Pentru a afla o abilitate, adunăm cunoștințe, practică cu atenție și monitorizăm performanța noastră. În cele din urmă, devenim mai bine la acea activitate. Învățarea mașinii este o tehnică care permite computerelor să facă acest lucru.
Pot învăța computerele?
Definirea inteligenței este dificilă. Știm cu toții ce înțelegem prin inteligență atunci când spunem, dar descriu că este problematică. Lăsând deoparte emoția și conștiința de sine, o descriere de lucru ar putea fi abilitatea de a învăța noi abilități și de a absorbi cunoștințele și de a le aplica în situații noi pentru a obține rezultatul dorit.
Având în vedere dificultatea de a defini inteligența, definirea inteligenței artificiale nu va fi mai ușoară. Deci, vom înșela puțin. Dacă un dispozitiv de calcul este capabil să facă ceva care, de obicei, ar necesita raționament uman și inteligență, vom spune că folosește inteligența artificială.
De exemplu, difuzoare inteligente ca Amazon Echo. și Google Nest. pot auzi instrucțiunile noastre vorbite, interpretează sunetele ca cuvinte, extrage sensul cuvintelor și apoi încercați să ne îndeplinim cererea. S-ar putea să ne cerem reda muzică , răspunde la o întrebare , Or. diminuează luminile .
LEGATE DE: Cele mai bune glume, jocuri și ouă de Paști pentru Google Assistant
În toate cele mai triviale interacțiuni, comenzile dvs. vor fi transmise la computere puternice din norii producătorilor, unde are loc inteligența artificială. Comanda este analizată, semnificația este extrasă, iar răspunsul este pregătit și trimis înapoi la difuzorul inteligent.
Învățarea mașinilor sprijină majoritatea sistemelor de inteligență artificială cu care interacționăm. Unele dintre acestea sunt elemente din casa dvs., cum ar fi dispozitivele inteligente, iar altele fac parte din serviciile pe care le folosim online. Videoclipul Recomandări Pe YouTube și Netflix și playlisturile automate de pe Spotify Utilizați învățarea mașinii. Motoarele de căutare se bazează pe învățarea mașinilor, iar cumpărăturile online utilizează învățarea mașinii pentru a vă oferi sugestii de cumpărare pe baza navigării și a istoriei achiziției.
Computerele pot accesa seturi enorme. Ei pot repeta neobosit procesele de mii de ori în spațiul pe care ar fi nevoie de un om pentru a efectua o iterație - dacă un om ar putea chiar să reușească să o facă o dată. Deci, dacă învățarea necesită cunoștințe, practică și feedback de performanță, calculatorul ar trebui să fie candidatul ideal.
Asta nu înseamnă că computerul va fi în stare să gândi în sensul uman, sau să înțeleagă și să perceapă ca noi. Dar o voință învăța , și obțineți mai bine cu practica. Programat cu pricepere, un sistem de învățare a mașinilor poate obține o impresie decentă a unei entități conștiente și conștiente.
Obișnuiam să întrebam: "Pot să învețe computerele?" Care în cele din urmă sa transformat într-o întrebare mai practică. Care sunt provocările de inginerie pe care trebuie să le depășim pentru a permite computerele să învețe?
Rețele neuronale și rețele neuronale adânci
Creierul animalelor conțin rețele de neuroni. Neuronii pot trage semnale pe o sinapsă la alți neuroni. Această acțiune mică de acțiune reprodusă de vremuri - dă naștere la procesele și amintirile noastre de gândire. Din multe blocuri simple de construcție, natura a creat minții conștiente și abilitatea de a raționa și de a-și aminti.
Inspirat de rețelele neuronale biologice, rețelele neuronale artificiale au fost create pentru a imita unele dintre caracteristicile omologilor lor organici. De la anii 1940, hardware-ul și software-ul au fost dezvoltate care conțin mii sau milioane de noduri. Nodurile, ca neuroni, primesc semnale de la alte noduri. De asemenea, pot genera semnale pentru a alimenta în alte noduri. Nodurile pot accepta intrări și trimit semnale la multe noduri simultan.
Dacă un animal concluzionează că insectele care zboară galben-negru dă întotdeauna un zgomot urât, va evita toate insectele care zboară galben-și-negru. Hoverfly profită de acest lucru. Este galben și negru ca o viespe, dar nu are nimic. Animalele care s-au încurcat cu viespi și au învățat o lecție dureroasă, dând hoverfly un dana largă. Ei văd o insectă zburătoare cu o schemă de culori izbitoare și decide că este timpul să se retragă. Faptul că insectele pot fi deplasate, iar viespi nu se pot lua în considerare nici măcar.
LEGATE DE: Aceasta este ceea ce se întâmplă atunci când inteligența artificială a Google vă ajută să scrieți poezii
Importanța dungiilor care zboară, buzunare și galben-negru suprascrie orice altceva. Importanța acestor semnale este numită ponderare din aceste informații. Rețelele neuronale artificiale pot folosi și ponderarea. Un nod nu trebuie să ia în considerare toate intrările sale egale. Poate favoriza unele semnale asupra altora.
Învățarea mașinilor utilizează statistici pentru a găsi modele în seturile de date pe care le instruiți. Un set de date ar putea conține cuvinte, numere, imagini, interacțiuni utilizator, cum ar fi clicuri pe un site web sau orice altceva care poate fi capturat și stocat digital. Sistemul trebuie să caracterizeze elementele esențiale ale interogării și apoi să se potrivească cu cele ale tiparelor pe care le-a detectat în setul de date.
Dacă încearcă să identifice o floare, va trebui să cunoașteți lungimea tulpinii, dimensiunea și stilul frunzei, culoarea și numărul de petale și așa mai departe. În realitate, va avea nevoie de multe alte fapte decât cele, dar în exemplul nostru simplu, vom folosi pe aceștia. Odată ce sistemul cunoaște aceste detalii despre specimenul de testare, acesta începe un proces de luare a deciziilor care produce un meci din setul său de date. Impresionant, sistemele de învățare a mașinilor creează copacul decizional.
Un sistem de învățare a mașinii învață din greșelile sale prin actualizarea algoritmilor săi pentru a corecta defectele în raționamentul său. Cele mai sofisticate rețele neuronale sunt Rețele neuronale profunde . Conceptual, acestea sunt alcătuite dintr-o mare rețele neuronale stratificate unul pe altul. Acest lucru oferă sistemului capacitatea de a detecta și de a folosi chiar și modele mici în procesele sale de decizie.
Straturile sunt utilizate în mod obișnuit pentru a oferi ponderare. Așa-numitele straturi ascunse pot acționa ca straturi "specializate". Acestea oferă semnale ponderate cu privire la o singură caracteristică a subiectului de testare. Exemplul nostru de identificare a floarelor ar putea utiliza, probabil, straturi ascunse dedicate formei frunzelor, mărimii mugurilor sau lungimilor stamenilor.
Diferite tipuri de învățare
Există trei tehnici largi utilizate pentru a instrui sistemele de învățare a mașinilor: învățarea supravegheată, învățarea nesupravegheată și învățarea întăririi.
Învățarea supravegheată
Învățarea supravegheată este cea mai frecvent utilizată formă de învățare. Acest lucru nu este pentru că este în mod inerent superior față de alte tehnici. Are mai mult de-a face cu adecvarea acestui tip de învățare la seturile de date utilizate în sistemele de învățare a mașinilor care sunt scrise astăzi.
În învățarea supravegheată, datele sunt etichetate și structurate astfel încât criteriile utilizate în procesul de luare a deciziilor să fie definite pentru sistemul de învățare a mașinilor. Acesta este tipul de învățare utilizat în sistemele de învățare a mașinilor din spatele sugestiilor de playlist YouTube.
Învățarea nesupravegheată
Învățarea nesupravegheată nu necesită pregătirea datelor. Datele nu sunt etichetate. Sistemul scanează datele, detectează propriile modele și derivă propriile criterii de declanșare.
Tehnicile de învățare nesupravegheate au fost aplicate securității cibernetice cu rate ridicate de succes. Sistemele de detectare a intrusurilor îmbunătățite de învățarea mașinilor pot detecta activitatea neautorizată a rețelei de intrusul, deoarece nu se potrivește cu modelele observate anterior ale comportamentului utilizatorilor autorizați.
LEGATE DE: Cum AI, învățarea mașinii și suprapunerea securității finale
Consolidarea învățării
Învățarea întăririi este cea mai nouă dintre cele trei tehnici. Puneți pur și simplu, un algoritm de învățare din armare utilizează încercare și eroare și feedback pentru a ajunge la un model optim de comportament pentru a obține un obiectiv dat.
Acest lucru necesită feedback de la omul care "scor" eforturile sistemului în funcție de faptul dacă comportamentul său are un impact pozitiv sau negativ în atingerea obiectivului său.
Partea practică a AI
Deoarece este atât de răspândită și are demonstrabile succese din lumea reală - inclusiv succesele comerciale - învățarea mașinilor a fost numită "partea practică a inteligenței artificiale". Este o afacere mare și există multe cadre scalabile, comerciale care vă permit să încorporați învățarea mașinilor în propriile dvs. evoluții sau produse.
Dacă nu aveți nevoie imediat de acel tip de putere de incendiu, dar sunteți interesat să vă apropiați de un sistem de învățare a mașinilor cu un limbaj de programare prietenos, cum ar fi Python, există și resurse gratuite excelente pentru asta. De fapt, acestea se vor scala cu dvs. dacă dezvoltați un interes suplimentar sau o nevoie de afaceri.
Torch. este un cadru de învățare a mașinii cu sursă, cunoscut pentru viteza sa.
Scikit-Aflați este o colecție de instrumente de învățare a mașinilor, în special pentru utilizarea cu Python.
Caffe. este un cadru de învățare profundă, în special competent la procesarea imaginilor.
Keras. este un cadru de învățare profundă cu o interfață Python.
