Per imparare un'abilità, raccogliamo conoscenza, pratica attentamente e monitora le nostre prestazioni. Alla fine, diventiamo meglio a quell'attività. L'apprendimento della macchina è una tecnica che consente ai computer di fare proprio questo.
I computer possono imparare?
Definire l'intelligenza è difficile. Sappiamo tutti cosa intendiamo per intelligenza quando lo diciamo, ma descrivendolo è problematico. Lasciando da parte emozione e consapevolezza dell'auto-consapevolezza, una descrizione del lavoro potrebbe essere la capacità di apprendere nuove abilità e assorbire la conoscenza e ad applicarle a nuove situazioni per raggiungere il risultato desiderato.
Data la difficoltà nel definire l'intelligenza, la definizione dell'intelligenza artificiale non sarà più facile. Quindi, ti imbrogliamo un po '. Se un dispositivo di elaborazione è in grado di fare qualcosa che di solito richiederebbe il ragionamento umano e l'intelligenza, diremo che sta usando l'intelligenza artificiale.
Ad esempio, gli altoparlanti intelligenti come il Amazon Echo. e Google Nest. Possono sentire le nostre istruzioni pronunciate, interpretare i suoni come parole, estrarre il significato delle parole, quindi provare a soddisfare la nostra richiesta. Potremmo chiederlo suonare , rispondi ad una domanda , o attenuare le luci .
IMPARENTATO: Le migliori barzellette, giochi e uova di Pasqua per Google Assistant
In tutte le interazioni più banale, i tuoi comandi parlato vengono trasmessi a potenti computer nelle nuvole dei produttori, dove avviene il sollevamento pesante dell'intelligenza artificiale. Il comando è analizzato, il significato viene estratto e la risposta è preparata e inviata all'inspuglio intelligente.
L'apprendimento della macchina è alla base della maggior parte dei sistemi di intelligenza artificiale con cui interagiamo. Alcuni di questi sono elementi nella tua casa come dispositivi intelligenti, e altri fanno parte dei servizi che usiamo online. Il video raccomandazione Su YouTube e Netflix e le playlist automatiche su Spotify Usa Machine Learning. I motori di ricerca fanno affidamento sull'apprendimento della macchina e gli acquisti online utilizzano l'apprendimento delle macchine per offrirti suggerimenti di acquisto in base alla tua cronologia di navigazione e acquisti.
I computer possono accedere ai set di dati enormi. Possono installare instancabilmente processi migliaia di volte all'interno dello spazio che ci vorrebbe un essere umano per eseguire un'iterazione, se un essere umano potrebbe persino riuscire a farlo una volta. Quindi, se l'apprendimento richiede conoscenza, pratica e feedback sulle prestazioni, il computer dovrebbe essere il candidato ideale.
Questo non vuol dire che il computer sarà in grado di davvero pensare nel senso umano, o per capire e percepire come facciamo. Ma lo farà imparare e migliorano con la pratica. Abile programmato, un sistema di apprendimento automatico può ottenere un'impressione decente di un'entità consapevole e consapevole.
Abbiamo usato per chiedere: "I computer possono imparare?" Che alla fine si trasformò in una domanda più pratica. Quali sono le sfide ingegneristiche che dobbiamo superare per consentire ai computer di imparare?
Reti neurali e reti neurali profonde
I cervelli degli animali contengono reti di neuroni. I neuroni possono sparare segnali attraverso una sinapsi ad altri neuroni. Questo piccolo acunto replicato milioni di volte - dà origine ai nostri processi e ricordi del pensiero. Fuori da molti semplici blocchi di costruzione, la natura ha creato menti coscienti e la capacità di ragionare e ricordare.
Ispirato alle reti neurali biologiche, sono state create reti neurali artificiali per imitare alcune delle caratteristiche delle loro controparti organiche. Dal momento che gli anni '40, hardware e software sono stati sviluppati che contengono migliaia o milioni di nodi. I nodi, come i neuroni, ricevono segnali da altri nodi. Possono anche generare segnali per nutrirsi in altri nodi. I nodi possono accettare gli input da e inviare segnali a molti nodi contemporaneamente.
Se un animale conclude che volare gli insetti giallo-e-neri lo danno sempre una brutta puntura, eviterà tutti gli insetti giallo-e nera volano. L'Hoverfly ne approfitta di questo. È giallo e nero come una vespa, ma non ha pungiglione. Animali che si sono aggroffati con le vespe e ha imparato una lezione dolorosa dare allo Hoverfly a un ampio ancoraggio. Vedono un insetto volante con una straordinaria combinazione di colori e decide che è ora di ritirarsi. Il fatto che l'insetto possa aggirare e le vespe non possono nemmeno prendere in considerazione.
IMPARENTATO: Questo è ciò che succede quando l'intelligenza artificiale di Google ti aiuta a scrivere poesie
L'importanza delle strisce volanti, ronzanti e giallo-e nera sostituisce tutto il resto. L'importanza di quei segnali è chiamata il ponderazione di tali informazioni. Anche le reti neurali artificiali possono utilizzare la pesatura. Un nodo non ha bisogno di considerare tutti i suoi ingressi uguali. Può favorire alcuni segnali sugli altri.
L'apprendimento automatico utilizza le statistiche per trovare modelli nei set di dati che è addestrato. Un set di dati potrebbe contenere parole, numeri, immagini, interazioni utente come clic su un sito Web o qualsiasi altra cosa che può essere catturata e memorizzata digitalmente. Il sistema deve caratterizzare gli elementi essenziali della query e quindi abbinare quelli a modelli che ha rilevato nel set di dati.
Se sta cercando di identificare un fiore, dovrà conoscere la lunghezza dello stelo, la dimensione e lo stile della foglia, il colore e il numero di petali e così via. In realtà, avrà bisogno di molti più fatti rispetto a quelli, ma nel nostro semplice esempio, useremo quelli. Una volta che il sistema conosce quei dettagli sul campione del test, avvia un processo decisionale che produce una partita dal suo set di dati. Impressionalmente, i sistemi di apprendimento automatico creano l'albero decisionale stessi.
Un sistema di apprendimento automatico impara dai suoi errori aggiornando i suoi algoritmi per correggere i difetti nel suo ragionamento. Le reti neurali più sofisticate sono Reti neurali profonde . Concettualmente, questi sono costituiti da molte reti neurali stratificati uno sopra l'altro. Ciò conferisce al sistema la possibilità di rilevare e utilizzare anche piccoli modelli nei suoi processi decisionali.
I livelli sono comunemente usati per fornire ponderazione. I cosiddetti strati nascosti possono fungere da strati "specialisti". Forniscono segnali ponderati su una singola caratteristica del soggetto del test. Il nostro esempio di identificazione dei fiori potrebbe forse usare strati nascosti dedicati alla forma delle foglie, dalle dimensioni dei germogli o dalle lunghezze di stame.
Diversi tipi di apprendimento
Ci sono tre ampie tecniche utilizzate per addestrare i sistemi di apprendimento della macchina: apprendimento supervisionato, apprendimento non supervisto e apprendimento di rinforzo.
Apprendimento supervisionato
L'apprendimento supervisionato è la forma di apprendimento più frequentemente usata. Non è perché è intrinsecamente superiore ad altre tecniche. Ha altro a che fare con l'idoneità di questo tipo di apprendimento ai set di dati utilizzati nei sistemi di apprendimento della macchina che vengono scritti oggi.
Nell'apprendimento supervisionato, i dati sono etichettati e strutturati in modo che i criteri utilizzati nel processo decisionali siano definiti per il sistema di apprendimento della macchina. Questo è il tipo di apprendimento utilizzato nei sistemi di apprendimento della macchina dietro suggerimenti di playlist di Youtube.
Apprendimento non supervisto
L'apprendimento senza sorveglianza non richiede la preparazione dei dati. I dati non sono etichettati. Il sistema esegue la scansione dei dati, rileva i propri modelli e deriva i propri criteri di attivazione.
Le tecniche di apprendimento non supervisionate sono state applicate al cybersecurity con alti tassi di successo. I sistemi di rilevamento di intrusi migliorati dall'apprendimento automatico possono rilevare l'attività di rete non autorizzata di un intruso perché non corrisponde ai modelli di comportamento precedentemente osservati degli utenti autorizzati.
IMPARENTATO: Come si sovrappongono Ai, Machine Learning e Endpoint
Insegnamento rafforzativo
L'apprendimento del rinforzo è la più recente delle tre tecniche. Metti semplicemente, un algoritmo di apprendimento di rinforzo utilizza tentativi ed errori e feedback per arrivare a un modello ottimale di comportamento per ottenere un determinato obiettivo.
Ciò richiede feedback dagli umani che "segna" gli sforzi del sistema secondo se il suo comportamento ha un impatto positivo o negativo nel raggiungimento del suo obiettivo.
Il lato pratico di AI
Perché è così prevalente e ha dimostrabili successi del mondo reale, compresi i successi commerciali, l'apprendimento della macchina è stato chiamato "il lato pratico dell'intelligence artificiale". È un grande business, e ci sono molti quadri scalabili e commerciali che consentono di incorporare l'apprendimento automatico nei propri sviluppi o prodotti.
Se non si dispone di un bisogno immediato per quel tipo di energia antincendio, ma sei interessato a colpire un sistema di apprendimento automatico con un linguaggio di programmazione amichevole come Python, ci sono anche eccellenti risorse gratuite per questo. In effetti, questi si ridurranno con te se sviluppi un ulteriore interesse o un bisogno di business.
Torcia è un quadro di apprendimento della macchina open source noto per la sua velocità.
Scikit-Learn. è una raccolta di strumenti di apprendimento automatico, specialmente per l'uso con Python.
Caffe. è un quadro di profondità, particolarmente competente alle immagini di elaborazione.
Keras. è un quadro di apprendimento profondo con un'interfaccia Python.
