Wat is AI, ML en DL?

AI, ML en DL zijn aan elkaar verwant. AI is een superset van ML en DL. Wat we doen op het gebied van ML en DL valt allemaal onder AI. Om ze allemaal beter te begrijpen, duiken we erin…

Wat is AI?

• Een poging om intellectuele taken die door mensen worden uitgevoerd, te automatiseren
• AI is elke technologie die een systeem in staat stelt mensachtige intelligentie te demonstreren
• Artificiële intelligentie en natuurlijke intelligentie lijken sterk op elkaar.

Waar wordt AI gebruikt?

Nu wordt AI vooral in alle bedrijfstakken gebruikt. U gebruikt AI in uw dagelijkse leven, van het kopen van producten op Amazon of het lezen van artikelen op Google News of het kijken naar Netflix of het gebruik van Google Foto’s om uw herinneringen op te slaan. We worden omringd door AI en het gebruik ervan om ons leven beter te maken.

Google-producten die Machine Learning gebruiken

4 Machine Learning

• Google Foto’s: Foto’s doorzoeken aan de hand van tags, gelijksoortige foto’s bij elkaar plaatsen door het gezicht van de persoon te herkennen of de kwaliteit van foto’s te verbeteren en nog veel meer…
• Google Translate: Voor het vertalen van de ene taal naar de andere.
• Youtube: Het geven van aanbevelingen op basis van een video’s die je hebt bekeken.
• Google Lens: Voor het zoeken van de informatie anders, het maakt gebruik van OCR te begrijpen van afbeeldingen of lees de documenten.
• Google Assistant: AI Conversational agent, die u kan helpen een heleboel ding doen door gewoon aanroepen met “Ok, Google of Hey Google”. Het is het beste voorbeeld van Spraakherkenning.
• Gmail: Gmail, heeft functies zoals Smart Reply kan helpen om uw veel werk te verminderen, het kan ook raden u de volgende komende woorden in je zin die je kunt gebruiken.

Wat is Symbolische AI (of Klassieke AI)?

Het is een tak van AI-onderzoek dat zich bezighoudt met pogingen om expliciet menselijke kennis te vertegenwoordigen in feiten en regels. Met de gegeven set van zware complexe regels en feiten, kunnen we een machine maken die kan presteren als menselijke intelligentie.

Ex: Vroege schaakspellen, waren hard gecodeerd in onze PC’s en kunnen met ons spelen omdat ze hard gecodeerd waren door een set van regels en feiten.

Kan het taken oplossen op het gebied van beeldclassificatie, spraakherkenning?

Hier komt, Machine Learning

Wat is ML nu precies?

De kunst en wetenschap van :

1. Computers het vermogen geven te leren
2. Om beslissingen te nemen op basis van gegevens
3. Zonder expliciet geprogrammeerd te worden

Classical Learning Vs Machine Learning

In het traditionele programmeren of klassieke programmeren, geven we het programma een reeks regels en gegevens en op basis daarvan geeft het ons de relevante antwoorden. We hardcoden de software om een specifieke reeks taken uit te voeren. Maar Machine Learning verandert de manier waarop we tot nu toe hebben gewerkt. Het neemt een aantal gegevens en antwoorden en op basis daarvan maakt een aantal regels en doen een specifieke taak die het is gemaakt voor.

Waarom Machine Learning?

• Massale wereldwijde vraag
• Data is Power!
• Het is leuk als de hel!

High-Level Overview to Perform Machine Learning

We hebben nodig,

• Input Data Points
• Voorbeelden van de verwachte output
• Een manier om te meten of het algoritme “Good Job or Not” doet.

Voorbeeld,

• Inputs zijn de coördinaten van onze punten
• De verwachte output zijn de kleuren van de punten
• Een manier om te meten of ons algoritme goed werk levert, zou kunnen zijn, bijvoorbeeld het percentage punten dat correct wordt geclassificeerd.

3 Soorten ML

• Supervised Learning: Met behulp van gelabelde gegevens
• Onder toezicht leren: Gebruik van ongelabelde gegevens
• Reïnforcement Learning: Software agents interageren met een omgeving

Voor meer info over ML, bekijk dit https://medium.com/codingurukul/understanding-machine-learning-114e85cd3f0e

Wat is Deep Learning?

Intro

• Het is een deelgebied van ML
• Het is een wiskundig raamwerk voor het leren van representaties uit gegevens
• Een meerfasige manier om gegevensrepresentaties te leren.
• We gebruiken “neurale netwerken”, om diepere inzichten in onze gegevens te krijgen door verschillende lagen op elkaar te stapelen.
• Het werkt hetzelfde als het menselijk brein

Waarom Deep Learning?

• Hardware

Door de toename van rekenkracht kunnen we deep learning-taken gemakkelijk en sneller uitvoeren en in minder tijd onze deep learning-modellen trainen. Dit alles dankzij “Cloud”.

Google heeft ook zijn TPU’s om deep learning-taken uit te voeren met de snelheid van meer dan 10 GPU’s van Nvidia Titan X.

• Datasets

Met de toename in het gebruik van het internet, is de data verzameld in een grote hoeveelheid die kan worden gebruikt in Deep Learning, omdat deep learning een grote dataset nodig heeft om betere resultaten te behalen.

• Algoritmische vooruitgang

Er is veel vooruitgang geboekt in de algoritmen van Deep Learning, vanwege de groeiende gemeenschap van Machine Learning. Image Net is daar een goed voorbeeld van.

Neurale Netwerken

Diep Leren wordt gedaan met behulp van neurale netwerken. Ze werken hetzelfde als de menselijke hersenen werken. Onderstaande afbeelding toont de gelijkenis van Biologische Neuronen met Artificiële Neurale Netwerken.

Het bestaat uit verschillende lagen die boven op elkaar worden gestapeld om neurale netwerken de representaties en complexe kenmerken uit gegevens te laten leren.

Voorbeeld,

Dit voorbeeld komt uit de MNIST-dataset, waarbij we een afbeelding doorgeven en het door verschillende lagen gaat om de verschillende representaties en complexe kenmerken van de gegevens te begrijpen en vervolgens het onderliggende resultaat te voorspellen. Beeldclassificatie wordt gedaan met behulp van Convolutionele Neurale Netwerken.

Om meer te begrijpen over Deep Learning volg ons en bezoek https://medium.com/@patidarparas13/what-is-deep-learning-efa0cfbbd6a2

Wat DL heeft opgelost,

• Afbeeldingclassificatie op bijna-menselijk niveau
• Spraakherkenning op bijna-menselijk niveau
• Handschrift transcriptie op bijna-menselijk niveau
• Betere automatische vertaling
• Betere tekst-naar-spraak conversie
• Digitale assistenten zoals Google Assistant en Amazon Alexa
• Betere autonoom rijden op bijna-menselijk niveau Verbeterde advertentietargeting, zoals gebruikt door Google, Baidu en Bing
• Verbeterde zoekresultaten op het web
• Supermenselijk Go-spel

Wat maakt DL anders?

Feature Engineering: Omdat het volledig automatiseert wat vroeger de meest cruciale stap was in een machine-learning-workflow