Понимание искусственного интеллекта
Искусственный интеллект включает в себя моделирование человеческого интеллекта машинами и специальными компьютерными системами. Примеры искусственного интеллекта включают обучение, рассуждение и самокоррекцию. Приложения AI включают распознавание речи, экспертные системы, распознавание изображений и машинное зрение.
Машинное обучение - это отрасль искусственного интеллекта, которая занимается системами и алгоритмами, которые могут изучать любые новые данные и шаблоны данных.
Давайте сосредоточимся на приведенной ниже диаграмме Венна для понимания концепций машинного обучения и глубокого обучения.
Машинное обучение включает в себя раздел машинного обучения, а глубокое обучение является частью машинного обучения. Способность программы, которая следует концепциям машинного обучения, заключается в улучшении производительности наблюдаемых данных. Главный мотив преобразования данных - улучшить свои знания, чтобы достичь лучших результатов в будущем, обеспечить вывод, более близкий к желаемому результату для этой конкретной системы. Машинное обучение включает «распознавание образов», которое включает в себя способность распознавать закономерности в данных.
Шаблоны должны быть обучены отображать результат желаемым образом.
Машинное обучение можно обучить двумя способами:
- Обучение под руководством
- Обучение без учителя
Контролируемое обучение
Обучение с учителем или обучение с учителем включает в себя процедуру, в которой обучающий набор предоставляется в качестве входных данных для системы, при этом каждый пример помечается желаемым выходным значением. Обучение в этом типе выполняется с использованием минимизации конкретной функции потерь, которая представляет ошибку вывода по отношению к желаемой системе вывода.
После завершения обучения точность каждой модели измеряется относительно непересекающихся примеров из обучающего набора, также называемого проверочным набором.
Лучший пример, иллюстрирующий «обучение с учителем» - это набор фотографий с включенной в них информацией. Здесь пользователь может обучить модель распознавать новые фотографии.
Неконтролируемое обучение
При обучении без учителя или обучении без учителя включите примеры обучения, которые не помечены системой, к какому классу они принадлежат. Система ищет данные, которые имеют общие характеристики, и изменяет их на основе внутренних особенностей знаний. Этот тип алгоритмов обучения в основном используется в задачах кластеризации.
Лучший пример для иллюстрации «обучения без учителя» - это набор фотографий без включенной информации, и пользователь обучает модель с классификацией и кластеризацией. Этот тип алгоритма обучения работает с предположениями, поскольку информация не предоставляется.
