Bir beceriyi öğrenmek için bilgi toplarız, dikkatlice uygulayın ve performansımızı izleriz. Sonunda, bu faaliyette daha iyi oluruz. Makine öğrenmesi, bilgisayarların bunu yapmalarını sağlayan bir tekniktir.
Bilgisayarlar öğrenebilir mi?
İstihbarat tanımlamak zordur. Hepimiz ne demek istediğimizi biliyoruz, söylerken, ancak bunu açıklayan. Duygu ve öz-farkındalığı bir kenara bırakmak, bir çalışma açıklaması, yeni becerileri öğrenme ve bilgiyi absorbe etme ve istenen sonucu elde etmek için onları yeni durumlara uygulamak için yeteneği olabilir.
Zekayı tanımlamadaki zorluk göz önüne alındığında, yapay zekanın tanımlanması daha kolay olmayacak. Öyleyse, biraz hile yapacağız. Bir hesaplama cihazı genellikle insan akıl yürütme ve zekayı gerektiren bir şeyi yapabiliyorsa, yapay zeka kullandığını söyleyeceğiz.
Örneğin, akıllı hoparlörler gibi Amazon Echo ve Google yuvası Sözlü talimatlarımızı duyabilir, sesleri kelimeler olarak yorumlayabilir, kelimelerin anlamını çıkarın ve ardından isteğimizi yerine getirmeye çalışın. Bunu soruyor olabiliriz müzik çal , Bir soruyu cevapla , veya ışıkları loş .
İLGİLİ: Google Assistant için en iyi şakalar, oyunlar ve Paskalya yumurtaları
En önemsiz etkileşimlerin hepsinde, konuşulan komutlarınız, yapay zekanın ağır kaldırılmasının gerçekleştiği üreticilerin bulutlarında güçlü bilgisayarlara aktarılmaktadır. Komut ayrıştırılır, anlam elde edilir ve cevap hazırlanır ve akıllı hoparlöre geri gönderilir.
Makine öğrenimi, etkileşime girdiğimiz yapay zeka sistemlerinin çoğunluğunu desteklemektedir. Bunlardan bazıları evinizdeki akıllı cihazlar gibi eşyalardır ve diğerleri çevrimiçi kullandığımız hizmetlerin bir parçasıdır. Video öneriler Youtube ve Netflix'te ve Spotify'deki otomatik çalma listelerinde makine öğrenmesini kullanır. Arama motorları makine öğrenmeye dayanır ve çevrimiçi alışveriş, tarama ve satın alma geçmişinize göre size satın alma önerileri sunmak için makine öğrenmesini kullanır.
Bilgisayarlar muazzam veri kümelerine erişebilir. Bir insan bile bir kez yapmayı başarabilseydi, bir insanın bir kez yapmayı başarabilmesi için bir insanın bir yineleme yapması için binlerce kez süreçleri yorulmazlar. Bu nedenle, eğer öğrenme bilgi, uygulama ve performans geribildirimi gerektiriyorsa, bilgisayar ideal aday olmalıdır.
Bu bilgisayarın gerçekten yapabileceğini söylemesi değil düşünmek İnsan anlamında ya da yaptığımız gibi anlamak ve algılamak. Fakat olacak öğrenmek ve pratikte daha iyi olsun. Ustaca programlanmış, bir makine öğrenme sistemi, bilinçli ve bilinçli bir varlık hakkında iyi bir izlenim sağlayabilir.
"Bilgisayarlar öğrenebilir mi?" Diye sorardık. Sonunda daha pratik bir soruya dönüştü. Bilgisayarların öğrenmelerine izin vermek için üstesinden gelinmemiz gereken mühendislik zorlukları nelerdir?
Sinir ağları ve derin nöral ağlar
Hayvanlar beyni nöron ağları içerir. Nöronlar, bir sinaps boyunca sinyalleri diğer nöronlara yanıyor. Bu minik aksiyon-çoğaltılmış milyonlarca kez - düşünce süreçlerimize ve anılarımıza yol açar. Birçok basit yapı taşından, doğa bilinçli zihinler ve nedensellik ve hatırlama yeteneği yarattı.
Biyolojik sinir ağlarından ilham alan, organik meslektaşlarının bazı özelliklerinin bir kısmını taklit etmek için yapay sinir ağları oluşturulmuştur. 1940'lardan bu yana, binlerce veya milyonlarca düğüm içeren donanım ve yazılım geliştirildi. Nöronlar gibi düğümler, diğer düğümlerden sinyal alırlar. Ayrıca diğer düğümlere beslenecek sinyaller üretebilirler. Düğümler girdileri kabul edebilir ve bir kerede birçok düğüme sinyal gönderebilir.
Bir hayvan, sarı ve kara böcekler uçan her zaman kötü bir acı verirse, tüm sarı ve kara böceklerden kaçınacaktır. Hoverfly bundan yararlanıyor. Bir eşekarısı gibi sarı ve siyah, ama acı yok. Eşekarısı ile karışık ve acı verici bir ders öğrenmiş olan hayvanlar, Hoverfly'e de geniş bir rıhtım verdi. Çarpıcı bir renk şeması ile uçan bir böcek görürler ve geri çekilme zamanı olduğuna karar verirler. Böceklerin vurgulayabileceği ve eşekarısı olamaz.
İLGİLİ: Google'ın yapay zekası şiir yazmanıza yardımcı olduğunda budur.
Uçan, vızıltı ve sarı-ve-siyah çizgilerin önemi, her şeyi geçersiz kılar. Bu sinyallerin önemi denir. ağırlık bu bilginin. Yapay sinir ağları da ağırlıkça kullanabilir. Bir düğümün tüm girdilerinin eşit olduğunu düşünmesi gerekmez. Başkaları üzerinde bazı sinyalleri destekleyebilir.
Makine öğrenmesi, üzerinde eğitim aldığı veri kümelerinde kalıpları bulmak için istatistikleri kullanır. Bir veri kümesi, bir web sitesindeki tıklamalar gibi kelimeler, sayılar, görüntüler, kullanıcı etkileşimleri veya sayısal olarak yakalanabilecek ve saklanabilecek herhangi bir şey içerebilir. Sistemin, sorgunun temel unsurlarını karakterize etmesi ve ardından dataset'te algılandığı kalıplara eşleşmesi gerekir.
Bir çiçeği tanımlamaya çalışıyorsa, kök uzunluğunu, yaprağın boyutunu ve tarzını, rengini ve yaprakların ve benzeri şekilde bilmesi gerekir. Gerçekte, bunlardan daha birçok gerçeğe ihtiyaç duyacaktır, ancak basit örneğimizde bunları kullanacağız. Sistem, test numunesi hakkında bu ayrıntıları bildikten sonra, veri kümesinden bir eşleşme üreten bir karar alma işlemi başlatır. Etkileyici, makine öğrenme sistemleri karar ağacını kendileri yaratır.
Bir makine öğrenme sistemi, algoritmalarını akıl yürütmesinde düzeltmek için güncelleyerek hatalarından öğrenir. En sofistike sinir ağları Derin sinir ağları . Kavramsal olarak, bunlar bir diğerinin üstüne katmanlı birçok sinir ağından oluşur. Bu, sisteme karar sürecinde küçük desenleri bile tespit etme ve kullanma becerisi verir.
Katmanlar genellikle ağırlık sağlamak için kullanılır. Sözde gizli katmanlar "uzman" katmanları olarak hareket edebilir. Test konusunun tek bir özelliği hakkında ağırlıklı sinyaller sunarlar. Çiçek kimlik örneğimiz, belki de yaprakların şekline, tomurcukların boyutuna veya eriyik uzunluklarına adanmış gizli katmanları kullanabilir.
Farklı öğrenme türleri
Makine öğrenme sistemlerini eğitmek için kullanılan üç geniş teknik vardır: denetimli öğrenme, denetimsiz öğrenme ve güçlendirme öğrenimi.
Denetimli Öğrenme
Denetimli öğrenme en sık kullanılan öğrenme şeklidir. Çünkü bu, doğal olarak diğer tekniklerden daha üstündür. Bu tür bir öğrenme türünün, bugün yazılı olan makine öğrenme sistemlerinde kullanılan veri maddelerine uygunluğu ile daha fazlasına sahiptir.
Denetimli öğrenimde, veri, karar alma işleminde kullanılan kriterlerin makine öğrenme sistemi için tanımlandığı için etiketlenir ve yapılandırılmıştır. Bu, YouTube çalma listesi önerilerinin arkasındaki makine öğrenme sistemlerinde kullanılan öğrenme türüdür.
Denetimsiz Öğrenme
Denetimsiz öğrenme, veri hazırlığı gerektirmez. Veriler etiketlenmez. Sistem verileri tarar, kendi kalıplarını tespit eder ve kendi tetikleme kriterlerini türetir.
Denetimsiz öğrenme teknikleri, yüksek başarı oranlarına sahip siber güvenliğine uygulanmıştır. Makine öğrenimi tarafından geliştirilen davetsiz misafir algılama sistemleri, bir davetsiz misafirin yetkisiz ağ aktivitesini tespit edebilir, çünkü yetkili kullanıcıların önceden gözlemlenen davranış kalıpları ile eşleşmiyor.
İLGİLİ: Nasıl AI, Makine Öğrenimi ve Endpoint Güvenlik Örtüşmesi
Güçlendirme öğrenimi
Güçlendirme öğrenimi, üç tekniğin en yenisidir. Basitçe söylemek gerekirse, bir takviye öğrenme algoritması, belirli bir hedefe ulaşmak için en uygun davranış modeline ulaşmak için deneme ve hata ve geri bildirim kullanır.
Bu, sistemin davranışlarının hedefine ulaşmada olumlu ya da olumsuz bir etkiye sahip olup olmadığına göre "puan" olan insanlardan gelen görüşler gerektirir.
AI'nin pratik tarafı
Çünkü bu kadar yaygın olduğu ve gerçek dünyadaki gerçek dünyadaki başarılara sahip, "yapay zekanın pratik tarafı" olarak adlandırılmıştır. Büyük işletme ve makine öğrenmesini kendi gelişmelerine veya ürünlerine dahil etmenize izin veren birçok ölçeklenebilir, ticari çerçeve var.
Bu tür bir yangın gücü için acil bir ihtiyacınız yoksa, ancak Python gibi dostça bir programlama dili ile bir makine öğrenme sisteminin etrafında alay etmekle ilgileniyorsanız, bunun için de mükemmel ücretsiz kaynaklar vardır. Aslında, bir ilgi ya da iş ihtiyacı geliştirirseniz bunlar sizinle ölçeklendirecektir.
Meşale hızı ile bilinen açık kaynaklı bir makine öğrenme çerçevesidir.
Scikit-öğrenmek Özellikle Python ile kullanım için bir makine öğrenme araçları koleksiyonudur.
Caffe Derin öğrenen bir çerçeve, özellikle görüntüleri işleme konusunda yetkindir.
Keras Python arayüzü olan derin öğrenen bir çerçevedir.
