Forstå kunstig intelligens, maskinlæring og dyp læring

By | October 15, 2021

Kunstig intelligens (AI) og dens undergrupper Machine Learning (ML) og Deep Learning (DL) spiller en stor rolle i datavitenskap. Data Science er en omfattende prosess som innebærer forbehandling, analyse, visualisering og prediksjon. La oss dykke dypt ned i AI og dens undergrupper.

Kunstig intelligens (AI) er en gren av informatikk som er opptatt av å bygge smarte maskiner som er i stand til å utføre oppgaver som vanligvis krever menneskelig intelligens. AI er hovedsakelig delt inn i tre kategorier som nedenfor

  • Kunstig smal intelligens (ANI)

  • Kunstig generell intelligens (AGI)

  • Artificial Super Intelligence (ASI).

Smal AI noen ganger referert til som ‘Svak AI’, utfører en enkelt oppgave på en bestemt måte på sitt beste. For eksempel røver en automatisert kaffemaskin som utfører en veldefinert rekkefølge av handlinger for å lage kaffe. Mens AGI, som også kalles ‘Sterk AI’, utfører et bredt spekter av oppgaver som innebærer å tenke og resonnere som et menneske. Noen eksempler er Google Assist, Alexa, Chatbots som bruker Natural Language Processing (NPL). Artificial Super Intelligence (ASI) er den avanserte versjonen som utfører menneskelige evner. Den kan utføre kreative aktiviteter som kunst, beslutningstaking og følelsesmessige forhold.

La oss se på Maskinlæring (ML). Det er en delmengde av AI som involverer modellering av algoritmer som hjelper til med å gjøre spådommer basert på gjenkjenning av komplekse datamønstre og sett. Maskinlæring fokuserer på å gjøre algoritmer i stand til å lære av dataene som tilbys, samle innsikt og forutsi tidligere ikke -analyserte data ved å bruke informasjonen som er samlet inn. Ulike metoder for maskinlæring er

  • veiledet læring (svak AI – oppgave drevet)

  • ikke -veiledet læring (Strong AI – Data Driven)

  • semi -supervised learning (Strong AI -kostnadseffektiv)

  • forsterket maskinlæring. (Sterk AI – lær av feil)

Overvåket maskinlæring bruker historiske data for å forstå atferd og formulere fremtidige prognoser. Her består systemet av et angitt datasett. Det er merket med parametere for input og output. Og etter hvert som de nye dataene kommer ML -algoritmeanalysen, gir de nye dataene og gir den eksakte utgangen på grunnlag av de faste parametrene. Overvåket læring kan utføre klassifiserings- eller regresjonsoppgaver. Eksempler på klassifiseringsoppgaver er bildeklassifisering, ansiktsgjenkjenning, spam -klassifisering via e -post, identifisering av svindel osv. Og for regresjonsoppgaver er værmelding, befolkningsvekstspådom, etc.

Uten tilsyn maskinlæring bruker ikke klassifiserte eller merkede parametere. Den fokuserer på å oppdage skjulte strukturer fra umerkede data for å hjelpe systemer med å utlede en funksjon på riktig måte. De bruker teknikker som klynger eller reduksjon av dimensjoner. Klynging innebærer å gruppere datapunkter med lignende beregning. Det er datadrevet og noen eksempler på gruppering er filmanbefalinger for bruker i Netflix, kundesegmentering, kjøpsvaner, etc. Noen eksempler på dimensjonalitetsreduksjon er funksjonalisering, big data -visualisering.

Halvkontrollert maskinlæring fungerer ved å bruke både merkede og umerkede data for å forbedre læringsnøyaktigheten. Halvkontrollert læring kan være en kostnadseffektiv løsning når merking av data viser seg å være dyrt.

Forsterkningslæring er ganske annerledes sammenlignet med veiledet og uten tilsyn. Det kan defineres som en prosess med prøving og feiling som endelig gir resultater. t oppnås ved prinsippet om iterativ forbedringssyklus (å lære av tidligere feil). Forsterkningslæring har også blitt brukt til å lære agenter autonom kjøring i simulerte miljøer. Q-læring er et eksempel på forsterkningslæringsalgoritmer.

Gå videre til Deep Learning (DL), det er en delmengde av maskinlæring der du bygger algoritmer som følger en lagdelt arkitektur. DL bruker flere lag for gradvis å trekke ut funksjoner på høyere nivå fra råinngangen. For eksempel i bildebehandling kan lavere lag identifisere kanter, mens høyere lag kan identifisere konseptene som er relevante for et menneske, for eksempel sifre eller bokstaver eller ansikter. DL refereres vanligvis til et dypt kunstig neuralt nettverk, og dette er algoritmesettene som er ekstremt nøyaktige for problemene som lydgjenkjenning, bildegjenkjenning, naturlig språkbehandling, etc.

For å oppsummere Data Science dekker AI, som inkluderer maskinlæring. Maskinlæring i seg selv dekker imidlertid en annen underteknologi, som er dyp læring. Takket være AI, da den er i stand til å løse vanskeligere og vanskeligere problemer (som å oppdage kreft bedre enn onkologer) bedre enn mennesker kan.

Leave a Reply