기술을 배우려면 지식을 모으고, 신중하게 실천하고 성과를 모니터링합니다. 결국, 우리는 그 활동에서 더 나아집니다. 기계 학습은 컴퓨터가 그 일을 할 수있는 기술입니다.
컴퓨터가 배울 수 있습니까?
지능을 정의하는 것은 어렵습니다. 우리 모두는 우리가 그것을 말할 때 우리가 지능에 의해 의미하는 것을 알고 있습니다. 그러나 그것이 문제가되는 것은 묘사됩니다. 감정과 자기 인식을 제외하고, 일하는 설명은 새로운 기술을 배우고 지식을 흡수하고 원하는 결과를 얻기 위해 새로운 상황에 적용 할 수있는 능력이 될 수 있습니다.
인텔리전스를 정의하는 어려움을 감안할 때 인공 지능을 정의하는 것은 더 쉬워지지 않습니다. 그래서, 우리는 조금 속일 것입니다. 컴퓨팅 장치가 일반적으로 인간 추론과 인텔리전스가 필요한 것을 할 수있는 일을 할 수 있다면, 우리는 그것이 인공 지능을 사용하고 있다고 말할 것입니다.
예를 들어, 그와 같은 스마트 스피커 아마존 에코 그리고 구글 둥지 우리의 음성 지침을들을 수 있고 소리를 단어로 해석하고, 단어의 의미를 추출한 다음 우리의 요청을 충족 시키려고 노력하십시오. 우리는 그것을 묻고 있을지도 모른다 음악을 재생 , 질문에 답하십시오 , 또는 불빛이 어둡다 ...에
관련된: Google 조수를위한 최고의 농담, 게임 및 부활절 달걀
가장 사소한 상호 작용을 제외한 모든 것으로, 당신의 음성 명령은 인공 지능이 무거운 리프팅이 일어나는 제조업체의 구름의 강력한 컴퓨터로 릴레이됩니다. 명령이 파싱되고 의미가 추출되고 응답이 준비되어 스마트 스피커로 다시 전송됩니다.
기계 학습은 우리가 상호 작용하는 인공 지능 시스템의 대부분을 뒷받침합니다. 이들 중 일부는 스마트 장치와 같은 가정의 항목이며 다른 사람들은 온라인으로 사용하는 서비스의 일부입니다. 비디오 권장 사항 YouTube와 Netflix 및 자동 재생 목록은 Spotify 사용 기계 학습을 사용합니다. 검색 엔진은 기계 학습에 의존하며 온라인 쇼핑은 기계 학습을 사용하여 브라우징 및 구매 내역을 기반으로 제안을 제공합니다.
컴퓨터는 엄청난 데이터 세트에 액세스 할 수 있습니다. 그들은 인간이 한 번 그것을 할 수 있다면 인간이 하나의 반복을 수행 할 수 있다면 인간을 취할 수있는 공간에서 수천 번의 수천 번을 반복 할 수 있습니다. 또한 학습이 지식, 실습 및 성능 피드백이 필요한 경우 컴퓨터는 이상적인 후보가되어야합니다.
컴퓨터가 정말로 할 수 있다고 말하는 것은 아닙니다. 생각한다 우리가하는 것처럼 인간의 의미에서 또는 이해하고 인식하는 것. 그러나 그것은 의지입니다 배우다 그리고 연습으로 더 좋아지고 있습니다. 능숙하게 프로그래밍 된 기계 학습 시스템은 인식 및 의식적인 실체에 대한 괜찮은 인상을 달성 할 수 있습니다.
우리는 "컴퓨터를 배울 수 있습니까?" 결국 더 실용적인 질문으로 변형됩니다. 컴퓨터가 배우기 위해 극복 해야하는 엔지니어링 과제는 무엇입니까?
신경망 및 깊은 신경망
동물의 두뇌에는 뉴런 네트워크가 포함되어 있습니다. 뉴런은 다른 뉴런에 대한 시냅스를 가로 질러 신호를 발화시킬 수 있습니다. 이 작은 액션 복제 수백만 시간은 우리의 사고 과정과 기억을 발생시킵니다. 많은 간단한 빌딩 블록에서, 자연은 의식적인 마음과 이성을 이루고 기억할 수있는 능력을 창조했습니다.
생물학적 신경 네트워크에서 영감을 얻은 인공 신경망은 유기적 인 상대방의 특성 중 일부를 모방하기 위해 만들어졌습니다. 1940 년대 이래로 수천 명이나 수백만 개의 노드가 포함 된 하드웨어 및 소프트웨어가 개발되었습니다. 뉴런과 같은 노드는 다른 노드에서 신호를 수신합니다. 또한 다른 노드로 공급하기 위해 신호를 생성 할 수도 있습니다. 노드는 한 번에 입력을 허용하고 신호를 많은 노드로 전송할 수 있습니다.
동물이 노란색과 검은 색 곤충을 비행하는 것이 항상 불쾌한 찌꺼기를 주는지 결론을 내리면 모든 노란색과 검은 색 곤충을 피할 것입니다. 호버 플라이가 이것을 이용합니다. WASP처럼 노란색과 검은 색이지만 찌르지 않습니다. 동물들과 얽히고 고통스러운 교훈을 배웠던 동물들은 호버 플라이에 넓은 정박을줍니다. 그들은 눈에 띄는 색 구성표가있는 비행 곤충을보고 퇴각 할 시간입니다. 곤충이 호버 (hover-and wasps)가 될 수 있다는 사실은조차도 고려하지 않아도됩니다.
관련된: 이것은 Google의 인공 지능이 당신이시를 쓰는 데 도움이 될 때 일어나는 일입니다.
비행, 윙윙 거리는 및 노란색과 검은 색 줄무늬의 중요성은 다른 모든 것을 무시합니다. 이러한 신호의 중요성을 그 이름이라고합니다 가중치 그 정보의 인공 신경망도 가중치를 사용할 수 있습니다. 노드는 모든 입력을 동일하게 고려할 필요가 없습니다. 그것은 다른 사람들보다 몇 가지 신호를 선호 할 수 있습니다.
기계 학습은 통계를 사용하여 훈련 된 데이터 세트의 패턴을 찾습니다. 데이터 집합에는 단어, 숫자, 이미지, 웹 사이트의 클릭과 같은 사용자 상호 작용 또는 캡처 및 디지털 저장 될 수있는 다른 것과 같은 사용자 상호 작용이 포함될 수 있습니다. 시스템은 쿼리의 필수 요소를 특성화 한 다음 데이터 집합에서 감지 한 패턴과 일치해야합니다.
그것이 꽃을 식별하려고하는 경우 줄기 길이, 잎의 크기와 스타일, 꽃잎의 색 및 수를 알아야합니다. 실제로, 그것은 그것들보다 더 많은 사실을 필요로하지만, 우리의 간단한 예에서는 그것을 사용할 것입니다. 시스템이 테스트 표본에 대한 세부 정보를 알고 있으면 데이터 세트와 일치하는 의사 결정 프로세스를 시작합니다. 인상적으로 기계 학습 시스템은 의사 결정 트리를 만듭니다.
기계 학습 시스템은 그 알고리즘을 업데이트하여 그 알고리즘을 업데이트하여 추론으로 결함을 수정함으로써 학습합니다. 가장 정교한 신경망은 깊은 신경망 ...에 개념적으로, 이들은 훌륭한 많은 신경망으로 구성되어 있습니다. 이를 통해 시스템은 결정 프로세스에서 작은 패턴을 탐지하고 사용할 수있는 기능을 제공합니다.
레이어는 일반적으로 가중치를 제공하는 데 사용됩니다. 소위 숨겨진 레이어는 "전문가"레이어로 작동 할 수 있습니다. 테스트 대상의 단일 특성에 대해 가중 신호를 제공합니다. 우리의 꽃 식별 예제는 아마도 잎 모양, 싹의 크기, 싹의 크기 또는 기침의 길이에 전념하는 숨겨진 레이어를 사용할 수 있습니다.
다른 유형의 학습
기계 학습 시스템을 훈련시키는 데 사용되는 세 가지 광범위한 기술이 있습니다. 감독 된 학습, 감독되지 않은 학습 및 보강 학습.
감독 학습
감독 학습은 가장 자주 사용되는 학습 형태입니다. 그것이 다른 기술보다 우월하므로 그렇지 않습니다. 오늘 쓰여지는 기계 학습 시스템에서 사용되는 데이터 세트에 대한 이러한 유형의 학습의 적합성과 더 많은 관련이 있습니다.
감독 학습에서는 의사 결정 프로세스에서 사용 된 기준이 기계 학습 시스템에 대해 정의되도록 데이터를 표시하고 구조화합니다. 이것은 YouTube 재생 목록 제안 뒤에있는 기계 학습 시스템에서 사용되는 학습 유형입니다.
감독되지 않은 학습
감독되지 않은 학습에는 데이터 준비가 필요하지 않습니다. 데이터에 레이블이 지정되지 않았습니다. 시스템은 데이터를 스캔하고 자신의 패턴을 감지하며 자체 트리거링 기준을 파생합니다.
감독되지 않은 학습 기술은 높은 성공률을 가진 사이버 보안에 적용되었습니다. 기계 학습에 의해 향상된 침입자 탐지 시스템은 공인 된 사용자의 이전에 관찰 된 동작 패턴과 일치하지 않기 때문에 침입자의 무단 네트워크 활동을 감지 할 수 있습니다.
강화 학습
보강 학습은 세 가지 기술 중 가장 새로운 것입니다. 간단히 말해서, 보강 학습 알고리즘은 주어진 목표를 달성하기 위해 시험의 최적의 행동 모델에 도착하기 위해 시행 착오 및 오류 및 피드백을 사용합니다.
이는 그 행동이 그 목적을 달성 할 때 그 행동이 긍정적이거나 부정적인 영향을 미치는지 여부에 따라 시스템의 노력을 "점수"하는 인간의 피드백이 필요합니다.
AI의 실용적인 측면
그것이 너무 널리 퍼져 있기 때문에 상업적 성공 - 기계 학습을 포함하여 실제 세계의 성공을 보증했기 때문에 "인공 지능의 실제적인 측면"이라고 불 렸습니다. 그것은 큰 사업이며, 자신의 개발이나 제품에 기계 학습을 통합 할 수있는 확장 가능한 상업적 프레임 워크가 많이 있습니다.
해당 유형의 소방향에 즉각적인 필요가 없지만 파이썬과 같은 친숙한 프로그래밍 언어가있는 기계 학습 시스템을 중심으로 관심이 있으므로 탁월한 무료 리소스가 있습니다. 사실, 이들은 더 많은 관심이나 비즈니스 요구를 개발하는 경우에 당신과 함께 확장 될 것입니다.
토치 속도로 알려진 오픈 소스 머신 학습 프레임 워크입니다.
Scikit-Learn. 특히 Python과 함께 사용하기 위해 기계 학습 도구 모음입니다.
CAFFE. 깊은 학습 프레임 워크, 특히 이미지를 처리하는 데 유능합니다.
keras. 파이썬 인터페이스가있는 깊은 학습 프레임 워크입니다.
