인공 지능 이해

인공 지능에는 기계 및 특수 컴퓨터 시스템에 의한 인간 지능의 시뮬레이션 프로세스가 포함됩니다. 인공 지능의 예에는 학습, 추론 및 자기 교정이 포함됩니다. AI의 응용 분야에는 음성 인식, 전문가 시스템, 이미지 인식 및 머신 비전이 포함됩니다.

기계 학습은 새로운 데이터와 데이터 패턴을 학습 할 수있는 시스템과 알고리즘을 다루는 인공 지능의 한 분야입니다.

머신 러닝과 딥 러닝 개념을 이해하기 위해 아래에 언급 된 벤 다이어그램에 집중하겠습니다.

기계 학습에는 기계 학습 섹션이 포함되며 딥 러닝은 기계 학습의 일부입니다. 기계 학습 개념을 따르는 프로그램의 능력은 관찰 된 데이터의 성능을 향상시키는 것입니다. 데이터 변환의 주된 동기는 미래에 더 나은 결과를 달성하기 위해 지식을 향상시키고 해당 특정 시스템에 대해 원하는 출력에 더 가까운 출력을 제공하는 것입니다. 기계 학습에는 데이터의 패턴을 인식하는 기능이 포함 된 "패턴 인식"이 포함됩니다.

패턴은 바람직한 방식으로 출력을 표시하도록 훈련되어야합니다.

기계 학습은 두 가지 방법으로 훈련 할 수 있습니다.

• 감독 교육
• 비지도 교육

지도 학습

감독 학습 또는 감독 학습은 훈련 세트가 시스템에 대한 입력으로 제공되는 절차를 포함하며, 여기서 각 예는 원하는 출력 값으로 라벨링됩니다. 이 유형의 훈련은 원하는 출력 시스템에 대한 출력 오류를 나타내는 특정 손실 함수의 최소화를 사용하여 수행됩니다.

훈련 완료 후, 검증 세트라고도하는 훈련 세트에서 분리 된 예제와 관련하여 각 모델의 정확도를 측정합니다.

“지도 학습”을 설명하는 가장 좋은 예는 정보가 포함 된 여러 장의 사진을 사용하는 것입니다. 여기에서 사용자는 새로운 사진을 인식하도록 모델을 훈련시킬 수 있습니다.

비지도 학습

비지도 학습 또는 비지도 학습에는 해당 클래스가 속한 시스템에서 레이블이 지정되지 않은 학습 예제를 포함합니다. 시스템은 공통 특성을 공유하는 데이터를 찾아 내부 지식 특성을 기반으로 변경하며, 이러한 유형의 학습 알고리즘은 기본적으로 클러스터링 문제에 사용됩니다.

"비지도 학습"을 설명하는 가장 좋은 예는 정보가 포함되지 않은 사진과 분류 및 클러스터링을 사용하여 모델을 학습하는 것입니다. 이 유형의 훈련 알고리즘은 정보가 제공되지 않으므로 가정과 함께 작동합니다.