Para aprender una habilidad, recogemos el conocimiento, la práctica con cuidado, y un seguimiento de desempeño. Con el tiempo, llegamos a ser mejor en esa actividad. El aprendizaje automático es una técnica que permite a los ordenadores para hacer precisamente eso.
Las computadoras pueden aprender?
La definición de la inteligencia es difícil. Todos sabemos lo que queremos decir con la inteligencia cuando decimos, pero describiendo es problemático. Dejando a un lado la emoción y la conciencia de sí mismo, una descripción de trabajo podría ser la capacidad de aprender nuevas habilidades y absorber conocimientos y aplicarlos a nuevas situaciones para lograr el resultado deseado.
Dada la dificultad de definir la inteligencia, la definición de la inteligencia artificial no va a ser más fácil. Por lo tanto, vamos un poco de trampa. Si un dispositivo informático es capaz de hacer algo que por lo general requieren razonamiento humano y la inteligencia, diremos que se trata de utilizar la inteligencia artificial.
Por ejemplo, altavoces inteligentes como el Echo de Amazon y Nido de google puede escuchar las instrucciones habladas, interpretar los sonidos como las palabras, extraer el significado de las palabras, y luego tratar de cumplir con nuestra petición. Podríamos preguntarnos a reproducir música De Responde una pregunta , o apagar las luces .
RELACIONADO: Los mejores bromas, juegos y huevos de Pascua para Google Assistant
En todos menos en la mayoría de las interacciones triviales, sus comandos de voz se transmiten a potentes ordenadores en las nubes de los fabricantes, donde la inteligencia artificial trabajo pesado se lleva a cabo. El comando se analiza, se extrae el significado, y se prepara la respuesta y la envía de vuelta al altavoz inteligente.
El aprendizaje automático se basa la mayoría de los sistemas de inteligencia artificial que interactúan. Algunos de estos son artículos en su casa como dispositivos inteligentes, y otros son parte de los servicios que utilizamos en línea. El video recomendaciones en YouTube y Netflix y las listas de reproducción automáticas en Spotify aprendizaje de uso de la máquina. Los motores de búsqueda se basan en el aprendizaje de máquina, y las compras en línea usos de aprendizaje automático para ofrecer la compra de sugerencias basadas en su navegación y de historial de compras.
Los ordenadores pueden acceder a enormes conjuntos de datos. Pueden procesos incansablemente repetidas miles de veces dentro del espacio que tomaría un ser humano para llevar a cabo una iteración, si un ser humano podría incluso llegar a hacerlo una vez. Por lo tanto, si el aprendizaje requiere el conocimiento, la práctica y la regeneración del funcionamiento, el equipo debe ser el candidato ideal.
Eso no quiere decir que el equipo será capaz de realmente pensar en el sentido humano, o de entender y percibir como nosotros. Pero será aprender Y mejorar con la práctica. Hábilmente programado, un sistema de aprendizaje automático puede lograr una impresión decente de una entidad consciente y consciente.
Se utilizó para preguntar: “Las computadoras pueden aprender?” Que finalmente transformado en una cuestión más práctica. ¿Cuáles son los retos de ingeniería que hay que superar para permitir que los ordenadores para aprender?
Redes Neuronales y Deep Redes Neuronales
cerebros de los animales contienen redes de neuronas. Las neuronas pueden disparar señales a través de una sinapsis con otras neuronas. Este diminuto millones de acción-replicado de veces, da lugar a nuestros procesos de pensamiento y los recuerdos. Fuera de muchos bloques de construcción sencilla, la naturaleza creó mente consciente y la capacidad de razonar y recordar.
Inspirado por las redes neuronales biológicas, redes neuronales artificiales fueron creados para imitar algunas de las características de sus homólogos orgánicos. Desde la década de 1940, hardware y software se han desarrollado que contiene miles o millones de nodos. Los nodos, como neuronas, reciben señales de otros nodos. También pueden generar señales que alimentar en otros nodos. Los nodos pueden aceptar entradas desde y enviar señales a muchos nodos a la vez.
Si un animal concluye que los insectos amarillos y negros voladores siempre le dan una picadura desagradable, evitará que todos los insectos amarillos y negros voladores. El Hoverfly aprovecha esto. Es amarillo y negro como una avispa, pero no tiene picadura. Los animales que se han enredado con avispas y aprendieron una lección dolorosa, también le dan una amplia litera. Ven a un insecto volador con un esquema de color llamativo y decide que es hora de retirarse. El hecho de que el insecto pueda flotar, y las avispas no pueden, ni siquiera se tienen en cuenta.
RELACIONADO: Esto es lo que sucede cuando la inteligencia artificial de Google te ayuda a escribir poemas.
La importancia de las franjas voladoras, zumbidas y amarillas y negras anulan todo lo demás. La importancia de esas señales se llama el ponderación de esa información. Las redes neuronales artificiales también pueden usar la ponderación. Un nodo no necesita considerar todas sus entradas iguales. Puede favorecer algunas señales sobre los demás.
El aprendizaje de la máquina utiliza estadísticas para encontrar patrones en los conjuntos de datos en los que está capacitado. Un conjunto de datos puede contener palabras, números, imágenes, interacciones de usuarios, como clics en un sitio web, o cualquier otra cosa que pueda ser capturada y almacenada digitalmente. El sistema debe caracterizar los elementos esenciales de la consulta y luego coincide con aquellos a patrones que ha detectado en el conjunto de datos.
Si está tratando de identificar una flor, tendrá que conocer la longitud del tallo, el tamaño y el estilo de la hoja, el color y el número de pétalos, etc. En realidad, necesitará muchos más hechos que los que, pero en nuestro simple ejemplo, usaremos aquellos. Una vez que el sistema conoce los detalles sobre la muestra de prueba, inicia un proceso de toma de decisiones que produce una coincidencia de su conjunto de datos. Impresionantemente, los sistemas de aprendizaje automático crean los propios árboles de decisión.
Un sistema de aprendizaje automático aprende de sus errores al actualizar sus algoritmos a las fallas correctas en su razonamiento. Las redes neuronales más sofisticadas son Redes neuronales profundas . Conceptualmente, estos se componen de muchas redes neuronales en capas en la parte superior de otra. Esto le da al sistema la capacidad de detectar y usar incluso patrones pequeños en sus procesos de decisión.
Las capas se usan comúnmente para proporcionar ponderación. Las llamadas capas ocultas pueden actuar como capas "especialistas". Proporcionan señales ponderadas sobre una característica única del sujeto de prueba. Nuestro ejemplo de identificación de flores tal vez pueda usar capas ocultas dedicadas a la forma de las hojas, el tamaño de los brotes o las longitudes de estambre.
Diferentes tipos de aprendizaje
Hay tres técnicas generales utilizadas para capacitar a sistemas de aprendizaje automático: aprendizaje supervisado, aprendizaje sin supervisión y aprendizaje de refuerzo.
Aprendizaje supervisado
El aprendizaje supervisado es la forma de aprendizaje más utilizada. Eso no se debe a que sea inherentemente superior a otras técnicas. Tiene más que ver con la idoneidad de este tipo de aprendizaje a los conjuntos de datos utilizados en los sistemas de aprendizaje automático que se están escribiendo hoy.
En el aprendizaje supervisado, los datos están etiquetados y estructurados de modo que los criterios utilizados en el proceso de toma de decisiones se definen para el sistema de aprendizaje automático. Este es el tipo de aprendizaje utilizado en los sistemas de aprendizaje automático detrás de las sugerencias de la lista de reproducción de YouTube.
Aprendizaje sin supervisión
El aprendizaje no supervisado no requiere la preparación de datos. Los datos no están etiquetados. El sistema escanea los datos, detecta sus propios patrones y deriva sus propios criterios de activación.
Se han aplicado técnicas de aprendizaje no supervisadas a la ciberseguridad con altas tasas de éxito. Los sistemas de detección de intrusos mejorados por el aprendizaje de la máquina pueden detectar la actividad de la red no autorizada de un intruso porque no coincide con los patrones de comportamiento autorizados anteriormente observados.
RELACIONADO: Cómo se superpone a Ai, Aprendizaje Máquina y Seguridad de Punto Endpoint
Aprendizaje reforzado
El aprendizaje de refuerzo es la más reciente de las tres técnicas. En pocas palabras, un algoritmo de aprendizaje de refuerzo utiliza el ensayo y el error y la retroalimentación para llegar a un modelo óptimo de comportamiento para lograr un objetivo determinado.
Esto requiere retroalimentación de los humanos que "califican" los esfuerzos del sistema de acuerdo con si su comportamiento tiene un impacto positivo o negativo en el logro de su objetivo.
El lado práctico de AI
Debido a que es tan frecuente y ha demostrable sucesos en el mundo real, incluidos los éxitos comerciales, el aprendizaje automático se ha llamado "el lado práctico de la inteligencia artificial". Es un gran negocio, y hay muchos marcos comerciales escalables que le permiten incorporar el aprendizaje de la máquina en sus propios desarrollos o productos.
Si no tiene una necesidad inmediata de ese tipo de potencia de incendio, pero está interesado en asumir un sistema de aprendizaje automático con un lenguaje de programación amigable como Python, también hay excelentes recursos gratuitos para eso. De hecho, estos se escalarán con usted si usted desarrolla un interés adicional o una necesidad comercial.
Antorcha es un marco de aprendizaje de máquina de código abierto conocido por su velocidad.
Científicos Es una colección de herramientas de aprendizaje automático, especialmente para usar con Python.
Caffe Es un marco de aprendizaje profundo, especialmente competente en las imágenes de procesamiento.
KERAS Es un marco de aprendizaje profundo con una interfaz de Python.
