Aby nauczyć się umiejętności, zbieramy wiedzę, praktykę uważnie i monitorować nasze wyniki. Ostatecznie stajemy się lepsi w tej aktywności. Uczenie maszynowe to technika, która pozwala na to, że komputery.
Czy komputery mogą się uczyć?
Definiowanie inteligencji jest trudne. Wszyscy wiemy, co rozumiemy przez inteligencję, kiedy to mówimy, ale opisując, że jest problematyczne. Odrzuć na bok emocje i samoświadomość, opis roboczy może być możliwość nauki nowych umiejętności i absorbowania wiedzy oraz zastosowanie ich do nowych sytuacji, aby osiągnąć pożądany wynik.
Biorąc pod uwagę trudność w definiowaniu inteligencji, definiowanie sztucznej inteligencji nie będzie łatwiejsze. Więc niewiele oszukujemy. Jeśli urządzenie komputerowe jest w stanie zrobić coś, co zwykle wymagało ludzkich rozumowania i inteligencji, powiemy, że jest używana sztucznej inteligencji.
Na przykład inteligentni głośniki jak Amazon Echo. oraz Google Nest. Słyszeć nasze instrukcje mówione, interpretować dźwięki jako słowa, wyodrębnij znaczenie słów, a następnie spróbuj spełnić nasze żądanie. Możemy prosić o to Graj muzykę , Odpowiedz na pytanie , lub Przyciemnij światła .
ZWIĄZANE Z: Najlepsze dowcipy, gry i pisanki do Asystenta Google
We wszystkich najbardziej trywialnych interakcjach, komendy mówione są przekazywane do potężnych komputerów w chmurach producentów, gdzie odbywa się sztuczna inteligencja ciężkiego podnoszenia. Polecenie jest analizowane, wyodrębniono znaczenie, a odpowiedź jest przygotowywana i odesłana z powrotem do inteligentnego głośnika.
Uczenie maszynowe stanowią większość systemów sztucznych inteligencji, z którymi się współdziałamy. Niektóre z nich są przedmioty w domu, takie jak inteligentne urządzenia, a inne są częścią usług, których korzystamy online. Wideo zalecenia Na YouTube i Netflix i automatyczne listy odtwarzania na uczenia się maszyny Spotify. Wyszukiwarki polegają na uczeniu się maszynowym, a zakupy online używa uczenia się maszyn do oferowania sugestii na podstawie przeglądania i historii zakupu.
Komputery mogą uzyskać dostęp do ogromnych zestawów danych. Niestrudzenie mogą powtórzyć procesy tysiące razy w przestrzeni, że zabierze człowieka, aby wykonać jedną iterację - jeśli człowiek może nawet zrobić to raz. Jeśli uczenia się wymaga wiedzy, praktyki i informacji zwrotnej, komputer powinien być idealnym kandydatem.
Nie znaczy, że komputer będzie mógł naprawdę myśleć w sensie człowieka lub zrozumieć i postrzeganie, jak to zrobić. Ale to będzie. uczyć się i popraw się z praktyką. Umiejętnie zaprogramowany system uczenia maszynowego może osiągnąć przyzwoite wrażenie świadomego i świadomego podmiotu.
Kiedyś pytamy: "Czy komputery mogą się nauczyć?" Który ostatecznie przekształcił się w bardziej praktyczne pytanie. Jakie są wyzwania inżynieryjne, które musimy przezwyciężyć, aby umożliwić nauczenie komputerów?
Sieci neuronowe i głębokie sieci neuronowe
Mózgi zwierząt zawierają sieci neuronów. Neurony mogą strzelać sygnały przez synapsy do innych neuronów. To małe działanie - replikowane miliony razy - powodują nasze procesy myśli i wspomnienia. Z wielu prostych bloków budowlanych, przyroda stworzyła świadome umysły i zdolność do rozumowania i pamiętać.
Zainspirowany biologicznymi sieciami neuronowymi stworzono sztuczne sieci neuronowe do naśladowania niektórych cech ich organicznych odpowiedników. Od 1940 roku opracowano sprzęt i oprogramowanie, które zawierają tysiące lub miliony węzłów. Węzły, takie jak neurony, otrzymują sygnały z innych węzłów. Mogą również generować sygnały do podawania do innych węzłów. Węzły mogą akceptować wejścia z i wysyłać sygnały do wielu węzłów naraz.
Jeśli zwierzę stwierdza, że latające żółto-czarne owady zawsze dają mu nieprzyjemne żądło, uniknie to wszystkich latających żółto-czarnych owadów. Korzystają z tego Hoverfly. Jest żółty i czarny jak osa, ale nie ma żądła. Zwierzęta, które dostałem splątane z OSP i nauczyły się bolesnej lekcji dawać Hoverfly szeroką berth. Widzą latający owad z uderzającym schematem kolorów i zdecydować, że nadszedł czas na wycofanie się. Fakt, że owad może unosić się, a osy nie mogą nawet brać pod uwagę.
ZWIĄZANE Z: Tak się dzieje, gdy sztuczna inteligencja Google pomaga pisać wiersze
Znaczenie latającego, brzęczenia i żółto-czarne paski zastępuje wszystko inne. Znaczenie tych sygnałów nazywa się ważenie tych informacji. Sztuczne sieci neuronowe mogą również używać ważenia. Węzeł nie musi rozważyć wszystkich swoich wejść równych. Może sprzyjać niektórym sygnałom nad innymi.
Uczenie maszynowe wykorzystuje statystyki, aby znaleźć wzory w zestawach danych, na których jest przeszkolony. DataSet może zawierać słowa, liczby, obrazy, interakcje użytkownika, takie jak kliknięcia na stronie internetowej lub cokolwiek innego, co można przechwycić i przechowywać cyfrowo. System musi scharakteryzować istotne elementy zapytania, a następnie dopasować te do wzorów, które wykryto w zestawie danych.
Jeśli próbuje zidentyfikować kwiat, będzie musiał poznać długość trzpienia, rozmiar i styl liścia, koloru i liczby płatków, i tak dalej. W rzeczywistości będzie potrzebował wielu innych faktów niż te, ale w naszym prostym przykładzie, użyjemy tych. Gdy system zna te szczegóły dotyczące próbki testowej, rozpoczyna proces decyzyjny, który wytwarza dopasowanie z zestawu danych. Imponujące systemy nauczania maszynowego tworzą same drzewo decyzyjne.
System uczenia się maszynowego uczy się z jego błędów, aktualizując jego algorytmy do poprawnych wad w rozumowaniu. Najbardziej wyrafinowane sieci neuronowe są Głębokie sieci neuronowe . Koncepcyjnie składają się z wielu dużych sieci neuronowych, warstwowych na drugim. Daje to systemowi zdolność do wykrywania i używania nawet drobnych wzorów w swoich procesach decyzyjnych.
Warstwy są powszechnie używane do zapewnienia wagi. Tak zwane ukryte warstwy mogą działać jako warstwy "specjalistyczne". Zapewniają ważone sygnały o pojedynczym charakterystyce przedmiotu testowego. Nasz przykład identyfikacyjny kwiat może być może używać ukrytych warstw poświęcony kształtowi liści, wielkości pąków lub długości pręcika.
Różne rodzaje uczenia się
Istnieją trzy szerokie techniki wykorzystywane do szkolenia systemów uczenia maszynowego: nadzorowane uczenie się, uczenie się bez nadzoru i uczenia się wzmacniającego.
Nadzorowana nauka
Nadzorowana nauka jest najczęściej stosowaną formą uczenia się. Nie dlatego, że jest z natury lepszy od innych technik. Ma więcej do zrobienia przydatności tego typu uczenia się z zestawami zestawów danych używanych w systemach uczenia się maszynowego, które są napisane dzisiaj.
W nadzorowanym uczeniu się dane są oznakowane i strukturalne, dzięki czemu kryteria stosowane w procesie podejmowania decyzji są zdefiniowane dla systemu uczenia się maszynowego. Jest to rodzaj nauki wykorzystywanej w systemach uczenia się maszynowego za sugestiami liście odtwarzania YouTube.
Nieodporna nauka
Uczenie się bez nadzoru nie wymaga przygotowania danych. Dane nie są oznaczone. System skanuje dane, wykrywa własne wzory i czerpie własne kryteria wyzwalające.
Nieodporne techniki uczenia się stosowano do cyberbezpieczeństwa z wysokimi szybkościami sukcesu. Systemy wykrywania intruza wzmocnione przez uczenie się maszynowe mogą wykryć nieautoryzowaną aktywność sieci intruza, ponieważ nie pasuje do wcześniej obserwowanych wzorców zachowań autoryzowanych użytkowników.
ZWIĄZANE Z: Jak ai, uczenie maszynowe i nakładają się bezpieczeństwo punktu końcowego
Uczenie się wzmocniające
Uczenie się wzmacniające jest najnowsze z trzech technik. Połóż prosty, algorytm uczenia się wzmacniającego wykorzystuje próbę i błąd i informacje zwrotne, aby dotrzeć do optymalnego modelu zachowania, aby osiągnąć dany cel.
Wymaga to opinii od ludzi, którzy "zdobywają" wysiłki systemowe zgodnie z tym, czy jego zachowanie ma pozytywny lub negatywny wpływ w osiągnięcie jego celu.
Praktyczna strona AI
Ponieważ jest tak rozpowszechniony i ma widoczne sukcesy na świecie, w tym handlowe sukcesy - uczenie się maszynowe "nazywano" praktyczną stroną sztucznej inteligencji ". To duży biznes, i istnieje wiele skalowalnych, komercyjnych ram, które pozwalają włączyć uczący maszyn do własnych rozwoju lub produktów.
Jeśli nie masz natychmiastowej potrzeby tego rodzaju siły ognia, ale jesteś zainteresowany szturchaniem wokół systemu nauczania maszynowo z przyjaznym językiem programowania, takiego jak Python, istnieje doskonałe bezpłatne zasoby. W rzeczywistości będą one skalowane ze sobą, jeśli opracujesz kolejne zainteresowanie lub potrzeby biznesowe.
Pochodnia to open-source ramy maszynowe znane ze swojej prędkości.
Scikit-Learn. jest kolekcją narzędzi do nauki maszynowej, zwłaszcza do użytku z Python.
Caffe. jest ramami głębokiego uczenia się, szczególnie kompetentne przy przetwarzaniu obrazów.
Keras. to ramy głębokie uczenia się z interfejsem Python.
