Untuk mempelajari keterampilan, kami mengumpulkan pengetahuan, berlatih dengan hati-hati, dan memantau kinerja kami. Akhirnya, kita menjadi lebih baik di kegiatan itu. Pembelajaran mesin adalah teknik yang memungkinkan komputer untuk melakukan hal itu.
Bisa Komputer Belajar?
Mendefinisikan kecerdasan sulit. Kita semua tahu apa yang kita maksud dengan intelijen ketika kita mengatakan itu, tapi menggambarkan itu bermasalah. Mengesampingkan emosi dan kesadaran diri, deskripsi kerja bisa menjadi kemampuan untuk belajar keterampilan baru dan menyerap pengetahuan dan menerapkannya ke situasi baru untuk mencapai hasil yang diinginkan.
Mengingat kesulitan dalam mendefinisikan kecerdasan, mendefinisikan kecerdasan buatan tidak akan menjadi lebih mudah. Jadi, kita akan menipu sedikit a. Jika perangkat komputasi mampu melakukan sesuatu yang biasanya akan membutuhkan penalaran dan kecerdasan manusia, kita akan mengatakan bahwa itu menggunakan kecerdasan buatan.
Misalnya, speaker pintar seperti Amazon Echo. dan Google Nest. bisa mendengar instruksi kami berbicara, menafsirkan suara sebagai kata-kata, ekstrak arti dari kata-kata, dan kemudian mencoba untuk memenuhi permintaan kami. Kami mungkin bertanya untuk bermusik , menjawab pertanyaan , atau meredupkan .
TERKAIT: Lelucon, game, dan telur Paskah terbaik untuk Google Assistant
Dalam semua tapi yang paling interaksi sepele, perintah yang diucapkan Anda diteruskan ke komputer yang kuat di awan produsen, di mana kecerdasan buatan berat-angkat berlangsung. Perintah parsing, artinya diekstrak, dan respon disiapkan dan dikirim kembali ke speaker cerdas.
Pembelajaran mesin mendasari sebagian besar sistem kecerdasan buatan yang kita berinteraksi dengan. Beberapa ini adalah item di rumah Anda seperti perangkat pintar, dan lain-lain merupakan bagian dari layanan yang kita gunakan secara online. video Rekomendasi di YouTube dan Netflix dan playlist otomatis pada Spotify menggunakan mesin belajar. Mesin pencari bergantung pada pembelajaran mesin, dan belanja online menggunakan mesin belajar untuk menawarkan membeli saran berdasarkan browsing Anda dan sejarah pembelian.
Komputer dapat mengakses dataset yang sangat besar. Mereka bisa tanpa lelah ulangi proses ribuan kali dalam ruang bahwa itu akan mengambil manusia untuk melakukan satu iterasi-jika manusia bahkan bisa mengatur untuk melakukannya sekali. Jadi, jika belajar membutuhkan pengetahuan, praktik, dan umpan balik kinerja, komputer harus menjadi calon yang ideal.
Itu bukan untuk mengatakan bahwa komputer akan dapat benar-benar memikirkan dalam arti manusia, atau untuk memahami dan merasakan seperti yang kita lakukan. Tapi itu akan mempelajari , Dan lebih baik dengan praktek. Terampil diprogram, sistem mesin-belajar dapat mencapai kesan layak entitas sadar dan sadar.
Kami menggunakan bertanya, “komputer Can belajar?” Yang akhirnya berubah menjadi pertanyaan yang lebih praktis. Apa tantangan rekayasa bahwa kita harus diatasi untuk memungkinkan komputer untuk belajar?
Neural Networks dan Deep Neural Networks
otak hewan mengandung jaringan neuron. Neuron dapat api sinyal di sinaps neuron lainnya. Ini jutaan aksi-direplikasi kecil dari kali-menimbulkan proses berpikir kita dan kenangan. Dari banyak blok bangunan sederhana, alam diciptakan pikiran sadar dan kemampuan untuk alasan dan ingat.
Terinspirasi oleh jaringan saraf biologis, jaringan syaraf tiruan diciptakan untuk beberapa meniru karakteristik rekan-rekan organik mereka. Sejak tahun 1940-an, perangkat keras dan perangkat lunak telah dikembangkan yang mengandung ribuan atau jutaan node. Node, seperti neuron, menerima sinyal dari node lain. Mereka juga dapat menghasilkan sinyal untuk memberi makan ke node lain. Node dapat menerima masukan dari dan mengirimkan sinyal ke banyak node sekaligus.
Jika seekor binatang menyimpulkan bahwa serangga kuning-dan-hitam terbang selalu memberikan sengatan jahat, itu akan menghindari semua serangga kuning-dan-hitam terbang. Hoverfly mengambil keuntungan dari ini. Ini kuning dan hitam seperti tawon, tetapi tidak memiliki sengatan. Hewan yang telah terjerat dengan tawon dan belajar pelajaran yang menyakitkan memberi hoverfly tempat yang luas. Mereka melihat serangga terbang dengan skema warna yang mencolok dan memutuskan bahwa saatnya untuk mundur. Fakta bahwa serangga dapat melayang-dan tawon tidak dapat - bahkan tidak dipertimbangkan.
TERKAIT: Inilah yang terjadi ketika kecerdasan buatan Google membantu Anda menulis puisi
Pentingnya garis-garis terbang, berdengung, dan kuning-dan-hitam menimpa yang lainnya. Pentingnya sinyal-sinyal itu disebut Bobot. dari informasi itu. Jaringan saraf tiruan juga dapat menggunakan bobot. Node tidak perlu mempertimbangkan semua inputnya sama. Ini dapat mendukung beberapa sinyal atas yang lain.
Pembelajaran Mesin menggunakan statistik untuk menemukan pola dalam dataset yang dilatih. Dataset mungkin berisi kata-kata, angka, gambar, interaksi pengguna seperti klik di situs web, atau apa pun yang dapat ditangkap dan disimpan secara digital. Sistem perlu mengkarakterisasi elemen-elemen penting dari kueri dan kemudian mencocokkan pola-pola yang telah terdeteksi dalam dataset.
Jika mencoba mengidentifikasi bunga, perlu mengetahui panjang batang, ukuran dan gaya daun, warna dan jumlah kelopak, dan sebagainya. Pada kenyataannya, itu akan membutuhkan lebih banyak fakta daripada mereka, tetapi dalam contoh sederhana kami, kami akan menggunakannya. Setelah sistem mengetahui detail tersebut tentang spesimen uji, ia memulai proses pengambilan keputusan yang menghasilkan pertandingan dari datasetnya. Mengesankan, sistem pembelajaran mesin membuat pohon keputusan itu sendiri.
Sistem pembelajaran mesin belajar dari kesalahannya dengan memperbarui algoritmanya untuk memperbaiki kekurangan dalam alasannya. Jaringan saraf yang paling canggih adalah Jaringan Saraf Dalam . Secara konseptual, ini terdiri dari banyak jaringan saraf yang berlapis satu di atas yang lain. Ini memberi sistem kemampuan untuk mendeteksi dan menggunakan bahkan pola kecil dalam proses keputusannya.
Lapisan biasanya digunakan untuk memberikan bobot. Yang disebut layer tersembunyi dapat bertindak sebagai lapisan "spesialis". Mereka menyediakan sinyal bobot tentang satu karakteristik subjek uji. Contoh identifikasi bunga kami mungkin menggunakan lapisan tersembunyi yang didedikasikan untuk bentuk daun, ukuran tunas, atau panjang benang sari.
Berbagai jenis pembelajaran
Ada tiga teknik luas yang digunakan untuk melatih sistem pembelajaran mesin: pembelajaran yang diawasi, pembelajaran tanpa pengawasan, dan pembelajaran penguatan.
Pembelajaran yang diawasi
Pembelajaran yang diawasi adalah bentuk pembelajaran yang paling sering digunakan. Itu bukan karena secara inheren lebih unggul dari teknik lain. Ini memiliki lebih banyak hubungan dengan kesesuaian jenis pembelajaran ini dengan dataset yang digunakan dalam sistem pembelajaran mesin yang sedang ditulis hari ini.
Dalam pembelajaran yang diawasi, data diberi label dan disusun sehingga kriteria yang digunakan dalam proses pengambilan keputusan didefinisikan untuk sistem pembelajaran mesin. Ini adalah jenis pembelajaran yang digunakan dalam sistem pembelajaran mesin di belakang saran daftar putar YouTube.
Pembelajaran tanpa pengawasan
Pembelajaran tanpa pengawasan tidak memerlukan persiapan data. Data tidak diberi label. Sistem memindai data, mendeteksi pola-pola sendiri, dan mendapatkan kriteria pemicu sendiri.
Teknik pembelajaran tanpa pengawasan telah diterapkan pada keamanan siber dengan tingkat keberhasilan yang tinggi. Sistem deteksi penyusup ditingkatkan dengan pembelajaran mesin dapat mendeteksi aktivitas jaringan yang tidak sah yang tidak sah karena tidak cocok dengan pola perilaku pengguna yang berwenang yang diamati sebelumnya.
TERKAIT: Bagaimana AI, pembelajaran mesin, dan keamanan titik akhir tumpang tindih
Pembelajaran penguatan
Pembelajaran penguatan adalah yang terbaru dari tiga teknik. Sederhananya, algoritma pembelajaran penguatan menggunakan coba-coba dan umpan balik untuk sampai pada model perilaku yang optimal untuk mencapai tujuan tertentu.
Ini membutuhkan umpan balik dari manusia yang "mencetak" upaya sistem sesuai dengan apakah perilakunya memiliki dampak positif atau negatif dalam mencapai tujuannya.
Sisi praktis AI
Karena sangat lazim dan telah menunjukkan keberhasilan dunia nyata - termasuk keberhasilan komersial - pembelajaran mesin telah disebut "sisi praktis kecerdasan buatan." Ini bisnis besar, dan ada banyak kerangka kerja yang dapat diskalakan yang memungkinkan Anda untuk menggabungkan pembelajaran mesin ke dalam perkembangan atau produk Anda sendiri.
Jika Anda tidak memiliki kebutuhan langsung untuk jenis kebakaran itu tetapi Anda tertarik untuk menyodok sistem pembelajaran mesin dengan bahasa pemrograman yang ramah seperti Python, ada sumber daya gratis yang sangat baik untuk itu juga. Bahkan, ini akan berskala dengan Anda jika Anda mengembangkan minat lebih lanjut atau kebutuhan bisnis.
Obor adalah kerangka kerja pembelajaran mesin open-source yang dikenal dengan kecepatannya.
Scikit-Learn. adalah kumpulan alat pembelajaran mesin, terutama untuk digunakan dengan Python.
Kafe adalah kerangka kerja yang mendalam, terutama yang kompeten dalam memproses gambar.
Keras adalah kerangka kerja yang mendalam dengan antarmuka python.
