AI срещу машинно обучение срещу задълбочено обучение: Каква е разликата? Байт Академия

AI срещу машинно обучение срещу задълбочено обучение: Каква е разликата?

Понеделник, 17 април 2017 г.

Когато AlphaGo на Deepmind спечели 4 от 5 мача срещу тогавашния шампион Go Go Lee Se-dol, целият свят забеляза. Създаден като триумф за изкуствения интелект, този момент беше важна стъпка към превръщането на усъвършенствани машини с AI в реалност.

Това беше и когато думите Deep Learning и Machine Learning влязоха в публичния лексикон, като медиите използваха тези термини взаимозаменяемо, за да обяснят как AlphaGo се конкурира срещу човешкия разум.

Макар и тясно свързани, тези термини означават различни неща. И в този ден и възраст, когато технологиите имат голямо влияние върху това как живеем живота си, е важно да знаем разликата между тези термини.

Тази статия ще ви помогне да направите точно това.

Подхода
 Най-добрият начин за разбиране на тези термини е запознаване с връзката между тях. AI, машинното обучение и дълбокото обучение са като онези руски комплекти за кукли - AI е най-широката концепция и следователно най-голямата кукла в комплекта, машинното обучение идва на второ място и дълбокото обучение може да бъде намерено в това.

AI, машинно обучение и дълбоко обучение са като онези руски комплекти за кукли ... Щракнете, за да щракнете

Ще започнем разбирането си с първата кукла, Изкуствен интелект.

Изкуствен интелект (AI)
 Изкуственият интелект като концепция е част от нашето обществено въображение от векове, от гръцки митове за механични мъже, предназначени да имитират човешкото поведение, до по-новата поредица на Terminator за свръх интелигентните кибернетични организми, които пътуват назад във времето, за да унищожат / спасят човечеството , Това е теорията и развитието на компютърните системи, способни да изпълняват задачи, които обикновено изискват човешка интелигентност, като визуално възприятие, разпознаване на реч, вземане на решения и превод между езици.

Концепцията за AI, популяризирана от Холивуд и Sci-Fi, е известна като „General AI“ - мощни машини, които могат да надминат хората във всички области.

Въпреки това, AlphaGo и повечето други случаи на AI в днешния свят принадлежат към категорията „Тесен AI“, където тези машини са създадени да възпроизвеждат или подобряват човешкото поведение в една конкретна задача.

Популярността на AI нараства през последните няколко години, благодарение на лесния достъп до паралелни изчисления чрез графичния процесор и движението на Big Data, предоставящо данни от всякакъв вид, като по този начин помага да се проучи всяка дълбочина на възможностите в тази област.

Но как едно поле, което изморяваше вниманието и напредъка до 2012 г., го направи толкова голямо? Този въпрос ни води до машинно обучение - областта на компютърните науки, която направи това развитие възможно.

Машинно обучение

Машинното обучение като концепция предполага способността на машината да се учи сама, от предоставените данни. Макар че обикновено програмираме машини, за да следват инструкциите според нашите изисквания, в машинното обучение използваме алгоритми, които систематично анализират данните и научават поведението от само себе си, без да са изрично програмирани да го правят.

Но как AI, който изморяваше вниманието и напредъка до 2012 г., го направи толкова голям ... Click To Tweet

Най-добрият пример за това би било класифицирането на имейлите в различни филтри, като идентифицирането дали имейл принадлежи към спам или не, се извършва чрез алгоритми за машинно обучение.

Машинното обучение е концептуализирано от ранната тълпа от AI и оттогава натрупа много техники като обучение по дърво за вземане на решения, наивен класификатор на Bayes и поддържащи векторни машини. Той се използва широко в областта на компютърното зрение, където целта е да помогне на компютъра да идентифицира различни обекти в изображението.

Първоначално това поле беше оградено с неуспех - изискваше много кодиране на ръце, време за обработка и все още не беше в състояние да съвмести резултатите според човешките стандарти. С времето и усъвършенстването на технологичната инфраструктура, техниките са станали изключително мощни, но има едно подполе, което е помогнало за напредването на машинното обучение до степен, че Computer Vision се използва успешно от харесването на Facebook за идентифициране на обекти в картина и от Uber , Apple и харесва да правят шофьори по-малко автомобили.

А техниката? За това е задълбоченото обучение.

Дълбоко учене

Дълбокото обучение е подполе на Машинното обучение, което използва техниката на изкуствените невронни мрежи. Той е вдъхновен от човешката биология - точно както мозъкът ни се състои от мрежа от неврони, които изстрелват сигнали и предават информация, алгоритъмът създава подобна настройка в машина, с единствената разлика е, че докато биологичните неврони могат свободно да се свързват помежду си, изкуствени неврални мрежите имат дискретни слоеве и връзки и следват предварително определена посока.

По същество Deep Learning включва захранване на компютърната система с много данни, които систематично анализира чрез класифициране на данни чрез двоични верни или неверни въпроси или извличане на числова стойност. Тази информация се съхранява под формата на невронни мрежи, които след това се използват за класифициране на всякаква форма на данни - аудио, видео, реч и др. Макар и изчислително обширна, тази техника ни дава отличен резултат и сега се използва за широк спектър от проблеми като като навигиращ шофьор с по-малко автомобили, оцветяване на черно-бели изображения, предоставяне на медицинска диагноза, наред с други.

В заключение е лесно да се мисли за тези понятия като концентрични кръгове. AI е широката цел, бъдещето, което вече се реализира днес. Машинното обучение е най-обещаващият подход за превръщането на това бъдеще в реалност. А дълбокото обучение е най-мощната техника за машинно обучение за осъществяването му.

За по-задълбочено разбиране на тези понятия, разгледайте нашите курсове за научни данни.

Първоначално публикуван в byteacademy.co на 17 април 2017 г.