Oppia taitoa keräämme tietoa, käytännössä huolellisesti ja seurata suorituskykyämme. Lopulta meistä tulee paremmin kyseisessä toiminnassa. Koneen oppiminen on tekniikka, jonka avulla tietokoneet voivat tehdä juuri sen.
Voiko tietokoneita oppia?
Älykkyyden määrittely on kova. Me kaikki tiedämme, mitä tarkoitamme älykkyydellä, kun sanomme sen, mutta kuvailemme, että se on ongelmallista. Emotionin ja itsetietoisuuden jättäminen, työkuvaus voisi olla kyky oppia uusia taitoja ja omaksua tietoa ja soveltaa niitä uusiin tilanteisiin halutun lopputuloksen saavuttamiseksi.
Ottaen huomioon älykkyyden määrittelyssä, määrittelemällä keinotekoista älykkyyttä ei ole helpompaa. Joten, huijaamme vähän. Jos laskentalaite voi tehdä jotain, joka yleensä edellyttää ihmisen päättämistä ja älykkyyttä, sanomme, että se käyttää keinotekoista älykkyyttä.
Esimerkiksi älykkäät kaiuttimet, kuten Amazon Echo ja Google-pesä Kuule puhuttuja ohjeita, tulkita ääniä sanoina, poimia sanojen merkitys ja yritä sitten täyttää pyyntömme. Saatamme pyytää sitä soita musiikkia , vastaa kysymykseen tai himmeää valot .
Liittyvät: Parhaat vitsit, pelit ja pääsiäismunat Google Assistant
Kaikissa mutta kaikkein triviaaleissa vuorovaikutuksissa puhuttuja komentoja välitetään voimakkaiden tietokoneiden valmistajien pilvien, jossa keinotekoinen älykkyys on raskas nosto tapahtuu. Komento on parsoitu, merkitys uutetaan ja vastaus valmistetaan ja lähetetään takaisin älykkään kaiuttimeen.
Koneen oppiminen tukee suurimman osan keinotekoista älykkyysjärjestelmistä, jotka olemme vuorovaikutuksessa. Jotkut näistä ovat kodin kohteita, kuten älykkäitä laitteita, ja muut ovat osa palveluita, joita käytämme verkossa. Video suositukset YouTubessa ja Netflixissa ja Automaattisissa soittolistoissa Spotify Käytä koneen oppimista. Hakukoneet luottavat koneen oppimiseen, ja verkkokaupoissa käyttää koneen oppimista tarjoamaan sinulle ostoehdotuksia selaus- ja ostohistoriaan.
Tietokoneet voivat käyttää valtavia aineistoja. He voivat väsymättä toistaa prosesseja tuhansia kertoja tilassa, että se vie ihmisen suorittamaan yhden iteration-jos ihminen voisi jopa tehdä sen kerran. Joten, jos oppiminen edellyttää tietoa, käytäntöä ja suorituskykyä palautetta, tietokoneen on oltava ihanteellinen ehdokas.
Se ei tarkoita sitä, että tietokone pystyy todella ajatella ihmisen mielessä tai ymmärtää ja havaitsemaan. Mutta se oppia ja parane käytännössä. Taitavasti ohjelmoitu, koneen oppimisjärjestelmä voi saavuttaa ihmisarvoisen vaikutelman tietoisuudesta ja tietoisuudesta.
Meillä oli tapana kysyä: "Voiko tietokoneita oppia?" Joka lopulta morphed olisi käytännön kysymys. Mitkä ovat tekniset haasteet, joita meidän on voitettava, jotta tietokoneisiin voi oppia?
Neuraaliset verkot ja syvän hermoverkot
Eläinten aivot sisältävät neuronien verkkoja. Neuronit voivat palon signaaleja synapsein yli muille neuroneille. Tämä pieni toiminta-toistetaan miljoonia kertoja-synnyttää ajatusprosesseja ja muistoja. Monista yksinkertaisista rakennuspalikoista luonto loivat tietoisia mieliä ja kykyä syytä ja muistaa.
Biologisten hermoverkkojen innoittamana keinotekoiset hermoverkot luotiin jäljittelemään joitain orgaanisten vastapuolten ominaisuuksia. 1940-luvulta lähtien on kehitetty laitteistoja ja ohjelmistoja, jotka sisältävät tuhansia tai miljoonia solmuja. Solmut, kuten neuronit, vastaanottaa signaaleja muista solmuista. Ne voivat myös tuottaa signaaleja syöttämään muihin solmuihin. Solmut voivat hyväksyä tuloja ja lähettää signaaleja monille solmuille kerralla.
Jos eläin todetaan, että lentäminen keltainen ja musta hyönteisiä aina antaa sille ilkeä pistin, se välttää purjehtii keltainen ja musta hyönteisiä. Hoverfly hyödyntää tätä. Se on keltainen ja musta kuin ampiainen, mutta sillä ei ole pisto. Eläimet, jotka ovat saaneet takertuisi ampiaisia ja oppinut tuskallinen oppitunti antaa hoverfly kaukaa, too. He näkevät lentävien hyönteisten kanssa silmiinpistävää värimaailma ja päättää, että se on aika perääntyä. Se, että hyönteinen voi osoitusruutu ja ampiaiset en voi-isnt edes otettu huomioon.
Liittyvät: Tämä tapahtuu, kun Googlen Tekoäly auttaa sinua kirjoittamaan runoja
Tärkeyden lentävät, surina, ja keltainen-ja-mustaa raitaa ohittaa kaikki muu. On tärkeää näiden signaalien kutsutaan painotus näistä tiedoista. Neuroverkkoja käyttää painotusta, too. Solmu ei tarvitse ottaa huomioon kaikki sen tulot yhtä. Se voi suosia joitakin signaaleja muihin nähden.
Koneoppimisessa käytetään tilastojen löytää kuvioita aineistoja se koulutettiin. Tietoaineisto saattaa sisältää sanoja, numeroita, kuvia, käyttäjävuorovaikutustoimiin kuten napsauttaa verkkosivuilla, tai jotain muuta, voidaan kaapata ja tallennetaan digitaalisesti. Järjestelmä on kuvaamaan keskeisiä osia kyselyn ja sitten yhdistää ne, kuvioita, jotka se on havainnut, että aineisto.
Jos se yrittää tunnistaa kukka, se on tiedettävä varren pituus, koko ja tyyli lehden, väri ja määrä terälehtiä, ja niin edelleen. Todellisuudessa se tarvitsee paljon enemmän faktoja kuin, mutta meidän yksinkertaisen esimerkin, käytämme näitä. Kun järjestelmä tuntee ne yksityiskohtia analyysinäytteiden se aloittaa päätöksentekoprosessi, joka tuottaa eri ottelu tietonsa. Näyttävästi, kone-oppimisen järjestelmiä luoda päätöksentekokaavio itse.
Koneellisesti learning-järjestelmä oppii virheistään päivittämällä sen algoritmeja korjata puutteita perusteluissaan. Kokeneimpia neuroverkoilla ovat syvä neuroverkot . Käsitteellisesti nämä koostuvat monia neuroverkoilla kerrostettu päällekkäin toisen. Tämä antaa järjestelmän kyky havaita ja käyttää jopa pieniä kuvioita päätöksessään prosesseissa.
Kerroksia käytetään yleisesti tarjoamaan painotus. Niin kutsuttu piilotettu kerrokset voivat toimia ”asiantuntija” kerrosta. Ne tarjoavat painotetut signaalit noin yhden ominaisuuden koehenkilö. Meidän kukka tunnistaminen esimerkki voisi ehkä käyttää piilotettuja kerroksia omistettu muoto lehtiä, koko silmut, tai stamen pituudet.
Erilaisia oppimisen
On olemassa kolme laajaa tekniikkaa käytetään kouluttaa koneellisesti oppimisjärjestelmät: ohjattu oppiminen, ohjaamaton oppiminen ja vahvistusoppiminen.
ohjattu oppiminen
Ohjattu oppiminen on yleisimmin käytetty oppimisen muoto. Se ei ole, koska se on luonnostaan parempi kuin muut tekniikat. Se on enemmän tekemistä soveltuvuutta tämäntyyppisen oppimisen aineistojen käytetyn koneen oppimisen järjestelmiä, jotka on kirjoitettu tänään.
Ohjattuun oppimiseen, data merkitty ja rakennettu niin, että käytettyjen kriteerien päätöksentekoprosessissa määritellään koneen oppimisen järjestelmä. Tämä on tyyppi oppimisen käytetyn koneen oppimisen järjestelmiä takana YouTube soittolistaehdotukset.
ohjaamaton oppiminen
Ohjaamaton oppiminen ei edellytä tietojen valmistelu. Tiedot ei ole merkitty. Järjestelmä skannaa tietoja, tunnistaa omat kuvioita, ja saa oman liipaisimen ehdot.
Valvomatta oppimisen tekniikoita on sovellettu tietoverkkojen ja korkeaa menestys. Tunkeilija havaintojärjestelmät parantaa koneoppimisen voi havaita tunkeutujan luvatonta verkon toimintaa, koska se ei vastaa aiemmin havaittu käyttäytymismalleja valtuutettujen käyttäjien.
Liittyvät: Miten AI, Koneoppiminen ja Endpoint Security Päällekkäisyys
vahvistusoppiminen
Vahvistusoppiminen on uusin kolme tekniikkaa. Yksinkertaisesti, vahvistusoppiminen algoritmi käyttää yrityksen ja erehdyksen ja palaute päästä optimaalisen käyttäytymismalliksi saavuttaa tietyn tavoitteen.
Tämä vaatii palautetta ihmisille ”pisteet” järjestelmän pyrkimyksiä sen mukaan, onko sen käyttäytymistä on positiivinen tai negatiivinen vaikutus asetetut tavoitteet on saavutettu.
AI: n käytännöllinen puoli
Koska se on niin yleistä ja on osoittanut todellisia maailman menestyksiä - mukaan lukien kaupalliset menestystekniikan oppimista on kutsuttu "keinotekoisen älykkyyden käytännöllinen puoli". Se on suuri liiketoiminta, ja siellä on monia skaalautuvia, kaupallisia kehyksiä, joiden avulla voit sisällyttää koneoppimisen omaan kehitykseen tai tuotteisiin.
Jos sinulla ei ole välitöntä tällainen palontorjunta, mutta olet kiinnostunut lyömään koneen oppimisjärjestelmän ympärille ystävällinen ohjelmointikieli, kuten Python, myös erinomaiset ilmaiset resurssit. Itse asiassa nämä mittakaavat kanssasi, jos kehität lisää kiinnostusta tai liiketoimintaa.
Taskulamppu on avoimen lähdekoodin oppimiskehys, joka tunnetaan sen nopeudesta.
Scikit-Opi on kokoelma koneen oppimistyökaluja, erityisesti käytettäväksi Pythonin kanssa.
Kofe on syvä oppimispuitteet, erityisesti toimivaltaiset kuvat.
Keras on syväopetuskehys, jossa on python-käyttöliittymä.
