Para aprender uma habilidade, reunimos conhecimento, praticamos cuidadosamente e monitoramos nosso desempenho. Eventualmente, nos tornamos melhores nessa atividade. A aprendizagem de máquina é uma técnica que permite que os computadores façam exatamente isso.
Os computadores podem aprender?
Definir a inteligência é difícil. Todos nós sabemos o que queremos dizer com inteligência quando dizemos isso, mas descrevendo é problemático. Deixando de lado a emoção e autoconsciência, uma descrição de trabalho poderia ser a capacidade de aprender novas habilidades e absorver conhecimento e aplicá-las a novas situações para alcançar o resultado desejado.
Dada a dificuldade em definir a inteligência, definindo a inteligência artificial não será mais fácil. Então, vamos enganar um pouco. Se um dispositivo de computação é capaz de fazer algo que normalmente exigiria raciocínio e inteligência humanas, diremos que está usando inteligência artificial.
Por exemplo, alto-falantes inteligentes como o Amazon Echo e Google Nest. Pode ouvir nossas instruções faladas, interpretar os sons como palavras, extrair o significado das palavras e, em seguida, tentar cumprir nosso pedido. Podemos estar pedindo para tocar música , responda uma pergunta , ou Escureça as luzes .
RELACIONADO: As melhores piadas, jogos e ovos de Páscoa para o Google Assistant
Em todas, mas as interações mais triviais, seus comandos falados são retransmitidos para computadores poderosos nas nuvens dos fabricantes, onde ocorre a inteligência artificial, ocorre. O comando é analisado, o significado é extraído, e a resposta é preparada e enviada de volta para o alto-falante inteligente.
A aprendizagem da máquina sustenta a maioria dos sistemas de inteligência artificial que interagimos. Alguns destes são itens em sua casa, como dispositivos inteligentes, e outros fazem parte dos serviços que usamos on-line. O vídeo Recomendações. No YouTube e Netflix e as listas de reprodução automática no Spotify usam a aprendizagem da máquina. Os mecanismos de pesquisa confiam na aprendizagem de máquinas, e as compras on-line usam aprendizado de máquina para oferecer às sugestões de compra com base na sua navegação e história.
Os computadores podem acessar conferências enormes. Eles podem repetir incansavelmente processos milhares de vezes dentro do espaço que levaria um humano para realizar uma iteração - se um humano pudesse até mesmo conseguir uma vez. Então, se o aprendizado exigir conhecimento, prática e feedback de desempenho, o computador deve ser o candidato ideal.
Isso não quer dizer que o computador será capaz de realmente pensar no sentido humano, ou entender e perceber como fazemos. Mas isso será aprender e melhorar com a prática. Habilmente programada, um sistema de aprendizado de máquina pode conseguir uma impressão razoável de uma entidade consciente e consciente.
Nós costumávamos perguntar: "Os computadores podem aprender?" Que eventualmente se transformou em uma questão mais prática. Quais são os desafios de engenharia que devemos superar para permitir que os computadores aprendam?
Redes Neurais e Deep Neural Networks
cérebros dos animais contêm redes de neurônios. Neurônios podem disparar sinais através de uma sinapse a outros neurônios. Esta pequena milhões de replicados de ação times-dá origem a nossos processos de pensamento e memórias. Fora de muitos blocos simples de construção, natureza criada mentes conscientes e a capacidade de raciocinar e lembrar.
Inspirado por redes neurais biológicas, as redes neurais artificiais foram criados para alguns mímica das características dos seus homólogos orgânicos. Desde a década de 1940, hardware e software foram desenvolvidos que contêm milhares ou milhões de nós. Os nós, como neurónios, receber sinais de outros nós. Eles também pode gerar sinais para alimentar em outros nós. Nós pode aceitar entradas de e enviar sinais para muitos nós ao mesmo tempo.
Se um animal concluir que os insetos amarelos e negros voadores sempre dão uma picada desagradável, evitará todos os insetos amarelos e negros voadores. O hoverfly aproveita isso. É amarelo e preto como uma vespa, mas não tem picada. Animais que ficaram emaranhados com vespas e aprenderam uma lição dolorosa dão ao Hoverfly um amplo berço também. Eles vêem um inseto voador com um esquema de cores impressionante e decidem que é hora de recuar. O fato de que o inseto pode passar - e vespas não pode - nem sequer levado em consideração.
RELACIONADO: Isso é o que acontece quando a inteligência artificial do Google ajuda você a escrever poemas
A importância dos listras voadoras, zumbindo e amarelo-e-preto substitui todo o resto. A importância desses sinais é chamada ponderação dessa informação. As redes neurais artificiais também podem usar a ponderação. Um nó não precisa considerar todas as suas entradas iguais. Pode favorecer alguns sinais sobre os outros.
A aprendizagem de máquinas usa estatísticas para encontrar padrões nos conjuntos de dados que é treinado. Um conjunto de dados pode conter palavras, números, imagens, interações de usuários, como cliques em um site ou qualquer outra coisa que possa ser capturada e armazenada digitalmente. O sistema precisa caracterizar os elementos essenciais da consulta e, em seguida, coincide com aqueles para padrões que detectou no conjunto de dados.
Se estiver tentando identificar uma flor, precisará saber o comprimento do caule, o tamanho e o estilo da folha, a cor e o número de pétalas e assim por diante. Na realidade, precisará de muitos mais fatos do que aqueles, mas em nosso exemplo simples, usaremos isso. Uma vez que o sistema conhece esses detalhes sobre a amostra de teste, ele inicia um processo de tomada de decisão que produz uma correspondência de seu conjunto de dados. Impressionantemente, os sistemas de aprendizagem de máquina criam a árvore de decisão.
Um sistema de aprendizagem de máquina aprende com seus erros atualizando seus algoritmos para corrigir falhas em seu raciocínio. As redes neurais mais sofisticadas são redes neurais profundas . Conceitualmente, estes são compostos de muitas redes neurais em camadas um em cima do outro. Isso dá ao sistema a capacidade de detectar e usar padrões até minúsculos em seus processos de decisão.
As camadas são comumente usadas para fornecer ponderação. As chamadas camadas ocultas podem atuar como camadas "especialistas". Eles fornecem sinais ponderados sobre uma única característica do assunto do teste. Nosso exemplo de identificação de flores pode usar camadas ocultas dedicadas à forma de folhas, do tamanho dos botões ou dos comprimentos de estame.
Diferentes tipos de aprendizagem
Existem três técnicas amplas usadas para treinar sistemas de aprendizagem de máquina: aprendizagem supervisionada, aprendizagem não supervisionada e aprendizagem de reforço.
Aprendizagem supervisionada
A aprendizagem supervisionada é a forma mais utilizada de aprendizagem. Isso não é porque é inerentemente superior a outras técnicas. Tem mais a ver com a adequação desse tipo de aprendizagem para os conjuntos de dados utilizados nos sistemas de aprendizagem de máquina que estão sendo escritos hoje.
No aprendizado supervisionado, os dados são rotulados e estruturados para que os critérios usados no processo de tomada de decisão sejam definidos para o sistema de aprendizagem de máquinas. Este é o tipo de aprendizado usado nos sistemas de aprendizagem de máquina por trás das sugestões da lista de reprodução do YouTube.
Aprendizagem não supervisionada
A aprendizagem não supervisionada não requer preparação de dados. Os dados não são rotulados. O sistema digitaliza os dados, detecta seus próprios padrões e deriva seus próprios critérios desencadeantes.
Técnicas de aprendizagem não supervisionadas foram aplicadas ao cibersegurança com altas taxas de sucesso. Os sistemas de detecção de intrusos aprimorados pelo aprendizado de máquina podem detectar a atividade de rede não autorizada de uma intrusão, porque não corresponde aos padrões anteriormente observados de comportamento de usuários autorizados.
RELACIONADO: Como a Ai, a aprendizagem de máquinas e a segurança de endpoint
Aprendizagem de reforço
A aprendizagem de reforço é a mais nova das três técnicas. Simplificando, um algoritmo de aprendizado de reforço usa teste e erro e feedback para chegar a um modelo ideal de comportamento para alcançar um determinado objetivo.
Isso requer feedback dos humanos que "pontuam" os esforços do sistema de acordo com se seu comportamento tem um impacto positivo ou negativo para alcançar seu objetivo.
O lado prático da AI
Porque é tão prevalente e demonstrou sucessos do mundo real - incluindo os sucessos comerciais - a aprendizagem da máquina foi chamada de "o lado prático da inteligência artificial". É um grande negócio, e há muitos quadros comerciais escaláveis que permitem que você incorpore a aprendizagem de máquinas em seus próprios desenvolvimentos ou produtos.
Se você não tiver uma necessidade imediata para esse tipo de poder de fogo, mas você está interessado em cutucando um sistema de aprendizagem de máquina com uma linguagem de programação amigável como Python, há excelentes recursos gratuitos para isso, também. Na verdade, estes vão escalar com você se você desenvolver um interesse adicional ou uma necessidade de negócios.
Tocha é uma estrutura de aprendizado de máquina de código aberto conhecida por sua velocidade.
Cicha-aprender é uma coleção de ferramentas de aprendizagem de máquina, especialmente para uso com python.
Caffe. é uma estrutura de aprendizado profundo, especialmente competente na processamento de imagens.
Keras. é uma estrutura de aprendizado profundo com uma interface Python.
