For å lære en ferdighet, samler vi kunnskap, trener nøye og overvåker vår ytelse. Til slutt blir vi bedre på den aktiviteten. Maskinlæring er en teknikk som gjør det mulig for datamaskiner å gjøre nettopp det. [1. 3]
Kan datamaskiner lære?
Definere intelligens er tøff. Vi vet alle hva vi mener med intelligens når vi sier det, men beskriver det er problematisk. Etter å ha forlatt følelsen av følelser og selvbevissthet, kan en arbeidsbeskrivelse være evnen til å lære nye ferdigheter og absorbere kunnskap og å anvende dem til nye situasjoner for å oppnå det ønskede resultatet. [1. 3]
Gitt vanskeligheten med å definere intelligens, som definerer kunstig intelligens, kommer ikke til å være enklere. Så, vi vil jukse litt. Hvis en databehandlingsenhet er i stand til å gjøre noe som vanligvis vil kreve menneskelig begrunnelse og intelligens, sier vi at det bruker kunstig intelligens. [1. 3]
For eksempel, smarte høyttalere som Amazon Echo. og Google Nest Kan høre våre talte instruksjoner, tolke lydene som ord, trekke ut betydningen av ordene, og prøv å oppfylle vår forespørsel. Vi kan spørre det om spille musikk , svar på et spørsmål , eller dim lysene . [1. 3]
I SLEKT: De beste vitsene, spillene og påskeeggene for Google Assistant [1. 3]
I alle, men de mest trivielle interaksjonene, blir dine talte kommandoer sendt til kraftige datamaskiner i produsentens skyer, hvor kunstig intelligens tungløfting skjer. Kommandoen er analysert, betydningen blir ekstrahert, og svaret er forberedt og sendt tilbake til den smarte høyttaleren. [1. 3]
Maskinlæring støtter flertallet av de kunstige intelligenssystemene som vi samhandler med. Noen av disse er elementer i ditt hjem som smarte enheter, og andre er en del av tjenestene som vi bruker på nettet. Videoen anbefalinger På YouTube og Netflix og de automatiske spillelistene på Spotify bruk maskinlæring. Søkemotorer stole på maskinlæring, og online shopping bruker maskinlæring å tilby deg kjøpsforslag basert på surfing og kjøpshistorie. [1. 3]
Datamaskiner kan få tilgang til enorme datasett. De kan utrettelige gjenta prosesser tusenvis av ganger i løpet av det rommet det ville ta et menneske å utføre en iterasjon - hvis et menneske kan selv klare å gjøre det en gang. Så, hvis læring krever kunnskap, praksis og ytelse tilbakemelding, bør datamaskinen være den ideelle kandidaten. [1. 3]
Det er ikke å si at datamaskinen vil kunne virkelig synes at i menneskelig forstand, eller å forstå og oppfatte som vi gjør. Men det vil lære , og bli bedre med praksis. Ferdig programmert, et maskin-læringssystem kan oppnå et anstendig inntrykk av en klar og bevisst enhet. [1. 3]
Vi pleide å spørre, "Kan datamaskiner lære?" Som til slutt morphed inn i et mer praktisk spørsmål. Hva er de engineering utfordringene som vi må overvinne for å tillate datamaskiner å lære? [1. 3]
Neurale nettverk og dype nevrale nettverk
Dyrens hjerner inneholder nettverk av nevroner. Neuroner kan brenne signaler over en synaps til andre nevroner. Denne lille action-replikerte millioner av ganger - gir opphav til våre tankeprosesser og minner. Ut av mange enkle byggeklosser, skapte naturen bevisste sinn og evnen til å begrunne og huske. [1. 3]
Inspirert av biologiske nevrale nettverk, ble kunstige nevrale nettverk opprettet for å etterligne noen av egenskapene til deres organiske kolleger. Siden 1940-tallet er det utviklet maskinvare og programvare som inneholder tusenvis eller millioner av noder. Nodene, som nevroner, mottar signaler fra andre noder. De kan også generere signaler for å mate inn i andre noder. Noder kan akseptere innganger fra og sende signaler til mange noder samtidig. [1. 3]
Hvis et dyr konkluderer med at flygende gul-og-svarte insekter alltid gir det en stygg sting, vil det unngå alle flygende gule og svarte insekter. Hoverflyet utnytter dette. Det er gult og svart som en veps, men det har ingen stikk. Dyr som har gått sammen med hveps og lærte en smertefull leksjon, gi hoverfly en bred kaj, også. De ser et flygende insekt med en slående fargevalg og bestemmer at det er på tide å trekke seg tilbake. Det faktum at insektet kan svinge - og veps kan ikke engang tas i betraktning. [1. 3]
I SLEKT: Dette er hva som skjer når Googles kunstige intelligens hjelper deg med å skrive dikt [1. 3]
Betydningen av flygende, summende og gule og svarte striper overstyrer alt annet. Betydningen av disse signalene kalles vekting av den informasjonen. Kunstige nevrale nettverk kan også bruke vekting. En node trenger ikke å vurdere alle sine innganger like. Det kan favorisere noen signaler over andre. [1. 3]
Maskinlæring bruker statistikk for å finne mønstre i datasettene som den er opplært på. Et datasett kan inneholde ord, tall, bilder, brukerinteraksjoner som klikk på et nettsted, eller noe annet som kan fanges og lagres digitalt. Systemet må karakterisere de essensielle elementene i spørringen og deretter matche de til mønstrene som den har oppdaget i datasettet. [1. 3]
Hvis det prøver å identifisere en blomst, må den vite stammen lengden, bladets størrelse og stil, fargen og antallet kronblad, og så videre. I virkeligheten vil det trenge mange flere fakta enn de, men i vårt enkle eksempel bruker vi dem. Når systemet kjenner disse detaljene om testprøven, starter den en beslutningsprosess som produserer en kamp fra datasettet. Imponerende, maskin-læringssystemer skaper beslutningstreet selv. [1. 3]
Et maskinlæringsanlegg lærer seg fra sine feil ved å oppdatere sine algoritmer for å rette feil i sin begrunnelse. De mest sofistikerte nevrale nettverkene er dype nevrale nettverk . Konseptuelt består disse av mange nevrale nettverk lagret en på toppen av en annen. Dette gir systemet muligheten til å oppdage og bruke selv små mønstre i sine beslutningsprosesser. [1. 3]
Lagene brukes ofte til å gi vekting. Såkalte skjulte lag kan fungere som "spesialist" lag. De gir vektede signaler om en enkelt karakteristikk for testfaget. Vårt blomsteridentifikasjonseksempel kan kanskje bruke skjulte lag dedikert til formen av blader, størrelsen på knopper eller stammen lengder. [1. 3]
Ulike typer læring
Det er tre brede teknikker som brukes til å trene maskinopplæringssystemer: Overvåket læring, uten tilsyn, og forsterkningslæring. [1. 3]
Overvåket læring
Overvåket læring er den mest brukte form for læring. Det er ikke fordi det er iboende overlegen til andre teknikker. Det har mer å gjøre med egnetheten til denne typen læring til datasettene som brukes i maskinopplæringssystemene som blir skrevet i dag. [1. 3]
I overvåket læring er dataene merket og strukturert slik at kriteriene som brukes i beslutningsprosessen, er definert for maskinopplæringssystemet. Dette er typen læring som brukes i maskinopplæringssystemene bak YouTube-spillelisteforslag. [1. 3]
Uovervåket læring
Unsupervisert læring krever ikke dataforberedelse. Dataene er ikke merket. Systemet skanner dataene, oppdager sine egne mønstre, og stammer sine egne utløsende kriterier. [1. 3]
Unsupervisiserte læringsteknikker har blitt brukt på cybersikkerhet med høye suksessrater. Intruder deteksjonssystemer forbedret av maskinlæring kan oppdage en inntrengers uautoriserte nettverksaktivitet fordi den ikke samsvarer med de tidligere observerte mønstrene av atferd av autoriserte brukere. [1. 3]
I SLEKT: Hvordan AI, Maskinlæring og Endpoint Security Overlapper [1. 3]
Forsterkningslæring
Forsterkningslæring er den nyeste av de tre teknikkene. Enkelt sagt, en forsterkningslæringsalgoritme bruker prøve og feil og tilbakemelding for å komme til en optimal oppførsel for å oppnå et gitt mål. [1. 3]
Dette krever tilbakemelding fra mennesker som "scorer" systemets innsats i henhold til om dens oppførsel har en positiv eller negativ innvirkning på å nå sitt mål. [1. 3]
Den praktiske siden av AI
Fordi det er så utbredt og har påviselig virkelige suksesser - inkludert kommersielle suksesser, har maskinen blitt kalt "den praktiske siden av kunstig intelligens." Det er stor bedrift, og det er mange skalerbare, kommersielle rammer som lar deg innlemme maskinlæring i din egen utvikling eller produkter. [1. 3]
Hvis du ikke har et øyeblikkelig behov for den typen brannkraft, men du er interessert i å poking rundt et maskinlæresystem med et vennlig programmeringsspråk som Python, er det også gode gratis ressurser for det også. Faktisk vil disse skalere med deg hvis du utvikler ytterligere interesse eller forretningsbehov. [1. 3]
Lommelykt er en åpen kildekode maskinlæringsramme kjent for sin fart. [1. 3]
Scikit-Lær Er en samling av maskin-læringsverktøy, spesielt for bruk med Python. [1. 3]
Caffe. er et dyp læringsramme, spesielt kompetent til behandling av bilder. [1. 3]
Keras. er et dyp læringsramme med et python-grensesnitt. [1. 3]
