スキルを学ぶために、私たちは知識を集め、慎重に実践し、私たちのパフォーマンスを監視します。最終的には、その活動で良くなります。機械学習は、コンピュータがそれをすることを可能にする手法です。
コンピュータは学ぶことができますか？
知性を定義することは難しいです。私たちはそれを言うときに知性によって私たちが何を意味するのかをすべて知っていますが、それを説明しています。感情と自己認識を脇に置いて、作業の説明は、新しいスキルを学び、知識を吸収し、それらを望ましい結果を達成するためにそれらを新しい状況に適用する能力であるかもしれません。
知性を定義することの難しさを考えると、人工知能を定義することは簡単になることはありません。だから、少しだと思います。コンピューティングデバイスが通常人間の推論と知性を必要とするものをすることができる場合は、人工知能を使用していると言っています。
たとえば、スマートスピーカーのようなスマートスピーカーです Amazon Echo. と Google Nest. 話し言葉の指示を聞いたり、音を言葉として解釈したり、単語の意味を抜き出してから、要求を満たすようにしたりできます。私たちはそれを求めているかもしれません 音楽を再生 又 質問に答えます 、 また ライトを薄暗くする 。
関連している： Google Assistant用の最高のジョーク、ゲーム、およびイースターエッグ
最も些細な相互作用は全くあると、あなたの話されたコマンドは製造業の雲の強力なコンピュータに中継されています。コマンドが解析され、意味が抽出され、応答が準備されてスマートスピーカーに戻ります。
機械学習は、私たちが対話する人工知能システムの大部分を支配しています。これらのうちのいくつかはスマートデバイスのようなあなたの家の中のアイテムであり、他のものは私たちがオンラインで使うサービスの一部です。ビデオ 勧告 YouTubeとNetflixとSpotifyの自動プレイリストは機械学習を使用します。検索エンジンは機械学習に頼り、オンラインショッピングはあなたの閲覧と購入履歴に基づいてあなたが購入提案を提供するために機械学習を使います。
コンピュータは膨大なデータセットにアクセスできます。彼らは、人間が一度行うことさえ管理されている場合でも、人間が1回の反復を実行することが人間にかかるスペース内で何千もの時間を繰り返すことができます。したがって、学習に知識、練習、およびパフォーマンスのフィードバックが必要な場合は、コンピュータは理想的な候補になるはずです。
それはコンピュータが本当にできることができると言うことではありません 考える 私たちのように人間の意味で、または私たちのように理解していること。しかしそれは意志になります 学び 練習で良くなる。巧妙にプログラムされた、機械学習システムは、意識と意識的な実体のまともな印象を達成することができます。
私たちは「コンピュータを学ぶことができますか」と尋ねました。それは最終的により実用的な問題にモーフィングされました。コンピュータが学ぶことができるようにするために克服しなければならないという工学的な課題は何ですか？
ニューラルネットワークと深部ニューラルネットワーク
動物の脳にはニューロンのネットワークが含まれています。ニューロンは他のニューロンへのシナプスを越えて信号を発射することができます。この小さな行動 - 複製された何百万ものタイムズ - 私たちの思考プロセスと思い出が発生します。多くのシンプルなビルディングブロックのうち、自然は意識的な心と推測能力を生み出しました。
生物学的ニューラルネットワークに触発された、人工ニューラルネットワークは、それらの有機的な対応物の特徴のいくつかを模倣するために作成されました。 1940年代以来、何千ものノードを含むハードウェアとソフトウェアが開発されました。ノードのようなノードは、他のノードからの信号を受信します。他のノードにフィードするための信号も生成することができます。ノードは、一度に多くのノードから信号を入力して送信することができます。
動物が黄色と黒の昆虫の飛行が常に厄介なスリングを与えたら、それはすべての飛んでいる黄色と黒の昆虫をすべて回避します。ホバリーはこれを利用します。それは黄色と黒のように黒ですが、それは刺されない。ハンプと絡み合っている動物も、痛みを伴うレッスンを学んだ動物もhoverflyに広い段階を与えました。彼らは打撃的なカラースキームと飛んでいる昆虫を見て、それが後退する時が来たと決心しています。昆虫がホバーしていることができないという事実 - 考慮さえ考慮されていません。
関連している： これはGoogleの人工知能があなたが詩を書くのを助けるときに起こることです
飛行、賑やかなストライプの重要性は他のすべてを上書きします。それらの信号の重要性はと呼ばれます 重み付け その情報の。人工ニューラルネットワークも重み付けを使用することができます。ノードは、その入力すべてが等しいと考える必要はありません。それは他の人の上でいくつかの信号を支持することができます。
機械学習は統計を使用して、それが訓練されたデータセット内のパターンを見つける。データセットには、Webサイト上のクリックなどの単語、数字、画像、ユーザーのやりとりが含まれている可能性があります。また、デジタルでキャプチャして保存できるものは何でも構いません。システムは、クエリの重要な要素を特徴付け、それがデータセット内で検出されたパターンと一致する必要があります。
それが花を識別しようとしているならば、それは茎の長さ、葉のサイズとスタイル、花びらの色と数などを知る必要があります。実際には、それはそれらよりも多くの事実を必要とするでしょうが、私たちの簡単な例では、それらを使用します。システムがテスト標本に関するこれらの詳細を知っていると、データセットから一致を生成する意思決定プロセスが開始されます。印象的に、機械学習システムは決定木自体を作成します。
機械学習システムは、その推論の欠陥を修正するためにそのアルゴリズムを更新することによってその間違いから学びます。最も洗練されたニューラルネットワークです 深部ニューラルネットワーク 。概念的には、これらは他の人の上に層を階層化された多数のニューラルネットワークで構成されています。これにより、システムには、その意思決定プロセスにおいて小さなパターンでさえ検出して使用する機能が得られます。
重み付けを提供するために層が一般的に使用されています。いわゆる隠れ層は、「スペシャリスト」層として機能することができます。それらは試験対象の単一特性に関する重み付き信号を提供する。私たちの花の識別の例は、おそらく葉の形状、芽の大きさ、または標識の長さに捧げられた隠れた層を使用するかもしれません。
さまざまな種類の学習
機械学習システムを訓練するための3つの幅広い技術があります：教師付き学習、教師なし学習、および強化学習学習。
監督学習
教師付き学習は最も頻繁に使用される学習形態です。それは本質的に他の技術よりも優れているからではありません。今日書かれている機械学習システムで使用されているデータセットへのこのタイプの学習の適合性ともっと多くのことができます。
監視された学習において、データは、意思決定プロセスで使用される基準が機械学習システムに対して定義されるようにラベル付けされ構造化されています。これは、YouTube PlayListの提案の背後にある機械学習システムで使用される学習の種類です。
教師なし学習
教師なし学習はデータの準備を必要としません。データはラベル付けされていません。システムはデータをスキャンし、独自のパターンを検出し、独自のトリガー基準を導きます。
超高速な学習技術は、高い成功率を持つサイバーセキュリティに適用されています。機械学習によって強化された侵入者検出システムは、侵入者の不正なネットワーク活動を検出することができ、それは許可されたユーザの行動の前回の観察されたパターンと一致しないためである。
関連している： どのようにAI、機械学習、およびエンドポイントのセキュリティの重複
強化学習
強化学習は3つの技術の最新です。単純に、強化学習アルゴリズムは試行錯誤と誤差とフィードバックを使用して、特定の目的を達成するために行動の最適なモデルに到着します。
これには、その客観的な実現に伴って、システムの努力を「スコア」した人間からのフィードバックが必要です。
AIの実用的な側
それはとても普及しており、実際の世界の成功を収めているので、商業的な成功費は「人工知能の実用的な側」と呼ばれています。それは大きな事業です、そしてあなたがあなた自身の開発や製品に機械学習を組み込むことを可能にする多くのスケーラブルな商業的なフレームワークがあります。
あなたがそのタイプの消防署のための即時の必要性を持っていないが、Pythonのようなフレンドリーなプログラミング言語を持つ機械学習システムの周りをポーク化することに興味があるならば、それのための優れた無料のリソースがあります。実際、これらはあなたがさらなる興味やビジネスニーズを発展させるならば、あなたと縮尺で膨張します。
松明 その速度で知られているオープンソースの機械学習フレームワークです。
Scikit-Learn. 特にPythonでの使用のための機械学習ツールの集まりです。
カフェ 画像の処理において、深い学習フレームワーク、特に有能なフレームワークです。
カラス Pythonインターフェースを備えた深い学習フレームワークです。
