Pour apprendre une compétence, nous recueillons des connaissances, pratiquez attentivement et surveillez notre performance. Finalement, nous devenons meilleurs à cette activité. L'apprentissage automatique est une technique qui permet aux ordinateurs de faire exactement cela.
Les ordinateurs peuvent-ils apprendre?
La définition de l'intelligence est difficile. Nous savons tous ce que nous entendons par intelligence lorsque nous le disons, mais décrivant cela est problématique. Laissant de côté émotion et sa conscience de soi, une description de travail pourrait être la capacité d'apprendre de nouvelles compétences et d'absorber les connaissances et de les appliquer à de nouvelles situations pour atteindre le résultat souhaité.
Compte tenu de la difficulté de définir l'intelligence, la définition de l'intelligence artificielle ne sera pas plus facile. Alors, nous tricherons un peu. Si un dispositif informatique est capable de faire quelque chose qui nécessiterait généralement un raisonnement et une intelligence humaines, nous dirons que cela utilise une intelligence artificielle.
Par exemple, des haut-parleurs intelligents comme le Amazon Echo et Google nid Peut entendre nos instructions parlées, interpréter les sons comme des mots, extraire la signification des mots, puis essayer de remplir notre demande. Nous pourrions lui demander de jouer de la musique , répondre à une question , ou Diminuer les lumières .
EN RELATION: Les meilleures blagues, jeux et œufs de Pâques pour Google Assistant
Dans toutes les interactions les plus triviales, vos commandes parlées sont relayées à des ordinateurs puissants dans les nuages des fabricants, où se déroulent l'intelligence artificielle. La commande est analysée, la signification est extraite et la réponse est préparée et renvoyée au haut-parleur intelligent.
L'apprentissage de la machine sous-tend la majorité des systèmes d'intelligence artificielle que nous interagissons. Certains d'entre eux sont des éléments de votre maison comme des appareils intelligents, et d'autres font partie des services que nous utilisons en ligne. La vidéo recommandations Sur YouTube et Netflix et les listes de lecture automatique sur Spotify utilisent l'apprentissage de la machine. Les moteurs de recherche reposent sur l'apprentissage de la machine et les achats en ligne utilisent la machine Apprentissage pour vous offrir des suggestions d'achat basées sur votre navigation et votre historique de vos achats.
Les ordinateurs peuvent accéder à d'énormes jeux de données. Ils peuvent répéter sans relâche les processus de plusieurs fois dans l'espace qu'il faudrait un humain à effectuer une itération - si un humain pouvait même réussir à le faire une fois. Ainsi, si l'apprentissage nécessite des informations de connaissance, de pratique et de performance, l'ordinateur doit être le candidat idéal.
Cela ne veut pas dire que l'ordinateur sera capable de vraiment pense dans le sens humain, ou de comprendre et de percevoir comme nous le faisons. Mais ça va apprendre et aller mieux avec la pratique. Habileusement programmé, un système d'apprentissage automatique peut obtenir une impression décente d'une entité consciente et consciente.
Nous demandions: "Les ordinateurs peuvent-ils apprendre?" Cela finit par se transformer en une question plus pratique. Quels sont les défis d'ingénierie que nous devons surmonter pour permettre aux ordinateurs d'apprendre?
Réseaux de neurones et réseaux de neurones profonds
Les cerveaux des animaux contiennent des réseaux de neurones. Les neurones peuvent déclencher des signaux sur une synapse à d'autres neurones. Cette minuscule action a répliqué des millions de fois - donne lieu à nos processus et souvenirs de pensée. De nombreux blocs de construction simples, la nature crée des esprits conscients et la capacité de raisonner et de se souvenir.
Inspiré des réseaux de neurones biologiques, des réseaux de neurones artificiels ont été créés pour imiter certaines des caractéristiques de leurs homologues biologiques. Étant donné que les années 1940, le matériel et le logiciel ont été développés contenant des milliers ou des millions de nœuds. Les nœuds, comme les neurones, reçoivent des signaux d'autres nœuds. Ils peuvent également générer des signaux pour se nourrir d'autres nœuds. Les nœuds peuvent accepter des entrées et envoyer des signaux à de nombreux nœuds à la fois.
Si un animal conclut que voler des insectes jaune-et-noirs lui donne toujours une piqûre méchante, elle évitera tous les insectes jaunes et noirs volants. Le Hoverfly en profite. C'est jaune et noir comme une guêpe, mais cela n'a pas de piqûre. Les animaux qui se sont battus avec des guêpes et ont appris une leçon douloureuse donnant également une large couche de hoverfly. Ils voient un insecte volant avec une palette de couleurs frappantes et décident qu'il est temps de se retirer. Le fait que l'insecte puisse planer et ne peut même pas prendre en compte.
EN RELATION: C'est ce qui se passe lorsque l'intelligence artificielle de Google vous aide à écrire des poèmes
L'importance des rayures volantes, bourdonnantes et jaunes et noires remplace tout le reste. L'importance de ces signaux est appelée la pondération de ces informations. Les réseaux de neurones artificiels peuvent également utiliser la pondération. Un nœud n'a pas besoin de considérer toutes ses intrants égaux. Cela peut favoriser des signaux sur les autres.
L'apprentissage automatique utilise des statistiques pour trouver des modèles dans les jeux de données qu'elle est formée. Un jeu de données peut contenir des mots, des chiffres, des images, des interactions utilisateur telles que des clics sur un site Web ou tout ce qui peut être capturé et stocké numériquement. Le système doit caractériser les éléments essentiels de la requête, puis les assortir à ceux des modèles qu'il a détectés dans l'ensemble de données.
S'il essaie d'identifier une fleur, il aura besoin de connaître la longueur de la tige, la taille et le style de la feuille, la couleur et le nombre de pétales, etc. En réalité, il aura besoin de nombreux faits que ceux, mais dans notre exemple simple, nous les utiliserons. Une fois que le système connaît ces détails sur le spécimen de test, il commence un processus de prise de décision qui produit une correspondance à partir de son ensemble de données. De manière impressionnante, les systèmes d'apprentissage automatique créent l'arbre de décision eux-mêmes.
Un système d'apprentissage automatique apprend ses erreurs en mettant à jour ses algorithmes pour corriger les défauts dans son raisonnement. Les réseaux de neurones les plus sophistiqués sont Réseaux de neurones profonds . Conceptuellement, celles-ci sont constituées d'un grand nombre de réseaux de neurones en superposés sur un autre. Cela donne au système la capacité de détecter et d'utiliser des modèles même minuscules dans ses processus de décision.
Les couches sont couramment utilisées pour offrir une pondération. Les couches dites cachées peuvent servir de couches "spécialisées". Ils fournissent des signaux pondérés sur une seule caractéristique du sujet test. Notre exemple d'identification de fleurs peut peut-être utiliser des couches cachées dédiées à la forme de feuilles, à la taille des bourgeons ou de longueurs d'étamine.
Différents types d'apprentissage
Il existe trois grandes techniques utilisées pour former des systèmes d'apprentissage automatique: apprentissage supervisé, apprentissage non surveillé et apprentissage de renforcement.
Enseignement supervisé
L'apprentissage supervisé est la forme d'apprentissage la plus fréquemment utilisée. Ce n'est pas parce qu'il est intrinsèquement supérieur à d'autres techniques. Il a plus de choses à voir avec la pertinence de ce type d'apprentissage sur les jeux de données utilisés dans les systèmes d'apprentissage automatique qui sont écrits aujourd'hui.
Dans l'apprentissage supervisé, les données sont étiquetées et structurées de sorte que les critères utilisés dans le processus de prise de décision soient définis pour le système d'apprentissage de la machine. C'est le type d'apprentissage utilisé dans les systèmes d'apprentissage de la machine derrière des suggestions de playlist YouTube.
Apprentissage non supervisé
L'apprentissage non supervisé ne nécessite pas la préparation des données. Les données ne sont pas étiquetées. Le système analyse les données, détecte ses propres modèles et dérive ses propres critères de déclenchement.
Les techniques d'apprentissage non supervisées ont été appliquées à la cybersécurité avec des taux de réussite élevés. Les systèmes de détection d'intrus renforcés par l'apprentissage de la machine peuvent détecter l'activité réseau non autorisée d'un intrus, car elle ne correspond pas aux modèles de comportement observés précédemment des utilisateurs autorisés.
EN RELATION: Comment AI, apprentissage automatique et chevauchement de la sécurité des points de terminaison
Apprentissage par renforcement
L'apprentissage du renforcement est la plus récente des trois techniques. En termes simples, un algorithme d'apprentissage de renforcement utilise des essais et des erreurs et des commentaires pour arriver à un modèle de comportement optimal pour atteindre un objectif donné.
Cela nécessite des commentaires des humains qui "marquent" les efforts du système en fonction de la question de savoir si son comportement a un impact positif ou négatif sur la réalisation de son objectif.
Le côté pratique de l'IA
Parce que c'est si répandu et a des succès réels démontrables, y compris des succès commerciaux-apprentissage de la machine, a été appelé "le côté pratique de l'intelligence artificielle". C'est une grande entreprise et il existe de nombreux cadres commerciaux évolutifs qui vous permettent d'intégrer l'apprentissage de la machine dans vos propres développements ou produits.
Si vous n'avez pas besoin de besoin immédiat de ce type de poulisson, mais que vous êtes intéressé à piquer autour d'un système d'apprentissage de la machine avec un langage de programmation amical comme Python, il existe également d'excellentes ressources gratuites pour cela. En fait, ceux-ci vont à l'échelle avec vous si vous développez un autre intérêt ou un besoin d'entreprise.
Torche est un cadre d'apprentissage à source ouvert connu pour sa vitesse.
Scikit-apprendre est une collection d'outils d'apprentissage machine, en particulier pour une utilisation avec Python.
Caffe est un cadre d'apprentissage profond, notamment compétent à la transformation des images.
Kéras est un cadre d'apprentissage profond avec une interface python.
