Искусственный интеллект, машинное обучение, глубокое обучение, наука о данных набирают все большую популярность в наше время. Чтобы еще больше в этом разобраться посмотрим на картинку ниже.
Что такое искусственный интеллект?
Люди давно были одержимы созданием ИИ с тех пор, как Алан Тьюринг задал вопрос «Могут ли машины думать?» В 1950 году. ИИ позволяет машине думать, то есть без какого-либо вмешательства человека она сможет действовать самостоятельно. решение. Это широкая область компьютерных наук, которая делает машины похожими на человеческий интеллект. Таким образом, это не только программирование компьютера для управления автомобилем с помощью светофоров, но и в то время, когда эта программа также учится демонстрировать признаки человеческой ярости на дороге.
Типы систем искусственного интеллекта
Системы ИИ классифицируются по их способности имитировать поведение человека, аппаратному обеспечению, которое они используют для этого, их приложениям в реальном мире и теории мышления. Используя эти функции для сравнения, все системы искусственного интеллекта фактического и гипотетического делятся на один из трех типов:
АНИ: искусственный узкий интеллект
Искусственный узкий интеллект также известен как слабый ИИ, и это единственный тип ИИ, который существует в нашем мире сегодня. Узкий ИИ ориентирован на достижение цели и запрограммирован на выполнение одной задачи, и он очень умен для выполнения конкретной задачи, для которой он запрограммирован. Примерами ANI являются Siri, автопилот в самолете, чат-боты, автомобили с автоматическим управлением и т. Д.
Узкие системы ИИ не являются сознательными, чувствительными или движимыми эмоциями, как люди, они используют информацию из определенного набора данных и не выполняют никаких задач, выходящих за рамки одной задачи, для которой они предназначены.
AGI: искусственный интеллект
Искусственный общий интеллект, также называемый сильным ИИ, - это концепция, в которой машины демонстрируют человеческий интеллект. При этом машины имеют способность учиться, понимать и действовать таким образом, который неотличим от человека в данной ситуации. Общий ИИ в настоящее время не существует, но он использовался во многих научно-фантастических голливудских фильмах, в которых люди взаимодействуют с машинами, которые являются сознательными, движимыми эмоциями и самосознанием.
Используя сильный ИИ, мы можем создавать машины, которые могут мыслить, разрабатывать стратегии и выполнять множество задач в неопределенных условиях. Они могут интегрировать свои предыдущие знания в процесс принятия решений, чтобы предложить инновационные, творческие и нестандартные решения.
ASI: искусственный супер интеллект
Я уверен, что вы помните «Терминатор» Арнольда Шварценеггера, где машинное знание превосходило человеческий интеллект во всех аспектах. Искусственный супер-интеллект - это гипотетический ИИ, где машины будут способны демонстрировать интеллект, превосходящий интеллект самых ярких людей. В этом типе ИИ, помимо многогранного интеллекта людей, у машин будет больше возможностей для решения проблем и принятия решений, которые будут намного выше, чем у людей. Это тип ИИ, который окажет большое влияние на человечество и может привести к вымиранию человеческой расы на планете.
Что такое машинное обучение?
Машинное обучение - это подмножество искусственного интеллекта, которое использует статистические алгоритмы обучения для создания систем, которые могут автоматически обучаться и совершенствоваться на основе опыта без явного программирования.
Большинство из нас используют машинное обучение в нашей повседневной жизни, когда мы используем такие службы, как системы рекомендаций на Netflix, Youtube, Spotify; поисковые системы, такие как Google и Yahoo; Голосовые помощники, как Google Home и Амазонка Алекса. В Машинном обучении мы обучаем алгоритм, предоставляя ему много данных и позволяя ему узнать больше об обработанной информации.
Алгоритмы ML в целом можно разделить на три категории: контролируемое, неконтролируемое и усиленное обучение.
Контролируемое обучение
В контролируемом обучении у нас есть входные переменные (x) и выходная переменная (Y), и мы используем алгоритм для изучения отображения от входа к выходу. Другими словами, контролируемый алгоритм обучения использует известный набор входных данных и его известные ответы на данные (выходные данные) для изучения модели регрессии / классификации. Затем алгоритм обучения обучает модель генерировать прогноз для ответа на новые данные или наборы тестовых данных.
Обучение без учителя
Обучение без учителя используется, когда у нас нет помеченных данных. Его основная задача - узнать больше о данных, выводя шаблоны из набора данных без ссылки на известные результаты. Это называется неконтролируемым, потому что алгоритмы оставлены в покое, чтобы сгруппировать несортированную информацию путем нахождения сходства, различий и закономерностей в данных. Обучение без присмотра в основном выполняется как часть исследовательского анализа данных. Он чаще всего используется для поиска кластеров данных и уменьшения размерности.
Усиление обучения
Проще говоря, обучение с подкреплением можно объяснить как обучение, постоянно взаимодействуя с окружающей средой. Это тип алгоритма машинного обучения, в котором агент обучается в интерактивной среде методом проб и ошибок, постоянно используя обратную связь от своих предыдущих действий и опыта. Обучение подкрепления использует награды и наказания, агенты получают награды за выполнение правильных действий и штрафы за неправильное выполнение.
Что такое глубокое обучение?
Глубокое обучение - это техника машинного обучения, вдохновленная тем, как человеческий мозг фильтрует информацию, в основном это обучение на примерах. Это помогает компьютерной модели фильтровать входные данные по слоям для прогнозирования и классификации информации. Поскольку глубокое обучение обрабатывает информацию аналогично человеческому мозгу, она в основном используется в приложениях, которые обычно делают люди. Это ключевая технология автомобилей без водителя, которая позволяет им распознавать знак остановки и различать пешеходный и фонарный столб. Большинство методов глубокого обучения используют архитектуры нейронных сетей, поэтому их часто называют глубокими нейронными сетями.
Глубокое обучение в основном подражает человеческому мозгу, его также можно определить как архитектуру мультинейронных сетей, содержащую большое количество параметров и слоев. Три основных сетевых архитектуры перечислены ниже:
Сверточные нейронные сети
Сверточная нейронная сеть - это, по сути, искусственная нейронная сеть, которая наиболее широко используется в области компьютерного зрения для анализа и классификации изображений. Это алгоритм глубокого обучения, который берет входное изображение и назначает веса / смещения различным аспектам или объектам в изображении, чтобы он мог отличить одно от другого. Скрытые слои CNN обычно состоят из сверточных слоев, объединенных слоев, полностью связанных слоев и слоев нормализации. Архитектура ConvNet аналогична архитектуре связности нейронов в человеческом мозге и была вдохновлена организацией визуальной коры.
Рекуррентные нейронные сети
Рекуррентные нейронные сети - это тип архитектуры нейронных сетей, который используется в задачах прогнозирования последовательности и широко используется в области обработки естественного языка. RNN называются рекуррентными, поскольку они выполняют одну и ту же задачу для каждого элемента последовательности, а выходные данные зависят от предыдущих вычислений. Другой способ думать о RNN - это то, что у них есть «память», которая фиксирует информацию о том, что было рассчитано до сих пор.
Чтобы узнать больше о RNN, пожалуйста, обратитесь к этой статье
http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/
Рекурсивные нейронные сети
« Рекурсивная нейронная сеть является своим родом глубокой нейронной сети , созданной путем применения один и тем же набора весов рекурсивны через структурированный вход, для получения структурированного предсказания над переменным размером входных структурами, или предсказания скалярного на нем, путем обхода данной структуры в топологическом порядке . » [9]
Рекурсивная нейронная сеть больше похожа на иерархическую сеть, где действительно нет временного аспекта входной последовательности, но вход должен обрабатываться иерархически в виде дерева. Вот пример того, как выглядит рекурсивная нейронная сеть. Он показывает способ изучения дерева разбора предложения путем рекурсивного получения вывода операции, выполненной над меньшим фрагментом текста.
Скриншот из PyTorch - Рекурсивные нейронные сети - Tutorialspoint