Chcete-li se naučit dovednosti, sbíráme znalosti, pečlivě praktikujeme a sledujeme náš výkon. Nakonec se v této činnosti lépe stávají lépe. Strojní učení je technika, která umožňuje počítačům dělat to jen to.
Mohou počítače naučit?
Definování inteligence je těžké. Všichni víme, co máme na mysli inteligencí, když to říkáme, ale popisuje je to problematické. Opuštění emoce a sebevědomosti, pracovní popis by mohl být schopnost učit se nové dovednosti a absorbovat znalosti a aplikovat je na nové situace k dosažení požadovaného výsledku.
Vzhledem k obtížnosti při definování inteligence, definování umělé inteligence nebude jednodušší. Takže budeme trochu podvádět. Pokud je výpočetní zařízení schopno udělat něco, co by obvykle vyžadovalo lidské úvahy a inteligenci, řekneme, že používají umělou inteligenci.
Například inteligentní reproduktory jako Amazon Echo. a Google hnízdo Slyší naše mluvené pokyny, interpretovat zvuky jako slova, extrahovat význam slov, a pak se pokuste splnit náš požadavek. Mohli bychom ho žádat přehrávat hudbu , Odpověď na otázku Or. svítilna .
PŘÍBUZNÝ: Nejlepší vtipy, hry a velikonoční vajíčka pro Assistant Google
Ve všech třech triviálních interakcích jsou vaše mluvené příkazy předávány do mocných počítačů v oblaku výrobců, kde se koná umělé inteligence těžké zvedání. Příkaz je analyzován, význam je extrahován a odpověď je připravena a odeslána zpět do inteligentního reproduktoru.
Strojní učení podporuje většinu umělých inteligenčních systémů, s nimiž jsme komunikují. Některé z nich jsou předměty ve vašem domě jako inteligentní zařízení a další jsou součástí služeb, které používáme online. Video Doporučení Na YouTube a Netflix a automatické playlisty na Spotify používají strojové učení. Vyhledávače se spoléhají na stroje na učení a online nakupování využívá strojové vzdělávání nabídnout nákup návrhy založené na historii procházení a nákupu.
Počítače mohou přistupovat k enormním datovým souborům. Mohou neúnavně opakovat procesy tisícekrát v prostoru, že by to mělo člověk, aby provedl jednu iteraci - pokud by to člověk mohl dokonce podařit jednou. Takže pokud se učení vyžaduje znalosti, praxe a zpětnou vazbu výkonu, počítač by měl být ideálním kandidátem.
To neznamená, že počítač bude schopen opravdu myslet si v lidském smyslu, nebo pochopit a vnímat jako my. Ale bude to vůle Učit se a lepší s praxí. Šikovně naprogramovaný, strojový vzdělávací systém může dosáhnout slušného dojem z vědomého a vědomého entity.
Zeptali jsme se: "Může počítače se učit?" Které se nakonec morfovalo na praktičtější otázku. Jaké jsou inženýrské výzvy, které musíme překonat, abychom mohli počítačům naučit?
Neuronové sítě a hluboké neuronové sítě
Mozky zvířat obsahují sítě neuronů. Neurony mohou požární signály napříč synapse jiným neuronům. Tato malá akční replikovaná miliony časů - vyvolává naše myšlenkové procesy a vzpomínky. Z mnoha jednoduchých stavebních bloků, příroda vytvořila vědomé mysli a schopnost rozumět a pamatovat.
Inspirovány biologickými neuronovými sítěmi, umělé neuronové sítě byly vytvořeny k napodobování některých charakteristik jejich organických protějšků. Od roku 1940, hardware a software byly vyvinuty, které obsahují tisíce nebo miliony uzlů. Uzly, jako jsou neurony, přijímají signály z jiných uzlů. Mohou také generovat signály ke krmení do jiných uzlů. Uzly mohou přijímat vstupy od a odesílat signály do mnoha uzlů najednou.
Pokud zvíře k závěru, že létající žluto-černý hmyz vždy dát ošklivý žihadlo, bude to vyhnout se všem létající žluto-černý hmyz. Hoverfly využívá toho. Je to žluté a černé jako vosy, ale nemá žihadlo. Zvířata, která se dostali zapletené s vosami a naučené bolestivé ponaučení dá hoverfly širokým obloukem, taky. Vidí létající hmyz s výrazným barevným schématem a rozhodne, že je čas na ústupu. Skutečnost, že hmyz může vznášet, a vosy nemůžu-Z výše uvedených parametrů dokonce vzít v úvahu.
PŘÍBUZNÝ: To je to, co se stane, když Artificial Intelligence společnosti Google vám pomůže psát básně
Význam létání, bzučení, a žluto-černé pruhy má přednost před vším ostatním. Význam těchto signálů se nazývá vážení těchto informací. Umělé neuronové sítě lze použít váhu, taky. Uzel nemusí zvažovat všechny jeho vstupy rovnat. To může upřednostňovat určité signály před jinými.
Strojové učení statistik používá k najít vzory v souborech údajů, že je to vyškoleni. Datovou množinu může obsahovat slova, čísla, obrázky, interakce uživatelů, jako je kliknutí na internetových stránkách, nebo cokoli jiného, které mohou být zachyceny a uloženy digitálně. Systém musí charakterizovat základní prvky dotazu a pak se shodují se vzory, které to zjistil v datovém souboru.
Pokud by se snaží identifikovat květinu, bude muset znát délku stopky, velikost a styl listu, barvu a počet lístků, a tak dále. Ve skutečnosti bude potřebovat mnohem více skutečností, než ty, ale v našem jednoduchém příkladu budeme používat ty. Jakmile systém ví, že tyto podrobnosti o zkušební vzorek, začne se rozhodovací proces, který produkuje zápas ze své datové sady. Působivě systémy strojové učení vytvořit sami rozhodovací strom.
Systém Stroj-learning se učí ze svých chyb tím, že aktualizuje své algoritmy pro korekci nedostatků v jeho uvažování. Nejdůmyslnější neuronové sítě jsou hluboké neuronové sítě . Koncepčně jsou vyrobeny z velmi mnoha neuronových sítí vrstvený jeden na druhého. To dává systém schopnost rozpoznat a využít i drobné vzory ve svých rozhodovacích procesů.
Vrstvy se běžně používají, aby váhy. Takzvané skryté vrstvy mohou působit jako „specializované“ vrstvách. Poskytují vážené signály o jednu charakteristiku testovaného subjektu. Naše identifikační květina Příkladem může snad pouze skryté vrstvy věnovaných tvaru listů, velikosti pupenů nebo tyčinek délek.
Různé typy vzdělávání
Existují tři hlavní metody používané k vlaku systémy strojově učení: učení s učitelem, učení bez učitele a učení zesílení.
pod dohledem Learning
Učení s učitelem je nejčastěji používanou formou učení. To není proto, že je ve své podstatě lepší než jiné techniky. To má více co do činění s vhodnosti tohoto druhu učení datových souborů používaných v systémech strojového učení, které jsou napsané dnes.
V učení s učitelem, data je označen, a strukturovány tak, že kritéria použitá v rozhodovacím procesu jsou definovány pro systém stroje-learning. Jedná se o typ učení používají v systémech strojového učení za návrhy seznam videí YouTube.
učení bez učitele
Učení bez učitele nevyžaduje přípravu dat. Data není označen. Systém skenuje data, rozpozná své vlastní vzory, a odvozuje své vlastní spouštěcí kritéria.
Učení bez učitele techniky byly aplikovány na kybernetické bezpečnosti s vysokou mírou úspěchu. Intruder detekčních systémů umocňuje strojového učení může odhalit neoprávněné síťovou aktivitu vetřelec, protože to neodpovídá dříve pozorované zákonitosti chování oprávněným uživatelům.
PŘÍBUZNÝ: Jak AI, Machine Learning, a Endpoint Security Přesah
výztuž Learning
Posilované učení je nejnovější ze tří technik. Zjednodušeně řečeno, algoritmus učení zesílení využívá pokusů a omylů a zpětnou vazbu, aby se dospělo k optimálním modelu chování k dosažení daného cíle.
To vyžaduje zpětnou vazbu od lidí, kteří „skóre“ úsilí systému podle toho, jestli jeho chování má pozitivní nebo negativní dopad na dosažení svého cíle.
Praktická stránka AI
Protože je to tak převládající a prokazatelná reálná úspěchy - včetně komerčních úspěchů-strojů se nazývá "praktická stránka umělé inteligence". Je to velký podnik, a existuje mnoho škálovatelných, komerčních rámců, které vám umožní začlenit strojní učení do vlastního vývoje nebo produktů.
Pokud nemáte okamžitou potřebu tohoto typu požární síly, ale máte zájem o strkání kolem strojového vzdělávacího systému s přátelským programovacím jazykem, jako je Python, existují výborné bezplatné zdroje pro to taky. Ve skutečnosti se s vámi budou měřítko, pokud vyvíjete další zájem nebo obchodní potřebu.
Pochodeň je open-source strojově vzdělávací rámec známý pro jeho rychlost.
Scikit-Learn. je sbírka strojních nástrojů, zejména pro použití s pythonem.
Caffe. je hluboký rámec, zejména kompetentní při zpracování obrazů.
Keras je hluboký rámec s rozhraním Python.
