Co to jest AI, ML i DL?
- Co to jest sztuczna inteligencja?
- Co to jest Machine Learning?
- Co to jest Deep Learning?
Jak są one ze sobą powiązane?
AI, ML i DL są ze sobą powiązane. AI jest supersetem ML i DL. To, co robimy w dziedzinie ML i DL, wszystko podlega AI. Aby lepiej je wszystkie zrozumieć, zagłębmy się w nie…
Co to jest AI?
- Dążenie do automatyzacji zadań intelektualnych wykonywanych przez ludzi
- AI to każda technologia, która umożliwia systemowi wykazanie się inteligencją podobną do ludzkiej
- Sztuczna inteligencja i naturalna inteligencja są bardzo podobne.
Gdzie wykorzystuje się AI?
W dzisiejszych czasach AI jest wykorzystywana we wszystkich branżach. Używasz AI w codziennym życiu, kupując produkty na Amazon, czytając artykuły w Google News, oglądając Netflix czy używając Google Photos do zapisywania wspomnień. Jesteśmy otoczeni przez AI i jej zastosowania, aby uczynić nasze życie lepszym.
Produkty Google wykorzystujące m.in. Machine Learning
- Zdjęcia Google: Przeszukiwanie zdjęć poprzez tagi, organizowanie podobnych zdjęć razem poprzez rozpoznawanie twarzy osoby czy poprawianie jakości zdjęć i wiele innych…
- Google Translate: Do tłumaczenia z jednego języka na inny.
- Youtube: Dając zalecenia na podstawie jednego filmów oglądanych.
- Google Lens: Do wyszukiwania informacji inaczej, używa OCR do zrozumienia z obrazów lub przeczytać dokumenty.
- Google Assistant: AI Conversational agent, który może pomóc zrobić wiele rzeczy, po prostu wywołując go z „Ok, Google lub Hey Google”. Jest to najlepszy przykład rozpoznawania mowy.
- Gmail: Gmail, posiada funkcje takie jak Smart Reply może pomóc zredukować ilość pracy, może również polecić Ci kolejne słowa w zdaniu, które możesz użyć.
Co to jest Symbolic AI (lub Classical AI)?
Jest to gałąź badań nad AI, która zajmuje się próbą jawnej reprezentacji ludzkiej wiedzy w faktach i regułach. Na danym zestawie skomplikowanych reguł i faktów, możemy stworzyć maszynę, która może działać jak ludzka inteligencja.
Wcześniejsze gry szachowe, zostały zakodowane w naszych komputerach i mogą grać z nami, ponieważ zostały zakodowane przez pewien zestaw reguł i faktów.
Czy to może rozwiązać zadania klasyfikacji obrazów, rozpoznawania mowy?
Nadchodzi, Machine Learning
Więc czym dokładnie jest ML?
Sztuka i nauka o :
- Dawanie komputerom zdolności uczenia się
- Podejmowania decyzji na podstawie danych
- Bez bycia wyraźnie zaprogramowanym
Uczenie klasyczne Vs uczenie maszynowe
W tradycyjnym programowaniu lub klasycznym programowaniu, podawaliśmy zestaw reguł i danych do niego i na tej podstawie on dawał nam odpowiednie odpowiedzi. Twardo kodujemy oprogramowanie, aby wykonywało określony zestaw zadań. Ale, uczenie maszynowe zmienia sposób, w jaki pracujemy do tej pory. Bierze pewne dane i odpowiedzi, a na ich podstawie tworzy pewne reguły i wykonuje konkretne zadanie, do którego jest stworzony.
Why Machine Learning?
- Massive Global Demand
- Data is Power!
- It’s fun as Hell!
High-Level Overview to Perform Machine Learning
Potrzebujemy,
- Punktów danych wejściowych
- Przykładów oczekiwanych danych wyjściowych
- Sposobu na zmierzenie, czy algorytm wykonuje „Good Job or Not”.
Przykład,
- Wejścia są współrzędnymi naszych punktów
- Oczekiwane wyjście to kolory punktów
- Sposobem na zmierzenie, czy nasz algorytm dobrze wykonuje swoją pracę, może być, na przykład procent punktów, które są poprawnie klasyfikowane.
3 Rodzaje ML
- Uczenie nadzorowane: Using Labeled Data
- Unsupervised Learning: Używanie nieoznakowanych danych
- Uczenie wzmacniające: Agenci programowi wchodzą w interakcję ze środowiskiem
Po więcej informacji na temat ML, sprawdź to https://medium.com/codingurukul/understanding-machine-learning-114e85cd3f0e
Co to jest Deep Learning?
Intro
.
- Jest to poddziedzina ML
- Jest to matematyczny framework do uczenia się reprezentacji z danych
- Wieloetapowy sposób uczenia się reprezentacji danych.
- Używamy „Sieci Neuronowych”, aby uzyskać głębszy wgląd w nasze dane poprzez układanie różnych warstw jedna na drugiej.
- To działa tak samo, jak działa ludzki mózg
Dlaczego Deep Learning?
- Hardware
Z powodu wzrostu mocy obliczeniowej, możemy łatwo wykonywać zadania głębokiego uczenia z większą prędkością i w krótszym czasie możemy trenować nasze modele głębokiego uczenia. Wszystko dzięki „chmurze”.
Google ma również swoje jednostki TPU do wykonywania zadań głębokiego uczenia z szybkością ponad 10 procesorów graficznych Nvidia Titan X.
- Zestawy danych
Wraz ze wzrostem wykorzystania Internetu, dane są gromadzone w dużej ilości, które mogą być wykorzystane w Deep Learning, ponieważ głębokie uczenie potrzebuje dużego zbioru danych, aby uzyskać lepsze wyniki.
- Postępy algorytmiczne
Istnieje wiele postępów w algorytmach Deep Learning, z powodu rosnącej społeczności Machine Learning. Image Net jest świetnym przykładem.
Sieci neuronowe
Deep Learning odbywa się za pomocą sieci neuronowych. Działają one tak samo jak ludzkie mózgi. Poniższy obrazek pokazuje podobieństwo Neuronu biologicznego do Sztucznych Sieci Neuronowych.
Składa się z różnych warstw, które są ułożone jedna na drugiej. jest zbudowany z różnych warstw, które są ułożone jedna na drugiej, aby sieci neuronowe uczyły się reprezentacji i złożonych cech z danych.
Przykład,
Ten przykład pochodzi z MNIST Dataset, gdzie przekazujemy obraz i przechodzi on przez różne warstwy, aby zrozumieć różne reprezentacje i złożone cechy danych, a następnie przewiduje wynik bazowy. Klasyfikacja obrazu odbywa się za pomocą sieci neuronowych konwencjonalnych.
Aby zrozumieć więcej na temat Deep Learning, śledź nas i odwiedź https://medium.com/@patidarparas13/what-is-deep-learning-efa0cfbbd6a2
Co DL rozwiązał,
- Klasyfikacja obrazów na poziomie zbliżonym do ludzkiego
- Rozpoznawanie mowy na poziomie zbliżonym do ludzkiego
- Na poziomie zbliżonym do ludzkiego
- Poprawa tłumaczenia maszynowego
- Poprawa konwersji tekstu na mowę
- Cyfrowi asystenci, tacy jak Google Assistant i Amazon Alexa
- Na poziomie zbliżonym do ludzkiego
- Poprawione wyniki wyszukiwania w sieci
- Nadludzka gra w Go-playing
Ulepszone kierowanie reklam, stosowane przez Google, Baidu i Bing
Co wyróżnia DL?
Inżynieria funkcji: Ponieważ całkowicie automatyzuje to, co do tej pory było najbardziej kluczowym krokiem w procesie uczenia maszynowego
