Щоб дізнатися майстерність, ми збираємо знання, ретельно практикувати, і контролювати нашу роботу. Зрештою, ми стали краще в цій діяльності. Машинне навчання є методом, який дозволяє комп'ютерам робити саме це.
Може Комп'ютери Learn?
Визначення інтелекту є жорстким. Ми всі знаємо, що ми розуміємо під інтелектом, коли ми говоримо, але описуючи це проблематично. Залишаючи осторонь емоції і самосвідомість, робоче опис може бути можливість отримати нові навички та засвоювати знання і застосовувати їх до нових ситуацій, щоб досягти бажаного результату.
З огляду на труднощі у визначенні інтелекту, визначення штучного інтелекту НЕ буде легше. Таким чином, ми будемо обманювати трохи. Якщо обчислювальний пристрій в змозі зробити те, що, як правило, потрібно людське мислення і інтелект, ми будемо говорити, що він використовує штучний інтелект.
Наприклад, смарт-спікери подобається Amazon echo і Google Nest може почути наші мовні команди, інтерпретувати звуки, слова, витягти сенс слів, а потім спробувати виконати наше прохання. Ми могли б запитати його грати музику , відповісти на питання або тьмяне світло .
Пов'язані: Кращі жарти, ігри та пасхальні яйця для помічника Google
У всіх, крім самих тривіальних взаємодій, ваші голосові команди передаються на потужні комп'ютери в хмарах виробників, де штучний інтелект важка атлетика відбувається. Команда аналізується, значення витягується, і відповідь підготовлений і відправлений назад в смарт-динамік.
Машинне навчання лежить в основі більшості з штучного інтелекту систем, які ми взаємодіємо з. Деякі з них є елементами в вашому домі, як смарт-пристрої, і інші є частиною послуг, які ми використовуємо в Інтернеті. Відео рекомендації на YouTube і Netflix і автоматичні списки відтворення на Spotify використання машинного навчання. Пошукові системи, машинне навчання, і інтернет-магазини видах застосування машинного навчання, щоб запропонувати вам придбати пропозиції, засновані на вашому перегляду та історії покупок.
Комп'ютери можуть отримати доступ величезних масивів даних. Вони можуть невпинно повторюють процеси тисячі разів в межах простору, яке було б взяти людину, щоб виконати одну ітерацію, якщо людина може навіть примудряються зробити це один раз. Таким чином, якщо навчання вимагає знань, практики і зворотного зв'язку продуктивності, комп'ютер повинен бути ідеальним кандидатом.
Це не означає, що комп'ютер буде мати можливість дійсно думати в людському сенсі, або розуміти і сприймати, як ми робимо. Але це буде навчатися І краще з практикою. Уміло запрограмований, система машинного навчання може досягти гідного враження усвідомленого і свідомого суб'єкта.
Ми використовували, щоб запитати, «комп'ютери можуть вчитися?» Це в кінцевому підсумку перетворився в більш практичне питання. Які інженерні завдання, які ми повинні подолати, щоб дозволити комп'ютерам вчитися?
Neural Networks і Deep Neural Networks
мозок тварин містять мережі нейронів. Нейрони можуть стріляти сигнали через синапс до інших нейронів. Це крихітне дію, реплицируются мільйони разів, породжує наші розумові процеси і пам'ять. З багатьох просто цеглинок, природа створила свідомі уми і здатність до розуму і пам'ятати.
Натхненний біологічних нейронних мереж, штучні нейронні мережі були створені, щоб імітувати деякі з характеристик їх органічних аналогів. З 1940-х років, апаратне і програмне забезпечення було розроблено, які містять тисячі або мільйони вузлів. Вузли, як нейрони, приймати сигнали від інших вузлів. Вони також можуть генерувати сигнали, щоб харчуватися в інші вузли. Вузли можуть приймати вхідні сигнали від і посилати сигнали на багато вузлів відразу.
Якщо тварина приходить до висновку, що літаючі жовто-чорні комахи завжди дають неприємний жало, це дозволить уникнути всіх літаючих жовто-чорні комахи. Hoverfly скористався перевагою цього. Це жовте і чорне, як оса, але це не має жала. Тварини, які отримали заплутані з осами і дізналися болючий урок дають Hoverfly широким місце, теж. Вони бачать, що летить комахи з вражаючою колірної схеми і вирішити, що настав час відступити. Той факт, що комаха може зависати, і оса не зможе навіть не правда брати до уваги.
Пов'язані: Це те, що відбувається, коли компанії Google Штучний інтелект допомагає вам писати вірші
Важливість польоту, дзижчання, і жовто-чорні смуги переопределяет все інше. Важливість цих сигналів називається зважування цієї інформації. Штучні нейронні мережі можуть використовувати зважування, теж. Вузол не повинен враховувати всі його входи рівні. Це може сприяти деякі сигнали в порівнянні з іншими.
Машина навчання статистики використовує для пошуку шаблонів в наборах даних, які він навчений на. Набір даних може містити слова, числа, зображення, взаємодії користувачів, таких як натискання на веб-сайті, або що-небудь інше, що може бути схоплений і зберігається в цифровому вигляді. Система повинна характеризувати основні елементи запиту, а потім збігаються з моделями, які він виявив у наборі даних.
Якщо він намагається визначити квітка, він повинен знати довжину штока, розмір і стиль листа, колір і кількість пелюсток, і так далі. Насправді, це потрібно буде багато фактів більше, ніж ті, але в нашому простому прикладі ми будемо використовувати ті. Після того як система знає ці подробиці про випробувальному зразку, він починає процес прийняття рішень, який виробляє матч зі свого набору даних. Вражаюче, системи машинного навчання створюють рішення самого дерева.
Система машинного навчання вчиться на своїх помилках, оновлюючи свої алгоритми для виправлення вад його міркувань. Найскладніші нейронні мережі глибокі нейронні мережі . Концептуально, вони зроблені з дуже багатьох нейронних мереж шаруватий один поверх іншого. Це дає системі можливість виявляти і використовувати навіть крихітні моделі в її процесах прийняття рішень.
Шари зазвичай використовуються, щоб забезпечити зважування. Так звані приховані шари можуть виступати в якості «фахівця» шарів. Вони забезпечують зважені сигнали про єдину характеристиці тестованого суб'єкта. Наш приклад ідентифікації квітки може можливо використовувати приховані шари, присвячені форму листя, розмір бутонів, або тичинкові довжини.
Різні типи навчання
Є три основних методів, використовуваних для навчання системи машинного навчання: навчання з учителем, безконтрольне навчання і навчання з підкріпленням.
контрольоване навчання
Контрольоване навчання є найбільш часто використовується формою навчання. Це не тому, що за своєю природою перевершує інші методи. Вона має більше спільного з придатністю даного типу навчання в набори даних, що використовуються в системах машинного навчання, які пишуться сьогодні.
У підконтрольному навчанні, дані позначено і структурований таким чином, що критерії, які використовуються в процесі прийняття рішень визначені для системи машинного навчання. Це тип навчання, що використовуються в машинно-навчальних системах за пропозиціями плейлиста YouTube.
неконтрольоване навчання
Неконтрольоване навчання не вимагає підготовки даних. Дані не марковані. Система сканує дані, виявляє свої власні зразки, і виводить свої власні ініціюють критерії.
Неконтрольовані методи навчання були застосовані до кібербезпеки з високими показниками успіху. Охоронна система виявлення підкріпленої машинного навчання може виявити несанкціоновану мережеву активність зловмисника, оскільки він не відповідає раніше спостережуваних зразкам поведінки авторизованих користувачів.
Пов'язані: Як А.І., машинне навчання, і Endpoint Security Перекриття
армування навчання
Армування навчання є новітнім з трьох методів. Простіше кажучи, алгоритм навчання армування використовує метод проб і помилок і зворотний зв'язок, щоб прийти до оптимальної моделі поведінки для досягнення заданої мети.
Це вимагає зворотного зв'язку від людей, які «рахунок» зусилля системи відповідно до, чи має його поведінку позитивний або негативний вплив на досягнення його мети.
Практична сторона АІ
Оскільки це настільки поширене і має демонстративні реальні успіхи, включаючи комерційні успіхи-машинобудування, називається "практичною стороною штучного інтелекту". Це великий бізнес, і є багато масштабованих, комерційних структур, які дозволяють включити машину, вивчаючи свої власні розробки або продукти.
Якщо у вас немає негайної потреби для цього типу вогнетривкої потужності, але ви зацікавлені в системі машинного навчання з дружньою мовою програмування, як Python, є відмінні безкоштовні ресурси для цього. Фактично, це буде масштаб з вами, якщо ви розвиваєте додатковий інтерес або потребу в бізнесі.
Факел є основою для відкритих вихідних машин, відомих за його швидкістю.
Scikit-learn це колекція машин-навчальних інструментів, особливо для використання з Python.
Каффа - це глибока навчальна рамка, особливо компетентна при обробці зображень.
Керас це глибока навчальна рамка з інтерфейсом Python.
