Объясните машинное обучение моей бабушке ❤👵

Привет, бабушка, это то, чем я хочу с тобой поделиться, немного о машинном обучении и других вещах, если я могу научить тебя через статью… ¡Это означает, что мне удалось научиться писать! ✌ Итак… поехали🤖.

Искусственный интеллект

Когда мы думаем о машине (устройстве с электронными компонентами), которая может обучаться физическим или логическим задачам каким-то образом, мы можем считать его «интеллектуальным», то есть его машина принимает решения, а также может рассуждать. Ты можешь быть немного страшным, не так ли? Мы говорим об искусственном интеллекте…😆

Я вам говорю, что будущее не так далеко, вы помните мультики «Джетсоны»? мы встретили их для испанской версии: «Los Supersónicos».

Что ж, на недавней Берлинской ярмарке технологий (Подробнее здесь: IFA), стиральные машины, которые складывают одежду, холодильники, которые подходят к столу, подчиняясь приказам (оба от Panasonic), и один из первых телефонов Huawei, в которых реализованы мозги (микрочипы) с самообучением 🧐, то есть с тем, что он может продолжать учиться и принимать решения без предварительного программирования…

ИИ (искусственный интеллект) является важной частью новых потребностей нашего общества и, следовательно, технологической эволюции мира.

На данный момент приложения, которые помогают нам заказывать еду в Интернете, Google наших телефонов Android, который знает, куда мы идем, контент, который мы видим в Интернете, и люди, с которыми мы часто разговариваем, — это образец ИИ, который окружает нас в повседневной жизни. жизнь.

Как машины учатся?

Делают это в основном двумя способами.

  • Первый основан на правилах, машины получают ряд инструкций по предмету, и эти правила применяются каждый раз, когда им нужно что-то решить. Это будет повторяться снова и снова, и единственный путь вперед — это создание некоторых степеней сложности, которые начинаются с простой логики и аналитической логики, хороший пример — когда робот умеет вычислять математические операции, операции никогда не изменятся, 2 + 2 всегда равно 4, однако в случае аналитической логики робот после игры в шахматы переходит от знания правил к победе, к поиску стратегии игры. (Кейс Deep Blue здесь)

  • Другой тип обучения, который приводит к большему прогрессу на технологическом уровне, называется наблюдение. В этом процессе машины не только анализируют данные, которые им поступают в разных ситуациях, но и находят закономерности, связывают их со своими вариантами и из каждого случая извлекают уроки, что заканчивается победой или неудачей.
    Пример, когда ребенок знает, например, что машины не летают и никто ему не говорил и не учил, является продуктом ежедневного опосредованного обучения, видя на улице, что машины имеют колеса и остаются на поверхности, также находясь в контакт с окружающей средой через свои чувства и то, что мы называем наблюдением. Итак, система учится играть в видеоигры, анализируя игры, как в случае с Alpha Go, ИИ, который выиграл чемпионат мира по го. (Кейс Deep Mind здесь).

Проблема в том, что эта последняя система обучения занимает больше времени, так как всегда начинается с нуля.

Итак, что такое машинное обучение?

Мы можем рассматривать это как способ достижения ИИ, потому что вместо того, чтобы давать инструкции машине для конкретной задачи, создаются тренировки, которые подготавливают их собственное обучение к еще лучшему уровню, поскольку ребенок готов учиться в мире и искать наиболее эффективный способ решения ваших проблем.

Затем так называемое «обучение» очень похоже на процесс «наблюдения» в ИИ, в обоих случаях он использует большие объемы данных, в которых можно заполнить базу данных указанной машины и лучше подготовить ее. Эта информация используется, это похоже на создание опыта, который позволяет алгоритму машинного обучения корректироваться и улучшаться.

Если компьютерная программа может улучшить способ выполнения определенной задачи на основе прошлого опыта, она может сказать, что научилась и поэтому это машинное обучение🤖👌.

Популярные варианты использования машинного обучения:

  1. Приложения в смартфонах
  2. Оптимизация транспорта
  3. Популярные веб-сервисы
  4. Продажи и маркетинг
  5. Безопасность
  6. Финансовый домен
  7. Другие популярные варианты использования

И глубокое обучение?

Глубокое обучение выполняет процесс машинного обучения системы с искусственным интеллектом, обычно искусственной нейронной сетью, состоящей из ряда иерархических уровней для обучения.

Как и в случае с AlphaGo, тип обучения называется «наблюдение», на начальном уровне иерархии сеть изучает что-то простое, а затем отправляет эту информацию на следующий уровень. На следующем уровне, возьмите эту простую информацию, объедините ее с переменными среды и создайте немного более сложную информацию, и повторно передавайте на третий уровень эту новую информацию, вы можете создать дерево и все более крупную сеть информации.

Политическая сеть.

Это отличная информационная база с играми, сделанными там, где тренируется машина. Это игры со многими данными и переменными, в которых игрок добился победы и поражения. В этой сети машина запрограммирована на «подражание» движениям игр, которые были успешными.

Ценностная сеть.

AlphaGo может оценивать позиции на доске, как свои, так и оппонента, и по каждой из них получать статистические вероятности того, что машина должна была бы выиграть из своей текущей позиции.

Дерево поиска.

В этом дереве AlphaGo может видеть разные вариации игры в каждом из своих возможных ходов, зная все, что произойдет (прогнозирование в зависимости от переменных). В игре AlphaGo могла видеть в среднем около 50 или 60 будущих ходов от своей текущей позиции.

В Search Depth AlphaGo пытается предсказать будущее и даже решает просто сыграть в то, что необходимо для победы.

Альфаго работает.

Итак, когда AlphaGo оценил позицию, показанную на предыдущей гифке:

  • Во-первых: сеть политик будет сканировать позицию, чтобы понять, какие варианты лучше всего подходят для продолжения игры.
  • Во-вторых: будет построено дерево вариантов, на основе которого будет использоваться сеть значений, указывающая наилучшее значение результата каждого варианта.
  • Наконец: машина всегда будет пытаться увеличить вероятность вашего выигрыша, но вас совершенно не интересует маржа, на которой вы выигрываете.

Прояснение концепций: AI vs ML vs DL

Хотя все три термина обычно используются во всех системах искусственного интеллекта, они не относятся к одним и тем же вещам.

Как вы можете видеть на изображении трех концентрических кругов выше, глубокое обучение является подмножеством машинного обучения, которое также является подмножеством искусственного интеллекта.

Ко всем характеристикам глубокого обучения мы можем выделить внутреннюю способность автоматически обнаруживать функции, которые будут использоваться при классификации данных, которыми оно питается.

В то время как машинное обучение требует, чтобы данные и их характеристики предоставлялись вручную, поэтому его зависимость необъективна.

Кроме того, в отличие от машинного обучения, для получения точных результатов для машинного обучения требуются высокопроизводительные машины и значительно большие объемы обучающих данных.

Набор предыдущих поведений — это то, что называется искусственным интеллектом…

На этом пока все. Я надеюсь, что вам было легко учиться, и вам было очень интересно читать всю эту чепуху о сегодняшнем мире.

Это конец статьи, бабушка. ❤

Источники