Om een vaardigheid te leren, verzamelen we kennis, praktijk zorgvuldig en bewaken we onze prestaties. Uiteindelijk worden we beter in die activiteit. Machine-leren is een techniek waarmee computers precies dat doen.
Kunnen computers leren?
Het definiëren van intelligentie is moeilijk. We weten allemaal wat we bedoelen met intelligentie wanneer we het zeggen, maar het beschrijven is problematisch. Naast emotie en zelfbewustzijn, kan een werkbeschrijving het vermogen zijn om nieuwe vaardigheden te leren en kennis te absorberen en om ze toe te passen op nieuwe situaties om het gewenste resultaat te bereiken.
Gezien de moeilijkheid bij het definiëren van intelligentie, zal het definiëren van kunstmatige intelligentie niet eenvoudiger. Dus we zullen een beetje vals spelen. Als een computerapparaat in staat is om iets te doen dat meestal menselijke redenering en intelligentie zou vereisen, zeggen we dat het kunstmatige intelligentie gebruikt.
Bijvoorbeeld slimme sprekers zoals de Amazon Echo en Google nest Kan onze gesproken instructies horen, de geluiden interpreteren als woorden, extraheer de betekenis van de woorden en probeer dan ons verzoek te vervullen. Misschien vragen we het speel muziek , beantwoord een vraag , of DIM de lichten .
VERWANT: De beste moppen, games en paaseieren voor Google Assistant
In alles behalve de meest triviale interacties, worden uw gesproken commando's doorgegeven aan krachtige computers in de wolken van de fabrikant, waar de kunstmatige intelligentie zware opheffing plaatsvindt. Het commando is geparseerd, de betekenis wordt geëxtraheerd en het antwoord wordt voorbereid en teruggestuurd naar de slimme luidspreker.
Machine Learning ondersteunt de meerderheid van de kunstmatige intelligentiesystemen waarmee we communiceren. Sommige hiervan zijn items in uw huis zoals slimme apparaten en andere maken deel uit van de services die we online gebruiken. De video aanbevelingen op YouTube en Netflix en de automatische afspeellijsten op Spotify Gebruik Machine Learning. Zoekmachines zijn afhankelijk van het leren van machines en online winkelen maakt gebruik van machine die u aankoopsuggesties aanbiedt op basis van uw browsing- en aankoopgeschiedenis.
Computers hebben toegang tot enorme datasets. Ze kunnen onvermoeibaar herhalen van duizenden keren in de ruimte die het een mens zou nemen om één iteratie uit te voeren - als een mens het zelfs maar zou kunnen doen. Dus, als het leren kennis, praktijk- en uitvoeringsfeedback vereist, moet de computer de ideale kandidaat zijn.
Dat wil niet zeggen dat de computer echt kan denken in de menselijke zin of het begrijpen en waarnemen als wij. Maar het zal leren , en word beter met de praktijk. Vakkundig geprogrammeerd, kan een machineleersysteem een fatsoenlijke indruk bereiken van een bewuste en bewuste entiteit.
Vroeger vroeg we: "Kunnen computers leren?" Die uiteindelijk veranderde in een meer praktische vraag. Wat zijn de engineering-uitdagingen die we moeten overwinnen om computers te laten leren?
Neurale netwerken en diepe neurale netwerken
De hersenen van dieren bevatten netwerken van neuronen. Neuronen kunnen signalen brandt over een synaps op andere neuronen. Deze kleine actie-gerepliceerde miljoenen keren geeft aanleiding tot onze denkprocessen en herinneringen. Van veel eenvoudige bouwstenen creëerde de natuur bewuste geesten en het vermogen om te redeneren en te onthouden.
Geïnspireerd door biologische neurale netwerken, werden kunstmatige neurale netwerken gecreëerd om enkele van de kenmerken van hun organische tegenhangers na te bootsen. Sinds de jaren 1940 zijn hardware en software ontwikkeld die duizenden of miljoenen knooppunten bevatten. De knooppunten, zoals neuronen, ontvangen signalen van andere knooppunten. Ze kunnen ook signalen genereren om in andere knooppunten te voeden. Knooppunten kunnen ingangen accepteren en signalen verzenden naar vele knooppunten tegelijk.
Als een dier concludeert dat vliegende geel-en-zwarte insecten het altijd een smerige sting geven, vermijdt het alle vliegende geel-en-zwarte insecten. De zweefvlieg maakt hiervan voor. Het is geel en zwart als een wesp, maar het heeft geen steek. Dieren die verward zijn geworden met wespen en geleerd een pijnlijke les geven de zweefvlieg ook een ruime ligplaats. Ze zien een vliegend insect met een opvallend kleurenschema en besluiten dat het tijd is om zich terug te trekken. Het feit dat het insect kan zweven - en wespen kan niet - niet eens in aanmerking worden genomen.
VERWANT: Dit is wat er gebeurt als de kunstmatige intelligentie van Google je helpt om gedichten te schrijven
Het belang van het vliegen, zoemende en geel-en-zwarte strepen overschrijdt al het andere. Het belang van die signalen wordt de gewicht van die informatie. Kunstmatige neurale netwerken kunnen ook een weging gebruiken. Een knooppunt hoeft niet alle zijn ingangen gelijk te overwegen. Het kan bepaalde signalen ten opzichte van anderen begunstigen.
Machine Learning maakt gebruik van statistieken om patronen te vinden in de datasets waarnaar het is opgeleid. Een dataset kan woorden, cijfers, afbeeldingen, gebruikersinteracties bevatten, zoals klikken op een website of iets anders dat digitaal kan worden vastgelegd en opgeslagen. Het systeem moet de essentiële elementen van de query karakteriseren en vervolgens overeenkomen met die aan patronen die het in de dataset heeft gedetecteerd.
Als het probeert een bloem te identificeren, moet het de stamlengte, de grootte en de stijl van het blad, de kleur en het aantal bloemblaadjes, enzovoort kennen. In werkelijkheid zal het veel meer feiten nodig hebben dan die, maar in ons eenvoudige voorbeeld zullen we die gebruiken. Zodra het systeem die details over het testspecimen kent, start het een besluitvormingsproces dat een overeenkomst van zijn dataset produceert. Indrukwekkend maken machinekleersystemen de beslissingsboom zelf.
Een machineleersysteem leert van zijn fouten door zijn algoritmen bij te werken om fouten in zijn redenering te corrigeren. De meest geavanceerde neurale netwerken zijn Diepe neurale netwerken . Conceptueel zijn deze samengesteld uit een groot aantal neurale netwerken gelaagd op de andere. Dit geeft het systeem het vermogen om zelfs kleine patronen in zijn beslissingsprocessen te detecteren en te gebruiken.
Lagen worden vaak gebruikt om een weging te geven. Zogenaamde verborgen lagen kunnen fungeren als "gespecialiseerde" lagen. Ze bieden gewogen signalen over een enkele kenmerk van het onderwerp. Ons Flower Identification-voorbeeld kan misschien verborgen lagen gebruiken die gewijd aan de vorm van bladeren, de grootte van knoppen of meeldlengtes.
Verschillende soorten leren
Er zijn drie brede technieken die worden gebruikt om machine-leersystemen te trainen: onder toezicht van het leren, zonder toezicht, en versterkend leren.
Leren onder toezicht
Gecontroleerd leren is de meest gebruikte vorm van leren. Dat komt niet omdat het inherent superieur is aan andere technieken. Het heeft meer te maken met de geschiktheid van dit soort leren van de datasets die worden gebruikt in de machineleen-leersystemen die vandaag worden geschreven.
Bij onder toezicht van het leren worden de gegevens gelabeld en gestructureerd, zodat de criteria die in het besluitvormingsproces worden gebruikt, worden gedefinieerd voor het machineleen-leersysteem. Dit is het type leren dat wordt gebruikt in de machine-leersystemen achter YouTube-afspeellijstsuggesties.
Ongecentreerd leren
Ongewijzigd leren vereist geen gegevensvoorbereiding. De gegevens zijn niet geëtiketteerd. Het systeem scant de gegevens, detecteert zijn eigen patronen en ontleent zijn eigen triggeringcriteria.
Ongeachte leertechnieken zijn toegepast op cybersecurity met hoge snelheden van succes. Intruderdetectiesystemen die worden verbeterd door het leren van de machine kan de ongeoorloofde netwerkactiviteit van een indringer detecteren omdat deze niet overeenkomt met de eerder waargenomen gedrag van geautoriseerde gebruikers.
VERWANT: Hoe AI, Machine Learning en Endpoint Security Overlap
Versterking leren
Versterking leren is de nieuwste van de drie technieken. Simpel gezegd, een versterkingsleeralgoritme gebruikt proef en fouten en feedback om te komen tot een optimaal gedragsmodel om een bepaald doel te bereiken.
Dit vereist feedback van mensen die de inspanningen van het systeem "scoren" volgens de vraag of het gedrag een positieve of negatieve impact heeft bij het bereiken van zijn doelstelling.
De praktische kant van AI
Omdat het zo veel voorkomt en aantoonbare real-world successen heeft - inclusief commerciële successen-machinale leren is "de praktische kant van kunstmatige intelligentie" genoemd. Het is een groot bedrijf, en er zijn veel schaalbare, commerciële kaders waarmee u machine-leren opneemt in uw eigen ontwikkelingen of producten.
Als u niet een onmiddellijke behoefte heeft aan dat type brandkracht, maar u bent geïnteresseerd in het porren van een machineleersysteem met een vriendelijke programmeertaal zoals Python, zijn er ook uitstekende gratis middelen voor dat. In feite zullen deze met u schalen als u een verdere interesse of een bedrijfsbehoefte ontwikkelt.
Fakkel is een open-source machine-learning framework dat bekend is om zijn snelheid.
Scikit-leren is een verzameling machine-leermiddelen, vooral voor gebruik met Python.
Cafe is een diepleerkader, vooral competent bij het verwerken van afbeeldingen.
Kers is een diepleerkader met een Python-interface.
