1.Почему искусственный интеллект?

2. Что такое искусственный интеллект?

3. искусственный интеллект (AI), машинное обучение (ML), глубокое обучение (DL)

4 Типы парадигм обучения искусственного интеллекта

  • Контролируемое обучение
  • Обучение без учителя
  • Обучение с подкреплением

1.Почему искусственный интеллект?

Искусственный интеллект будет определять наше будущее сильнее, чем любые другие инновации этого века. Скорость разгона уже поразительна. За последние четыре десятилетия стремительный прогресс в области хранения данных и вычислительной мощности компьютеров кардинально изменил правила игры в последние годы. ИИ может решить буквально все проблемы, с которыми сейчас сталкивается человечество, например, изменение климата, возобновляемые источники энергии, нехватка продуктов питания и бедность в некоторых странах. , поиск планет, пригодных для обитания людей, и этот список можно продолжить.

Искусственный интеллект уже был задействован во всех областях в мире, он диагностирует рак, создает лекарства, в области медицины. он прогнозирует курс акций на фондовых биржах, прогнозирует продажи продукта, анализ рынка помогает в финансах, он может создавать произведения искусства и музыку, он может управлять вашими автомобилями. Итак, мы изучаем ИИ для решения величайших мировых проблем. И, конечно же, ИИ - это индустрия с оборотом 1,3 триллиона долларов в 2018 году по всему миру, так что мы можем получить большой доход от этой технологии.

2. Что такое искусственный интеллект?

Искусственный интеллект - это обширная область информатики, из-за которой кажется, что машины обладают человеческим интеллектом.

Каждый аспект того, как мы, люди, учимся и как мы развиваем интеллект, может быть настолько точно описан машине, что та машина, которая способна это моделировать. Они должны формировать абстракции и концепции, как люди, и решать проблемы, которые теперь остаются за людьми, и улучшать себя. Эти машины называются ИИ.

ИИ - это не идея программирования компьютера для решения проблемы, это процесс обучения компьютера пониманию проблемы, а затем он должен решить проблему самостоятельно, без вмешательства человека, и, решая эти проблемы, он должен улучшить свой интеллект. .

Например, если мы жестко запрограммируем машину для обнаружения стула на изображении, мы говорим, что у него четыре ножки, деревянная текстура. Но некоторые стулья имеют 3 ножки и сделаны из пластика и других материалов. Мы не можем закодировать каждое изображение стула на компьютере.

Вот почему мы дали представление о том, что такое стул, а что не стул, и исходя из этой концепции, машина должна развить свой интеллект в отношении того, что такое стул, а что нет.

Приложения AI:

Мы используем технологии искусственного интеллекта в повседневной жизни, даже не замечая их. Фильтр спама в нашей почте, поисковые системы, которые мы используем ежедневно, виртуальные помощники, такие как Siri, Cortana и Google Assistant, - все это работает на алгоритмах искусственного интеллекта. Это небольшие примеры искусственного интеллекта, но он также может использоваться для решения более серьезных проблем, таких как обработка естественного языка, боты для перевода и общения, компьютерное зрение, виртуальная реальность и обработка изображений, теория игр и стратегическое планирование, манипуляции с фотографиями и видео, лица распознавание, распознавание почерка, экспертная диагностика и так далее.

3. искусственный интеллект (AI), машинное обучение (ML), глубокое обучение (DL)

  • Искусственный интеллект (AI) и общий искусственный интеллект (AGI)

Все, что создано людьми, что уже присутствует в природе, является искусственным. Интеллект означает способность рассуждать, планировать, выполнять и думать. Идея «искусственного интеллекта» была впервые предложена американским ученым-компьютерщиком и когнитивистом Джоном Маккарти в 1955 году на Дартмутской конференции. До него другие ученые также работали над созданием ИИ, но в то время у него не было никакого названия.

Тест Тьюринга:

Алан Тьюринг (1912–1954) был английским математиком и логиком и считался отцом информатики. Тьюринг был очарован интеллектом и мышлением, а также возможностью их моделирования с помощью машин. Самый выдающийся вклад Тьюринга в ИИ - его игра в имитацию, которая позже стала известна как тест Тьюринга.

В этом тесте человек-дознаватель взаимодействует с двумя игроками, человеком и машиной, обмениваясь письменными сообщениями (в чате). Если дознаватель не может определить, кто из игроков компьютер, а кто человек, считается, что компьютер прошел тест. Аргумент состоит в том, что если компьютер неотличим от человека в обычном разговоре на естественном языке, то он, должно быть, достиг интеллекта человеческого уровня.

Разработка искусственного интеллекта началась в 1950-х годах, но почему сейчас это вызывает ажиотаж? Тогда, в 1950 году, у нас не было более быстрых компьютерных чипов и большого количества данных для обучения наших алгоритмов. Алгоритмы искусственного интеллекта требовали больших вычислительных мощностей и большого количества данных для обучения. Из-за этого область искусственного интеллекта пережила несколько циклов ажиотажа, за которыми последовали разочарование и критика, за которыми последовало сокращение финансирования, за которым последовало возобновление интереса спустя годы или десятилетия. Некоторые исторические исследователи в области искусственного интеллекта назвали это время зимой искусственного интеллекта из-за сокращения финансирования и интереса к исследованиям в области искусственного интеллекта.

После пяти десятилетий создания у нас есть вычислительные мощности, необходимые для обучения наших алгоритмов и петабайтов данных. Знаете ли вы, что 90% мировых данных были созданы только за последние 2 года?

Теперь мы обучаем наши алгоритмы на суперкомпьютере и облаках с большими наборами данных. И графические процессоры (графические процессоры) вводятся в вычислениях, и они играют основную роль в области ИИ.

Некоторые компании, такие как Nvidia и Intel, разрабатывают специальное оборудование для работы с алгоритмами ИИ.

Общий искусственный интеллект (AGI)

Это особенность искусственного интеллекта, он обладает человеческой способностью выполнять любую задачу, выполняемую людьми, и может делать то, что люди не могут. Если мы будем развивать AGI, он сливается с природой и делает потрясающую работу. С помощью ai мы решаем только некоторые конкретные задачи, для чего этот ai создан. Но в AGI он думает, какие задачи нужно выполнить, и он сам решает свои задачи и цели и действует в соответствии с ними.

Пример AGI:

Например, если мы запрограммировали AGI для управления климатом, он использует датчик для обнаружения лесных пожаров и автоматически запускает дроны для ликвидации этих пожаров, он оценивает загрязнение в некоторых областях и сажает деревья там, где они необходимы, и это чистый пластик из океанов с некоторыми из них. автономные роботы.

Все они не нуждаются в человеческом взаимодействии для контроля, все контролируется AGI, и он принимает меры в соответствии с проблемами, созданными людьми (мы, люди, теперь выбрасываем весь наш пластик в океаны, если AGI произойдет, это очистит океаны для нас).

Ai - это очень обширная область, которая охватывает также машинное обучение и глубокое обучение. Для реализации наших текущих технологий искусственного интеллекта мы используем как машинное обучение, так и алгоритмы глубокого обучения.

Машинное обучение (ML)

Машинное обучение - это часть ИИ. Ml использует статистические инструменты для больших наборов данных для получения информации о данных и развивает свои знания для будущего использования.

Например, мы должны предсказать пол, предоставив данные; мы дали этому алгоритму рост, вес, длину волос. Затем алгоритм ml автоматически узнает, если длина волос большая, они, как правило, женские. Модель Ml принимает на вход большие данные и спроектирована таким образом, чтобы они могли учиться и развивать свои знания, когда они сталкиваются с новыми данными.

В нашем курсе мы изучаем некоторые алгоритмы ML, такие как линейная регрессия, SVMS и деревья решений.

Глубокое обучение (DL)

Глубокое обучение вдохновлено биологической структурой человеческого мозга. Наш мозг представлял собой удивительную структуру, состоящую из миллионов нейронов. Каждый нейрон в головном мозге выполняет свои функции, например, распознает человеческое лицо, ощущает тепло и так далее. Каждый нейрон принимает электрические импульсы от других нейронов в качестве входных данных и генерирует электрические импульсы в качестве выходных данных для других нейронов. В нашем мозгу все нейроны связаны друг с другом и передают информацию по нейронной сети мозга.

Мы берем эту биологическую структуру в качестве примера и проектируем искусственные нейронные сети.

Мы разрабатываем юристы нейронов, которые связаны друг с другом, передают входные данные по нейронной сети и решают задачу с помощью всех нейронов в сети.

Эти нейроны в нашем глубоком обучении представляют собой не что иное, как некоторые функции активации, они принимают некоторые входные данные и выполняют функцию активации для данных и генерируют выходные данные. После того, как нейрон сгенерировал выходные данные, этот выход подается на следующий нейрон в качестве входных данных.

4 Типы парадигм обучения искусственного интеллекта

Алгоритмы ИИ подразделяются на 3 типа: обучение с учителем и обучение без учителя и усердие с подкреплением.

Обучение с учителем:

В контролируемых алгоритмах мы давали алгоритму как входные, так и выходные данные в процессе обучения алгоритма, после периода обучения мы проводим тест алгоритмов, затем мы даем только входные данные, а затем алгоритм должен генерировать выходные данные.

Алгоритм изучает ввод и вывод формы, а также то, какой вывод он должен генерировать для нового ввода, которого он никогда раньше не видел. Это означает, что алгоритм не только учится на входных данных, но и развивает знания на основе выходных данных, которые предоставляются вместе с входными данными на этапе обучения. Выходные данные, которые мы передаем алгоритму, направляют машину, чтобы узнать, как выходные данные могут быть сгенерированы для новых входных данных.

Обучение без учителя:

При переходе к обучению без учителя мы даем только входные данные алгоритму, из заданных входных данных он генерирует кластеры в качестве выходных данных. Это означает, что он группирует данные на основе сходства и возвращает кластеры.

Неконтролируемое обучение используется, когда создание данных как с вводом, так и с выводом является дорогостоящим для обучения нашей модели, либо вывод проблемы недоступен.

Обучение с подкреплением:

Это метод обучения методом проб и ошибок, машина учится на предварительных просмотрах ошибок, которые она уже сделала, и улучшает свою производительность.

В этом типе алгоритмов машина работает на основе вознаграждения, которое она получает за решение проблемы. Он всегда пытается получить максимальную сумму вознаграждения.

Мы передали машину задаче и сгенерировали ее выходные данные, затем мы даем ей некоторую награду, после чего машина принимает предыдущий результат в качестве входных данных и узнает, как выполнить эту задачу более эффективно, так что тогда она получает вознаграждение за высоту, чем предварительное.