Để học một kỹ năng, chúng tôi thu thập kiến thức, thực hành cẩn thận và theo dõi hiệu suất của chúng tôi. Cuối cùng, chúng tôi trở nên tốt hơn tại hoạt động đó. Học máy là một kỹ thuật cho phép máy tính làm điều đó.
Máy tính có thể học không?
Xác định trí thông minh là khó khăn. Chúng ta đều biết những gì chúng ta có nghĩa là trí thông minh khi chúng ta nói nó, nhưng mô tả nó là vấn đề. Để lại cảm xúc và tự nhận thức về bản thân, một mô tả làm việc có thể là khả năng học các kỹ năng mới và hấp thụ kiến thức và áp dụng chúng cho các tình huống mới để đạt được kết quả mong muốn.
Đưa ra khó khăn trong việc xác định trí thông minh, xác định trí tuệ nhân tạo sẽ không dễ dàng hơn bất kỳ. Vì vậy, chúng tôi sẽ lừa dối một chút. Nếu một thiết bị điện toán có thể thực hiện một cái gì đó thường sẽ đòi hỏi lý do và trí thông minh của con người, chúng ta sẽ nói rằng nó đang sử dụng trí tuệ nhân tạo.
Ví dụ, loa thông minh như Amazon Echo. [số 8] và Google Nest. [số 8] Có thể nghe thấy hướng dẫn bằng tiếng nói của chúng tôi, diễn giải âm thanh như các từ, trích xuất ý nghĩa của các từ, và sau đó cố gắng thực hiện yêu cầu của chúng tôi. Chúng ta có thể yêu cầu nó chơi nhạc [số 8] Cái gì trả lời một câu hỏi [số 8] , hoặc giảm ánh sáng [số 8] .
CÓ LIÊN QUAN: Những trò đùa, trò chơi và trứng Phục sinh tốt nhất cho Trợ lý Google [số 8]
Trong tất cả nhưng các tương tác tầm thường nhất, các lệnh được nói của bạn được chuyển đến các máy tính mạnh mẽ trong các đám mây của các nhà sản xuất, nơi diễn ra nặng nề trí tuệ nhân tạo. Lệnh được phân tích cú pháp, ý nghĩa được trích xuất và phản hồi được chuẩn bị và gửi lại cho loa thông minh.
Học máy Underpin Phần lớn các hệ thống trí tuệ nhân tạo mà chúng ta tương tác với. Một số trong số này là các mục trong nhà của bạn như các thiết bị thông minh và các mục khác là một phần của các dịch vụ mà chúng tôi sử dụng trực tuyến. Video. khuyến nghị [số 8] Trên YouTube và Netflix và danh sách phát tự động trên Spotify Sử dụng Máy học. Các công cụ tìm kiếm dựa vào việc học máy, và mua sắm trực tuyến sử dụng máy học để cung cấp cho bạn các đề xuất mua hàng dựa trên lịch sử duyệt web và mua hàng của bạn.
Máy tính có thể truy cập các bộ dữ liệu khổng lồ. Họ không mệt mỏi lặp lại xử lý hàng ngàn lần trong không gian mà nó sẽ mất một con người để thực hiện một lần lặp, nếu một con người thậm chí có thể quản lý để làm điều đó một lần. Vì vậy, nếu học đòi hỏi kiến thức, thực hành và phản hồi hiệu suất, máy tính nên là ứng cử viên lý tưởng.
Điều đó không có nghĩa là máy tính sẽ có thể thực sự nghĩ theo nghĩa của con người, hoặc để hiểu và nhận thức như chúng ta làm. Nhưng nó sẽ học và tốt hơn với thực hành. Được lập trình khéo léo, một hệ thống học máy có thể đạt được ấn tượng tốt về một thực thể nhận biết và ý thức.
Chúng tôi đã từng hỏi, máy tính có thể học không? Cuối cùng đã biến thành một câu hỏi thực tế hơn. Những thách thức kỹ thuật mà chúng ta phải vượt qua để cho phép máy tính học không?
Mạng lưới thần kinh và mạng lưới thần kinh sâu
Bộ não của động vật chứa mạng tế bào thần kinh. Các tế bào thần kinh có thể bắn tín hiệu qua một khớp thần kinh cho các tế bào thần kinh khác. Hàng triệu lần nhân tạo nhỏ bé này tạo ra các quá trình và ký ức suy nghĩ của chúng ta. Trong số nhiều khối xây dựng đơn giản, thiên nhiên tạo ra những tâm trí có ý thức và khả năng lý luận và ghi nhớ.
Lấy cảm hứng từ các mạng lưới thần kinh sinh học, các mạng thần kinh nhân tạo đã được tạo ra để bắt chước một số đặc điểm của các đối tác hữu cơ của chúng. Kể từ những năm 1940, phần cứng và phần mềm đã được phát triển có chứa hàng ngàn hoặc hàng triệu nút. Các nút, như tế bào thần kinh, nhận tín hiệu từ các nút khác. Họ cũng có thể tạo tín hiệu để cung cấp vào các nút khác. Các nút có thể chấp nhận các đầu vào từ và gửi tín hiệu đến nhiều nút cùng một lúc.
Nếu một con vật kết luận rằng những con côn trùng bay vàng và đen luôn cho nó một cú sáng khó chịu, nó sẽ tránh được tất cả các loài côn trùng bay màu vàng và đen. Hoverfly tận dụng lợi thế này. Nó màu vàng và đen như một ong bắp cày, nhưng nó không có vết chích. Động vật đã bị vướng vào những con ong bắp cày và học được một bài học đau đớn cũng mang đến cho Hoverfly một bến rộng. Họ nhìn thấy một loài côn trùng bay với một bảng màu nổi bật và quyết định rằng đã đến lúc rút lui. Thực tế là côn trùng có thể di chuột và ong bắp cày không thể - thậm chí không được xem xét.
CÓ LIÊN QUAN: Đây là những gì xảy ra khi trí tuệ nhân tạo của Google giúp bạn viết những bài thơ [số 8]
Tầm quan trọng của các sọc bay, ù và đen và đen ghi đè mọi thứ khác. Tầm quan trọng của những tín hiệu đó được gọi là trọng số. của thông tin đó. Mạng lưới thần kinh nhân tạo cũng có thể sử dụng trọng số. Một nút không cần phải xem xét tất cả các đầu vào của nó bằng nhau. Nó có thể ủng hộ một số tín hiệu so với những người khác.
Học máy sử dụng số liệu thống kê để tìm các mẫu trong bộ dữ liệu mà nó được đào tạo trên. Bộ dữ liệu có thể chứa các từ, số, hình ảnh, tương tác của người dùng như nhấp chuột trên trang web hoặc bất kỳ thứ gì khác có thể được ghi lại và lưu trữ kỹ thuật số. Hệ thống cần mô tả các yếu tố thiết yếu của truy vấn và sau đó khớp với các yếu tố đó với các mẫu mà nó đã phát hiện trong bộ dữ liệu.
Nếu nó đang cố gắng xác định một bông hoa, nó sẽ cần biết chiều dài thân cây, kích thước và kiểu dáng của lá, màu sắc và số lượng cánh hoa, v.v. Trong thực tế, nó sẽ cần nhiều sự thật hơn so với những người, nhưng trong ví dụ đơn giản của chúng tôi, chúng tôi sẽ sử dụng những thứ đó. Khi hệ thống biết những chi tiết đó về mẫu thử, nó bắt đầu một quy trình ra quyết định tạo ra trận đấu từ bộ dữ liệu của nó. Ấn tượng, hệ thống máy học tạo ra bản thân cây quyết định.
Một hệ thống học máy học cách học từ những sai lầm của mình bằng cách cập nhật các thuật toán của nó để sửa lỗi sai sót trong lý luận của nó. Các mạng lưới thần kinh tinh vi nhất là Mạng lưới thần kinh sâu . Về mặt khái niệm, những thứ này được tạo thành từ nhiều mạng lưới thần kinh tuyệt vời xếp chồng lên nhau. Điều này mang đến cho hệ thống khả năng phát hiện và sử dụng các mô hình nhỏ bé trong các quy trình quyết định của nó.
Các lớp thường được sử dụng để cung cấp trọng số. Cái gọi là lớp ẩn có thể hoạt động như các lớp "chuyên gia". Chúng cung cấp các tín hiệu có trọng số về một đặc điểm duy nhất của đối tượng thử nghiệm. Ví dụ nhận dạng hoa của chúng tôi có thể sử dụng các lớp ẩn dành riêng cho hình dạng của lá, kích thước của chồi hoặc độ dài nhị hoa.
Các loại học tập khác nhau
Có ba kỹ thuật rộng được sử dụng để đào tạo các hệ thống học máy: học tập có giám sát, học tập không giám sát và học tập củng cố.
Học tập giám sát
Học tập được giám sát là hình thức học tập được sử dụng thường xuyên nhất. Đó không phải là vì nó vốn đã vượt trội so với các kỹ thuật khác. Nó có nhiều việc phải làm với sự phù hợp của loại hình học tập này đối với các bộ dữ liệu được sử dụng trong các hệ thống học máy đang được viết ngày hôm nay.
Trong học tập được giám sát, dữ liệu được dán nhãn và có cấu trúc sao cho các tiêu chí được sử dụng trong quy trình ra quyết định được xác định cho hệ thống máy học máy. Đây là loại hình học tập được sử dụng trong các hệ thống học máy đằng sau các đề xuất danh sách phát Youtube.
Học không giám sát
Học tập không giám sát không yêu cầu chuẩn bị dữ liệu. Dữ liệu không được dán nhãn. Hệ thống quét dữ liệu, phát hiện các mẫu riêng của mình và xuất phát các tiêu chí kích hoạt riêng.
Các kỹ thuật học tập không giám sát đã được áp dụng cho an ninh mạng với tỷ lệ thành công cao. Các hệ thống phát hiện xâm nhập được tăng cường bằng cách học máy có thể phát hiện hoạt động mạng trái phép của kẻ xâm nhập vì nó không khớp với các mô hình hành vi được chấp nhận trước đó của người dùng được ủy quyền.
CÓ LIÊN QUAN: Làm thế nào AI, học máy và bảo mật điểm cuối chồng chéo [số 8]
Học tăng cường
Tăng cường học tập là mới nhất trong ba kỹ thuật. Nói một cách đơn giản, một thuật toán học tập cốt thép sử dụng thử nghiệm và lỗi và phản hồi để đến một mô hình hành vi tối ưu để đạt được một mục tiêu nhất định.
Điều này đòi hỏi phản hồi từ những người "ghi điểm" những nỗ lực của hệ thống theo liệu hành vi của nó có tác động tích cực hoặc tiêu cực trong việc đạt được mục tiêu của nó.
Phía thực tế của ai
Bởi vì nó rất phổ biến và có những thành công trong thế giới thực thể chứng minh bao gồm cả thành công thương mại-máy học máy đã được gọi là "khía cạnh thực tế của trí tuệ nhân tạo". Đó là doanh nghiệp lớn, và có nhiều khung công tác thương mại, có thể mở rộng cho phép bạn kết hợp việc học máy vào sự phát triển hoặc sản phẩm của riêng bạn.
Nếu bạn không có nhu cầu ngay lập tức về loại sức mạnh hỏa hoạn đó nhưng bạn quan tâm đến việc chọc xung quanh một hệ thống học máy với một ngôn ngữ lập trình thân thiện như Python, có những nguồn tài nguyên miễn phí tuyệt vời cho điều đó. Trên thực tế, những thứ này sẽ mở rộng quy mô với bạn nếu bạn phát triển một sự quan tâm hơn hoặc một nhu cầu kinh doanh.
Đèn pin [số 8] là một khung máy học máy nguồn mở được biết đến với tốc độ của nó.
Scikit-Learn. [số 8] là một tập hợp các công cụ học máy, đặc biệt là để sử dụng với Python.
Caffe. [số 8] là một khung học tập sâu, đặc biệt có thẩm quyền trong việc xử lý hình ảnh.
Keras. [số 8] là một khung học tập sâu với giao diện Python.
