0 просмотров

Искусственный интеллект, машинное обучение и глубокое обучение: в чем разница?

Хотя они используются взаимозаменяемо, вот реальная разница между искусственным интеллектом, машинным обучением и глубоким обучением.

Автор Артем Опперманн

Инженер-исследователь в BTC Embedded Systems

Артем Опперманн — инженер-исследователь в BTC Embedded Systems, специализирующийся на искусственном интеллекте и машинном обучении. Он начал свою карьеру в качестве внештатного разработчика и консультанта по машинному обучению в 2016 году. Имеет степень магистра физики.

три главы с объяснениями различий между ИИ, машинным обучением и глубоким обучением

Изображение: Shutterstock / Встроенный

Модуль записи обновлений во встроенный
ОБНОВЛЕНО
Бреннан Уитфилд | 16 сентября 2022 г.

Инженер по машинному обучению в Weights and Biases
РАССМОТРЕНО
Парул Панди | 16 августа 2022 г.

В то время как искусственный интеллект, машинное обучение и глубокое обучение являются популярными техническими терминами, которые мы слышим повсюду в наши дни, существуют серьезные заблуждения относительно того, что на самом деле означают эти слова. Многие компании заявляют, что используют искусственный интеллект (ИИ) в своих приложениях или сервисах, но что это означает на практике? Подробнее о глубоком обучении Как использовать графовые нейронные сети (GNN) для анализа данных

Статья в тему:  Как сделать искусственный интеллект

ИИ против машинного обучения против глубокого обучения | Обучение машинному обучению с помощью Python | Эдурека | Видео: эдурека!

Искусственный интеллект

В широком смысле ИИ описывает, когда машина имитирует когнитивные функции, которые люди связывают с другими человеческими разумами, такие как обучение и решение проблем. На еще более элементарном уровне ИИ может быть просто запрограммированным правилом, предписывающим машине вести себя определенным образом в определенных ситуациях. Другими словами, искусственный интеллект может быть не чем иным, как несколькими операторами if-else. Оператор if-else — это простое правило, запрограммированное человеком. Рассмотрим робота, движущегося по дороге.Запрограммированное правило для этого робота может быть:

если something_is_in_the_way равно True: stop_moving() иначе: continue_moving()

Итак, когда мы говорим об искусственном интеллекте, стоит задуматься еще два конкретных подполя ИИ: машинное обучение и глубокое обучение.. Узнайте больше от наших экспертов Что такое смарт-устройство?

Машинное обучение против глубокого обучения

Теперь, когда мы лучше понимаем, что на самом деле означает ИИ, мы можем более подробно рассмотреть машинное обучение и глубокое обучение, чтобы провести четкое различие между ними.

ИИ против машинного обучения против глубокого обучения

  • Искусственный интеллект: программа, которая может чувствовать, рассуждать, действовать и адаптироваться.
  • Машинное обучение: алгоритмы, производительность которых улучшается по мере того, как они со временем подвергаются большему количеству данных.
  • Глубокое обучение: подмножество машинного обучения, в котором многоуровневые нейронные сети учатся на огромных объемах данных.
Статья в тему:  Что такое вероятностные рассуждения в искусственном интеллекте

Машинное обучение — не новая технология

Что такое машинное обучение? Мы можем думать о машинное обучение как ряд алгоритмов, которые анализируют данные, учатся на них и принимают обоснованные решения. на основе этих полученных знаний.

Машинное обучение может привести к множеству автоматизированных задач. Он затрагивает практически все отрасли — от поиска вредоносных программ для ИТ-безопасности до прогнозирования погоды и биржевых маклеров, ищущих оптимальные сделки. Машинное обучение требует сложной математики и большого количества кода для достижения желаемых функций и результатов. Машинное обучение также включает в себя классические алгоритмы для различных видов задач, таких как кластеризация, регрессия или классификация. Мы должны обучать эти алгоритмы на больших объемах данных. Чем больше данных вы предоставляете для своего алгоритма, тем лучше становится ваша модель.

Когда кто-то говорит, что работает с алгоритмом машинного обучения, вы можете понять суть его ценности, спросив: какова целевая функция?

Машинное обучение является относительно старой областью и включает в себя методы и алгоритмы, которые существуют уже десятки лет, некоторые из них — с 1960-х годов.Эти классические алгоритмы включают наивный байесовский классификатор и машину опорных векторов, которые часто используются при классификации данных. В дополнение к классификации существуют также алгоритмы кластерного анализа, такие как K-Means и кластеризация на основе дерева. Чтобы уменьшить размерность данных и лучше понять их природу, машинное обучение использует такие методы, как анализ основных компонентов и tSNE.

Статья в тему:  Почему искусственный интеллект связан с психологией

Обучающий компонент модели машинного обучения означает, что модель пытается оптимизировать по определенному измерению. Другими словами, модели машинного обучения пытаются свести к минимуму ошибку между их прогнозами и фактическими значениями истинности.

Для этого мы должны определить так называемую функцию ошибок (также называемую функцией потерь или целевой функцией), потому что у модели есть цель. Эта цель может состоять в том, чтобы классифицировать данные по разным категориям (например, изображения кошек и собак) или прогнозировать ожидаемую цену акций в ближайшем будущем. Когда кто-то говорит, что работает с алгоритмом машинного обучения, вы можете понять суть его ценности, спросив: какова целевая функция?

Как работает машинное обучение: как минимизировать ошибки?

Мы можем сравнить прогноз модели со значением наземной истины и настроить параметры модели, чтобы в следующий раз ошибка между этими двумя значениями была меньше. Этот процесс повторяется миллионы раз до тех пор, пока параметры модели, определяющие предсказания, не станут настолько хорошими, что разница между предсказаниями модели и метками наземной истины будет как можно меньше.

Короче говоря, модели машинного обучения — это алгоритмы оптимизации. Если вы настроите их правильно, они минимизируют ошибку, угадывая, угадывая и снова угадывая.

Глубокое обучение против машинного обучения: следующая большая вещь

В отличие от машинного обучения, глубокое обучение — это молодая область искусственного интеллекта, основанная на искусственных нейронных сетях..

Статья в тему:  Почему в Индии так плохо с искусственным интеллектом

Поскольку алгоритмам глубокого обучения также требуются данные для изучения и решения проблем, мы также можем назвать это подполем машинного обучения. Термины машинное обучение и глубокое обучение часто рассматриваются как синонимы. Однако эти системы имеют разные возможности.

Глубокое обучение использует многоуровневую структуру алгоритмов, называемую нейронной сетью.

ИИ против машинного обучения против глубокого обучения

Искусственные нейронные сети обладают уникальными возможностями, которые позволяют моделям глубокого обучения решать задачи, которые модели машинного обучения никогда не могли решить.

Все последние достижения в области интеллекта связаны с глубоким обучением. Без глубокого обучения у нас не было бы беспилотных автомобилей, чат-ботов или персональных помощников, таких как Alexa и Siri. Google Translate останется примитивным, и Netflix не будет знать, какие фильмы или сериалы предложить.

Мы можем даже сказать, что новая промышленная революция обусловлена ​​искусственными нейронными сетями и глубоким обучением. На данный момент это лучший и наиболее близкий подход к настоящему машинному интеллекту, потому что глубокое обучение имеет два основных преимущества перед машинным обучением.

Почему глубокое обучение лучше, чем машинное обучение?

Без извлечения признаков

Первое преимущество глубокого обучения перед машинным обучением — избыточность извлечения признаков.

Задолго до того, как мы начали использовать глубокое обучение, наиболее популярными были традиционные методы машинного обучения (деревья решений, SVM, наивный байесовский классификатор и логистическая регрессия). Они также известны как плоские алгоритмы. В этом контексте «плоский» означает, что эти алгоритмы обычно нельзя применять непосредственно к необработанным данным (таким как .csv, изображения, текст и т. д.). Вместо этого нам требуется этап предварительной обработки, называемый извлечением признаков.

Статья в тему:  Что такое искусственный интеллект для сетей

При извлечении признаков мы предоставляем абстрактное представление необработанных данных, которые классические алгоритмы машинного обучения могут использовать для выполнения задачи (т. е. классификации данных по нескольким категориям или классам). Извлечение признаков обычно довольно сложно и требует детального знания предметной области.Этот шаг необходимо адаптировать, протестировать и уточнить в течение нескольких итераций для получения оптимальных результатов. Модели глубокого обучения не нуждаются в извлечении признаков.

Когда дело доходит до моделей глубокого обучения, у нас есть искусственные нейронные сети, которые не требуют извлечения признаков. Слои могут самостоятельно изучать неявное представление необработанных данных.

Модель глубокого обучения создает абстрактное сжатое представление необработанных данных на нескольких уровнях искусственной нейронной сети. Затем мы используем сжатое представление входных данных для получения результата. Результатом может быть, например, классификация входных данных по разным классам.

В процессе обучения нейронная сеть оптимизирует этот шаг, чтобы получить наилучшее абстрактное представление входных данных. Модели глубокого обучения практически не требуют ручных усилий для выполнения и оптимизации процесса извлечения признаков. Другими словами, извлечение признаков встроено в процесс, происходящий в искусственной нейронной сети без участия человека.

Если вы хотите использовать модель машинного обучения, чтобы определить, показывает ли конкретное изображение автомобиль или нет, мы, люди, сначала должны определить уникальные особенности автомобиля (форма, размер, окна, колеса и т. д.), извлечь эти функции и передать их алгоритму в качестве входных данных. Затем алгоритм машинного обучения выполнит классификацию изображения. То есть в машинном обучении программист должен вмешиваться непосредственно в процесс классификации.

Статья в тему:  Какие есть проекты искусственного интеллекта

ИИ против машинного обучения против глубокого обучения

Это относится к любой другой задаче, которую вы когда-либо выполняли с помощью нейронных сетей. Передайте необработанные данные нейронной сети, а модель сделает все остальное.

Глубокое обучение для больших данных

Другим важным преимуществом глубокого обучения и ключевой частью понимания того, почему оно становится таким популярным, является то, что оно основано на огромных объемах данных. Эпоха технологий больших данных предоставит огромное количество возможностей для новых инноваций в области глубокого обучения.

ИИ против машинного обучения против глубокого обучения

Модели глубокого обучения, как правило, повышают свою точность с увеличением объема обучающих данных, тогда как традиционные модели машинного обучения, такие как SVM и наивный байесовский классификатор, перестают улучшаться после точки насыщения.

Модели глубокого обучения лучше масштабируются с большим объемом данных. Перефразируя Эндрю Нг, главного научного сотрудника крупной китайской поисковой системы Baidu, соучредителя Coursera и одного из руководителей проекта Google Brain Project, если алгоритм глубокого обучения — это ракетный двигатель, то данные — это топливо.

голоса
Рейтинг статьи
Ссылка на основную публикацию
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
Adblock
detector