результата. Те, кто работал над этим, гордились своим умением строить кирпичи и долбить камни, которые собирались поместить в это гигантское сооружение.

Поэтому, как исследователи ИИ, мы должны думать о себе как о простых производителях кирпичей, чья работа заключается в изучении того, как создавать компоненты, изучать процедуры / алгоритмы и т. Д. Что когда-нибудь где-нибудь кто-то интегрирует эти блоки в интеллектуальные системы. Мол, кирпичи и цементные элементы превращаются в огромные здания.

Машинное обучение: заставьте машины учиться

После прояснения понимания ИИ, пора запутаться и погрузиться в машинное обучение.

Первый вопрос приходит на ум после понимания ИИ: «Что заставило ML появиться, когда у нас уже был ИИ?» Итак, чтобы ответить на этот вопрос, важно обсудить проблему, с которой сталкиваются люди с ИИ.

я. Как эффективно обучать большие и сложные модели?

II. Как обучить более надежные версии систем ИИ?

iii. Перед исследователями возникла проблема разработать операционную модель мозга?

Эти проблемы имели большее влияние, что позволило машинному обучению появиться.

У машинного обучения есть методы и модель, тогда как у ИИ есть символические подходы. Машинное обучение позволяет компьютеру принимать решения на основе данных и выполнять определенную задачу. Которая обучается на определенных моделях и улучшается при представлении новых данных.

Пример. Предположим, вы идете на рынок, чтобы купить манго, а там есть тысячи манго. Поэтому вам становится сложно выбрать, какой из них лучший. Предположим, вы выбрали манго и пришли к выводу, что более крупные и ярко-желтые манго сладкие, а более мелкие и бледно-желтые манго сладкие только в половине случаев. Но когда-нибудь вы пойдете на рынок, чтобы купить апельсины, но теперь вы не можете использовать логику манго с ними, так что в данный момент это бесполезно, и поэтому вам снова нужно выучить все для апельсинов. Но это не так сложно, как мы думаем. Но что, если нам придется запрограммировать эту логику? Проблема в том, что каждый раз, когда вы делаете новый вывод, вам необходимо вручную изменять правила, что становится трудным для чтения и понимания и требует много усилий, исследований и времени для написания кода.

Вот тут-то и появляется машинное обучение, которое позволяет машине учиться на примерах и опыте, не запрограммировав явно. Поэтому вместо того, чтобы писать код, вы передаете данные в общий алгоритм / машину.

Глубокое обучение: погрузитесь в океан обучения.

Глубокое обучение не новость, но в настоящее время шумиха вокруг него растет и привлекает все больше внимания. Вы можете рассматривать модель глубокого обучения как ракетный двигатель, и его топливом является огромное количество данных, которые мы передаем этим алгоритмам. Эта область представляет собой особый вид машинного обучения, который основан на функциональности клеток нашего мозга, называемых нейронами, что привело к концепции искусственной нейронной сети.

Он устанавливает соединение между всеми искусственными нейронами и настраивает их в соответствии с шаблоном данных. При увеличении размера данных добавляются дополнительные нейроны, при этом автоматически обеспечивается обучение на нескольких уровнях абстракции. И, таким образом, позволяя системе изучать сложное отображение функций вне зависимости от какого-либо конкретного алгоритма.

Пример. Допустим, у нас есть машина, которая распознает, является ли данное изображение животного кошкой или собакой?

Теперь предположим, что вас попросили решить этот вопрос с помощью подхода машинного обучения. Первое, что мы сделали бы, это то, что мы определили бы особенности данного животного, например, проверить, есть ли у него усы или нет? или проверьте, есть ли у животного заостренные уши или нет? или хвост изогнутый или прямой? Короче говоря, мы бы определили особенности и позволили машине определить, какие особенности более важны, и отнести их к конкретному животному.

Теперь, когда дело доходит до глубокого обучения, оно выходит на шаг впереди. Он автоматически определяет, какие функции наиболее важны для классификации. По сравнению с машинным обучением, где мы должны вручную выдавать функции.

До сих пор мы можем сделать вывод, что ИИ - это более широкий зонтик, под которым находятся машинное обучение и глубокое обучение.

Второй вывод, который мы можем сделать: «Глубокое обучение ЯВЛЯЕТСЯ машинным обучением» с некоторыми расширенными версиями и функциями, то есть это следующая эволюция машинного обучения.

| Сводка:

Машинное обучение использует алгоритмы для анализа данных, изучения этих данных и принятия обоснованных решений на основе полученных знаний.

Глубокое обучение структурирует алгоритмы по слоям для создания искусственных «нейронных сетей», которые могут учиться и принимать интеллектуальные решения самостоятельно.

Глубокое обучение - это подраздел машинного обучения. Хотя оба они подпадают под широкую категорию искусственного интеллекта, глубокое обучение обычно стоит за наиболее похожим на человека искусственным интеллектом.