АИ, МЛ, ДЛ!!!!!!!! Что это за модные словечки? Почему в городе говорят об этих аббревиатурах? Часто люди взаимозаменяемо используют искусственный интеллект (ИИ), машинное обучение (МО) и глубокое обучение (ГО). Они одинаковые или резко разные, или между ними есть какая-то связь? Мы ответим здесь на все ваши вопросы и постараемся понять каждый термин один за другим максимально простым способом.

Как показано на приведенной выше диаграмме Венна, ИИ — это общий термин. Это надмножество, состоящее из подмножеств ML и DL. ИИ имеет множество ветвей, показанных на следующем рисунке (рис.2.).

Но что такое ИИ?

Если попытаться объяснить это неспециалисту, «Искусственный интеллект» состоит из двух разных терминов: искусственный и интеллект, что очень хорошо отражает его концепцию. С помощью ИИ мы пытаемся имитировать интеллект человеческого мозга. Чтобы автоматизировать повседневную и очень утомительную работу (будь то предсказание доброкачественной или злокачественной клетки или использование чат-бота для размещения онлайн-заказов или датчиков активности), исследователи придумали идею искусственного интеллекта.

Сейчас мы сконцентрируемся на ветке «ML» ИИ.

Машинное обучение (МО)

ML — это ветвь ИИ, которая предсказывает результаты без явного программирования. Он учится на данных, а затем прогнозирует вывод невидимых данных.

В основном существует три типа машинного обучения:

1. Обучение с учителем: в обучении с учителем мы предоставляем помеченный набор данных для обучения алгоритмов. Мы делим набор данных на обучающий набор и тестовый набор. Как правило, набор данных делится на 80 % и 20 %, т. е. 80 % данных используются для обучения, а остальные 20 % — для тестирования. Могут быть и другие бифуркации данных, например, 75% и 25% и так далее. Мы всегда стараемся обучать алгоритм на большей части данных. Давайте попробуем понять больше на примере: скажем, у нас есть набор данных, как показано ниже:

2. Обучение без учителя. В этом типе машинного обучения используются немаркированные данные . Алгоритмы анализируют, а затем кластеризуют немаркированные наборы данных. Алгоритмы выявляют скрытые закономерности в данных. Мы можем видеть на рис.4. что точки данных разделены на три кластера, показанные синими, оранжевыми и зелеными точками. Существуют различные алгоритмы кластеризации. Одним из популярных является алгоритм кластеризации K-средних. Прогноз в этом типе ML основан на том, к какому кластеру принадлежит точка данных. Существуют и другие подходы к обучению без учителя, такие как правила ассоциации и уменьшение размерности.

3. Обучение с подкреплением: в этом типе обучения агент подкрепления учится на собственном опыте. Он выполняет действие и видит результат действия. Если результат хороший, дается положительная обратная связь, а отрицательная обратная связь или штраф дается за каждый плохой результат. Таким образом, агент учится на этих обратных связях. Этот тип обучения используется при последовательном принятии решений, например, при игре в шахматы. Например, AlphaGo основан на обучении с подкреплением. С помощью RL он стал первой компьютерной программой, победившей профессиональных игроков-людей, и, следовательно, стал самым сильным игроком в го в истории.

Глубокое обучение (DL)

Глубокое обучение — это подмножество машинного обучения, вдохновленное нейроном в человеческом мозгу. Он работает на нейронных сетях. DL использует многоуровневую структуру взаимосвязанных узлов (нейронов в человеческом мозгу). Количество слоев связанных между собой узлов также называют глубиной. Для алгоритма глубокого обучения должно быть более трех слоев. Ниже приведена диаграмма, показывающая глубокую нейронную сеть.

Глубокое обучение широко используется в распознавании изображений, преобразовании речи в текст и т. д.

Я надеюсь, что эта статья помогла вам получить более четкое представление об искусственном интеллекте, машинном обучении и глубоком обучении.

Продолжай учиться! Продолжайте пытаться! Продолжай расти! :)