Um eine Fähigkeit zu lernen, sammeln wir Wissen, üben sorgfältig aus und überwachen unsere Leistung. Schließlich werden wir bei dieser Tätigkeit besser. Machine Learning ist eine Technik, mit der Computer genau dies tun können.
Können Computer lernen? [fünfzehn]
Die Definition von Intelligenz ist hart. Wir alle wissen, was wir mit Intelligenz meinen, wenn wir es sagen, aber beschreibt, ist es problematisch. Wenn Sie Emotion und Selbstbewusstsein beiseite lassen, könnte eine Arbeitsbeschreibung die Fähigkeit sein, neue Fähigkeiten zu erlernen und Wissen aufzunehmen und sie auf neue Situationen anzuwenden, um das gewünschte Ergebnis zu erreichen.
Angesichts der Schwierigkeit bei der Definition der Intelligenz wird die Definition der künstlichen Intelligenz nicht einfacher. Also, wir betrügen ein bisschen. Wenn ein Rechengerät etwas tun kann, das in der Regel etwas tun würde, das normalerweise menschliche Argumentation und Intelligenz erfordern würde, sagen wir, dass es künstliche Intelligenz verwendet.
Zum Beispiel Smartlautsprecher wie die Amazon Echo. und Google Nest. Kann unsere gesprochenen Anweisungen hören, die Klänge als Wörter interpretieren, die Bedeutung der Wörter extrahieren, und versuchen Sie dann, unsere Anfrage zu erfüllen. Wir vielleicht fragen wir es spiel Musik , beantworte eine Frage , oder dimme das Licht .
VERBUNDEN: Die besten Witze, Spiele und Ostereier für Google Assistant
In allen als trivialsten Interaktionen werden Ihre gesprochenen Befehle an kraftvollen Computern in den Wolken der Hersteller weitergeleitet, in denen die künstliche Intelligenz schwerwiegend erfolgt. Der Befehl ist analysiert, die Bedeutung wird extrahiert, und die Antwort wird vorbereitet und an den Smart-Lautsprecher gesendet.
Maschinenlernen untermauert die Mehrheit der künstlichen Intelligenzsysteme, mit denen wir interagieren. Einige davon sind Artikel in Ihrem Zuhause wie intelligenten Geräten, und andere sind Teil der Services, die wir online verwenden. Das Video Empfehlungen Auf youtube und netflix und den automatischen Wiedergabelisten auf Spotify verwenden Machine Lernen. Suchmaschinen verlassen sich auf maschinelles Lernen, und Online-Shopping verwendet Machine Lernen, um Ihnen Kaufvorschläge anzubieten, basierend auf Ihrem Browsing- und Kaufhistorie.
Computer können auf enorme Datensätze zugreifen. Sie können unermüdlich tausende Male in dem Raum wiederholen, dass es einen Menschen brauchen würde, um eine Iteration durchzuführen - wenn ein Mensch das sogar schaffen könnte, es einmal zu tun. Wenn also das Lernen Wissen, Praxis und Leistungsfeedback erfordert, sollte der Computer der ideale Kandidat sein.
Das heißt nicht, dass der Computer wirklich in der Lage ist denken im menschlichen Sinne oder zu verstehen und wahrzunehmen, wie wir es tun. Aber es wird lernen und mit der Praxis besser werden. Geschickt programmiert, kann ein maschinelles Lernsystem einen anständigen Eindruck einer bewussten und bewussten Entität erreichen.
Wir haben gefragt: "Können Computer lernen?" Das verwandelte schließlich in eine praktische Frage. Was sind die technischen Herausforderungen, die wir überwinden müssen, damit Computer lernen können?
Neuronale Netzwerke und tiefe neuronale Netze [fünfzehn]
Die Brains von Tieren enthalten Netzwerke von Neuronen. Neuronen können Signale über eine Synapse an andere Neuronen feuern. Diese winzigen actionlich replizierten Millionen von Malen - führt zu unseren Gedankenprozessen und Erinnerungen. Aus vielen einfachen Bausteinen schuf die Natur bewusste Köpfe und die Fähigkeit zur Vernunft und erinnern sich.
Inspiriert von biologischen neuronalen Netzwerken wurden künstliche neuronale Netzwerke geschaffen, um einige der Eigenschaften ihrer organischen Kollegen nachzuahmen. Seit den 1940er Jahren wurden Hardware und Software entwickelt, die Tausende oder Millionen von Knoten enthalten. Die Knoten, wie Neuronen, empfangen Signale von anderen Knoten. Sie können auch Signale erstellen, um in andere Knoten zu füttern. Knoten können Eingaben von und senden Signale an viele Knoten gleichzeitig an.
Wenn ein Tier schließt, dass fliegende gelb-schwarze Insekten es immer einen bösen Stich geben, wird es alle fliegenden gelb-schwarzen Insekten vermeiden. Das Hoverfly nutzt dies davon. Es ist gelb und schwarz wie ein Wespen, aber es hat keinen Stich. Tiere, die sich mit Wespen verwickelt haben und eine schmerzhafte Lektion gelernt haben, gib dem Hoverfly auch einen breiten Liegeplatz. Sie sehen ein fliegendes Insekt mit einem auffälligen Farbschema und entscheiden, dass es Zeit ist, sich zurückzuziehen. Die Tatsache, dass das Insekt schweben kann - und Wespen nicht - nicht in Betracht ziehen.
VERBUNDEN: Dies geschieht, wenn die künstliche Intelligenz von Google Ihnen dabei hilft, Gedichte zu schreiben
Die Bedeutung der fliegenden, summenden und gelb- und schwarzen Stripes überschreibt alles andere. Die Bedeutung dieser Signale wird als Gewichtung dieser Informationen. Künstliche neuronale Netzwerke können auch gewichtet werden. Ein Knoten muss nicht alle ihre Eingaben betrachten. Es kann einige Signale über andere bevorzugen.
Machine Learning verwendet Statistiken, um Muster in den Datensätzen zu finden, auf denen er ausgebildet ist. Ein Datensatz enthält möglicherweise Wörter, Zahlen, Bilder, Benutzerinteraktionen, z. B. Klicks auf einer Website oder etwas anderes, das aufgenommen und digital gespeichert werden kann. Das System muss die wesentlichen Elemente der Abfrage charakterisieren und dann mit den Mustern anpassen, die in dem Datensatz erkannt wurden.
Wenn es versucht, eine Blume zu identifizieren, muss es die Stammlänge, die Größe und den Stil des Blattes, der Farbe und der Anzahl der Blütenblätter kennen, und so weiter. In der Realität braucht es viele weitere Fakten als diejenigen, aber in unserem einfachen Beispiel verwenden wir diese. Sobald das System diese Angaben zum Testprogner kennt, beginnt er einen Entscheidungsprozess, der ein Match aus seinem Datensatz erzeugt. Eindrucksvoll erstellen Maschinenlernsysteme den Entscheidungsbaum selbst.
Ein Maschinenlernsystem lernt aus seinen Fehlern, indem sie ihre Algorithmen aktualisieren, um Fehler in seiner Argumentation zu korrigieren. Die anspruchsvollsten neuronalen Netzwerke sind tiefe neuronale Netzwerke. . Konzeptionell bestehen diese aus vielen neuronalen Netzwerken, die über einen anderen überlagert sind. Dies gibt dem System die Möglichkeit, selbst winzige Muster in seinen Entscheidungsprozessen zu erkennen und zu verwenden.
Schichten werden üblicherweise zur Gewichtung verwendet. Sogenannte versteckte Schichten können als "Fachschichten" fungieren. Sie liefern gewichtete Signale über ein einziges Merkmal des Probandens. Unser Blumenidentifikationsbeispiel könnte vielleicht verborgene Schichten verwenden, die der Form von Blättern, der Größe der Knospen oder der staubenden Längen gewidmet sind.
Verschiedene Arten von Lernen [fünfzehn]
Es gibt drei breite Techniken zum Trainieren von Maschinenlernsystemen: Beaufsichtigtes Lernen, unbeaufsichtigtes Lernen und Verstärkungslernen.
Überwachtes Lernen
Beaufsichtigtes Lernen ist die am häufigsten verwendete Form des Lernens. Das ist nicht daran, dass es an anderen Techniken von Natur aus überlegen ist. Es hat mehr mit der Eignung dieser Art von Lernen zu den Datensätzen zu tun, die in den heute geschriebenen Maschinenlernsystemen verwendet werden.
Bei einem überwachten Lernen werden die Daten beschriftet und strukturiert, so dass die im Entscheidungsprozess verwendeten Kriterien für das Maschinenlernsystem definiert sind. Dies ist die Art des Lernens, das in den Maschinenlernsystemen hinter YouTube Playlist-Vorschlägen verwendet wird.
Unbeaufsichtigtes Lernen
Unbeaufsichtigtes Lernen erfordert keine Datenvorbereitung. Die Daten werden nicht gekennzeichnet. Das System scannt die Daten, erkennt eigene Muster und leitet seine eigenen auslösenden Kriterien ab.
Unbeutete Lerntechniken wurden auf Cybersecurity mit hohen Erfolgsraten angewendet. Intruder-Erkennungssysteme, die durch maschinelles Lernen verbessert werden, können die nicht autorisierten Netzwerkaktivität eines Eindringlings erkennen, da sie nicht mit den zuvor beobachteten Verhaltensmustern von autorisierten Benutzern entspricht.
VERBUNDEN: Wie AI, Machine Lernen und Endpoint Security Überlappung
Verstärkungslernen
Verstärkungslernen ist das neueste der drei Techniken. Setzen Sie einfach ein Verstärkungslernalgorithmus, ein Test- und Fehler- und Feedback, um mit einem optimalen Verhaltensmodell, um ein bestimmtes Ziel zu erreichen.
Dies erfordert Feedback von Menschen, die die Bemühungen des Systems entsprechend, ob sein Verhalten ein positives oder negatives Auswirkungen auf das Erreichen seines Ziels hat.
Die praktische Seite von ai [fünfzehn]
Denn es ist so weit verbreitet und hat nachweisbare Real-World-Erfolge - einschließlich kommerzieller Erfolge-Maschinenlernen wurde als "praktische Seite der künstlichen Intelligenz" genannt. Es ist großes Geschäft, und es gibt viele skalierbare, kommerzielle Rahmenbedingungen, mit denen Sie das Erlernen von Machine in Ihre eigenen Entwicklungen oder Produkte integrieren können.
Wenn Sie keine unmittelbare Notwendigkeit für diese Art von Feuerkraft haben, aber Sie interessieren sich daran, ein Maschinenlernsystem mit einer freundlichen Programmiersprache wie Python zu stecken, gibt es auch hervorragende kostenlose Ressourcen. In der Tat werden diese mit Ihnen skaliert, wenn Sie ein weiteres Interesse oder ein geschäftliches Bedürfnis entwickeln.
Fackel ist ein Open-Source-Maschinen-Lernrahmen, der für seine Geschwindigkeit bekannt ist.
Scikit-lern. ist eine Sammlung von Maschinenlernwerkzeugen, insbesondere zur Verwendung mit Python.
Kaffee ist ein tiefler Lernrahmen, besonders kompetent bei der Verarbeitung von Bildern.
Keras ist ein tiefe Lernrahmen mit einer Python-Schnittstelle.
