Comprendre l'intelligence artificielle
L'intelligence artificielle comprend le processus de simulation de l'intelligence humaine par des machines et des systèmes informatiques spéciaux. Les exemples d'intelligence artificielle incluent l'apprentissage, le raisonnement et l'autocorrection. Les applications de l'IA incluent la reconnaissance vocale, les systèmes experts, la reconnaissance d'image et la vision industrielle.
L'apprentissage automatique est la branche de l'intelligence artificielle, qui traite des systèmes et des algorithmes capables d'apprendre de nouveaux modèles de données et de données.
Concentrons-nous sur le diagramme de Venn mentionné ci-dessous pour comprendre les concepts d'apprentissage automatique et d'apprentissage en profondeur.
L'apprentissage automatique comprend une section d'apprentissage automatique et l'apprentissage en profondeur fait partie de l'apprentissage automatique. La capacité du programme qui suit les concepts d'apprentissage automatique est d'améliorer ses performances sur les données observées. Le principal motif de la transformation des données est d'améliorer ses connaissances afin d'obtenir de meilleurs résultats à l'avenir, de fournir une sortie plus proche de la sortie souhaitée pour ce système particulier. L'apprentissage automatique comprend la «reconnaissance de formes» qui inclut la capacité de reconnaître les modèles dans les données.
Les modèles doivent être formés pour montrer la sortie de manière souhaitable.
L'apprentissage automatique peut être formé de deux manières différentes:
- Formation supervisée
- Formation non supervisée
Enseignement supervisé
L'apprentissage supervisé ou l'apprentissage supervisé comprend une procédure dans laquelle l'ensemble d'apprentissage est donné en entrée du système dans lequel chaque exemple est étiqueté avec une valeur de sortie souhaitée. La formation dans ce type est effectuée en utilisant la minimisation d'une fonction de perte particulière, qui représente l'erreur de sortie par rapport au système de sortie souhaité.
Une fois la formation terminée, la précision de chaque modèle est mesurée par rapport aux exemples disjoints de l'ensemble d'apprentissage, également appelé ensemble de validation.
Le meilleur exemple pour illustrer «l'apprentissage supervisé» est avec un tas de photos données avec des informations incluses. Ici, l'utilisateur peut entraîner un modèle à reconnaître de nouvelles photos.
Apprentissage non supervisé
Dans un apprentissage non supervisé ou une formation non supervisée, incluez des exemples de formation, qui ne sont pas étiquetés par le système auquel ils appartiennent. Le système recherche les données, qui partagent des caractéristiques communes, et les modifie en fonction des caractéristiques de connaissances internes. Ce type d'algorithmes d'apprentissage est essentiellement utilisé dans les problèmes de clustering.
Le meilleur exemple pour illustrer «l'apprentissage non supervisé» est avec un tas de photos sans informations incluses et un modèle de train d'utilisateurs avec classification et regroupement. Ce type d'algorithme d'apprentissage fonctionne avec des hypothèses car aucune information n'est donnée.
