Устройства, подключенные к Интернету^(Internet) , называются смарт-устройствами. Почти все, что связано с Интернетом^(Internet) , известно как интеллектуальное устройство^{(smart device)} . В этом контексте можно сказать ,^{( –)} что код, который делает устройства УМНЫМИ^{(SMARTER – )} , чтобы они могли работать с минимальным вмешательством человека или без него , основан на искусственном интеллекте^{(Artificial Intelligence)} (ИИ). Два других, а именно машинное обучение^{(Machine Learning)} (ML) и глубокое обучение^{(Deep Learning)} (DL), представляют собой различные типы алгоритмов, созданных для расширения возможностей интеллектуальных устройств. Давайте подробно рассмотрим AI, ML и DL^{(AI vs ML vs DL )} ниже, чтобы понять, что они делают и как они связаны с AI.

Что такое искусственный интеллект в отношении ML & DL

ИИ можно назвать расширенным набором процессов машинного обучения^{(Machine Learning)} (ML) и процессов глубокого обучения^{(Deep Learning)} (DL). AI обычно является общим термином, который используется для ML и DL. Глубокое обучение^{(Deep Learning)} снова является подмножеством машинного обучения^{(Machine Learning)} (см. изображение выше).

Некоторые утверждают, что машинное обучение^{(Machine Learning)} больше не является частью универсального ИИ. Они говорят, что машинное обучение — это полноценная наука сама по себе, и поэтому ее не нужно называть применительно к искусственному интеллекту^{(Artificial Intelligence)} . ИИ процветает на данных: большие данные^{(Big Data)} . Чем больше данных он потребляет, тем он точнее. Дело не в том, что он всегда будет предсказывать правильно. Будут и ложные флаги. ИИ тренируется на этих ошибках и становится лучше в том, что он должен делать — с человеческим контролем или без него.

Искусственный интеллект не может быть определен должным образом, поскольку он проник почти во все отрасли и влияет на слишком многие типы (бизнес) процессов и алгоритмов. Можно сказать, что искусственный интеллект^{(Intelligence)} основан на науке о данных^{(Data Science)} (DS: Big Data ) и содержит машинное обучение^{(Machine Learning)} как свою отдельную часть. Точно так же^(Likewise) глубокое обучение^{(Deep Learning)} является отдельной частью машинного обучения^{(Machine Learning)} .

Судя по тому, как меняется рынок ИТ, в будущем будут доминировать подключенные интеллектуальные устройства, называемые Интернетом вещей (IoT)^{(Internet of Things (IoT))} . Умные^(Smart) устройства — это искусственный интеллект: прямо или косвенно. Вы уже используете искусственный интеллект (ИИ) во многих задачах своей повседневной жизни. Например, печатать на клавиатуре смартфона, которая становится все лучше и лучше в «подсказке слов». Среди других примеров, когда вы неосознанно имеете дело с искусственным интеллектом^{(Artificial Intelligence)} , поиск вещей в Интернете^(Internet) , онлайн-покупки и, конечно же, всегда умные почтовые ящики Gmail и Outlook .

Что такое машинное обучение

Машинное обучение^(Learning) — это область искусственного интеллекта^{(Artificial Intelligence)} , цель которой — заставить машину (или компьютер, или программное обеспечение) учиться и тренироваться без особого программирования. Такие устройства требуют меньше программирования, поскольку они применяют человеческие методы для выполнения задач, включая обучение тому, как работать лучше. По сути^(Basically) , МО означает немного программировать компьютер/устройство/программное обеспечение и позволять ему учиться самостоятельно.

Существует несколько методов облегчения машинного обучения^{(Machine Learning)} . Из них широко используются следующие три:

1. под наблюдением,
2. Без присмотра и
3. Обучение с подкреплением.

Контролируемое обучение в области машинного обучения^{(Machine Learning)}

Контролируется в том смысле, что программисты сначала предоставляют машине размеченные данные и уже обработанные ответы. Здесь метки означают имена строк или столбцов в базе данных или электронной таблице. После передачи огромных наборов таких данных на компьютер он готов анализировать дальнейшие наборы данных и самостоятельно предоставлять результаты. Это означает, что вы научили компьютер анализировать передаваемые ему данные.

Обычно это подтверждается с помощью правила 80/20. Огромные^(Huge) наборы данных передаются на компьютер, который пробует и изучает логику ответов. 80 процентов данных о событии передаются на компьютер вместе с ответами. Оставшиеся 20 процентов передаются без ответов, чтобы проверить, сможет ли компьютер выдать правильные результаты. Эти 20 процентов используются для перекрестной проверки, чтобы увидеть, как компьютер (машина) обучается.

Неконтролируемое машинное обучение

Неконтролируемое обучение происходит, когда на машину подаются случайные наборы данных, которые не помечены и расположены не по порядку. Машина должна выяснить, как производить результаты. Например, если вы предлагаете ему мячи для софтбола разных цветов, он должен уметь классифицировать их по цветам. Таким образом, в будущем, когда машине будет представлен новый софтбол, она сможет идентифицировать мяч с уже имеющимися метками в своей базе данных. В этом методе нет обучающих данных. Машина должна учиться сама.

Обучение с подкреплением

В эту категорию попадают машины, способные принимать последовательность решений. Затем действует система вознаграждений. Если машина хорошо справляется со всем, чего хочет программист, она получает вознаграждение. Машина запрограммирована таким образом, что требует максимальных вознаграждений. И чтобы его получить, он решает проблемы, разрабатывая разные алгоритмы для разных случаев. Это означает, что компьютер с искусственным интеллектом использует методы проб и ошибок для получения результатов.

Например, если машина является беспилотным транспортным средством, она должна создавать свои собственные сценарии на дороге. Программист не может запрограммировать каждый шаг, поскольку он или она не может продумать все возможности, когда машина находится в пути. Вот тут и приходит на помощь обучение с подкреплением^{(Reinforcement Learning)} . Вы также можете назвать это искусственным интеллектом методом проб и ошибок.

Чем глубокое обучение отличается от машинного обучения^{(Machine Learning)}

Глубокое обучение^{(Deep Learning)} предназначено для более сложных задач. Глубокое обучение^{(Deep Learning)} является подмножеством машинного обучения^{(Machine Learning)} . Только то, что он содержит больше нейронных сетей, которые помогают машине в обучении. Искусственные^(Manmade) нейронные сети не новы. Лаборатории^(Labs) по всему миру пытаются создавать и улучшать нейронные сети, чтобы машины могли принимать обоснованные решения. Вы, должно быть, слышали о Софии^(Sophia) , гуманоиде из Саудовской Аравии^(Saudi) , которому предоставили обычное гражданство. Нейронные сети похожи на человеческий мозг, но не так сложны, как мозг.

Есть несколько хороших сетей, которые обеспечивают неконтролируемое глубокое обучение. Можно сказать, что Deep Learning — это скорее нейронные сети, имитирующие человеческий мозг. Тем не менее, при наличии достаточного количества выборочных данных алгоритмы глубокого обучения^{(Deep Learning)} можно использовать для извлечения деталей из выборочных данных. Например, с машиной DL с процессором изображений легче создавать человеческие лица с эмоциями, меняющимися в зависимости от вопросов, которые задают машине.

Вышеприведенное объясняет AI, MI и DL более простым языком. AI и ML — это обширные области, которые только открываются и имеют огромный потенциал. По этой причине некоторые люди выступают против использования машинного обучения^{(Machine Learning)} и глубокого обучения^{(Deep Learning)} в искусственном интеллекте^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices сonnected to the Internet are called smart devices. Prettу much eνerything related to thе Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS Application Powered на Machine Learning

• Факты и мифы о Artificial Intelligence

• Что глубоко Learning and Neural Network

• Best Free Artificial Intelligence software для Windows 10

• Как установить Drupal с помощью WAMP на Windows

• Как сделать Invitation Card в Windows PC

• Что такое Magnet link и как открыть Magnet link S в браузере

• Этот аккаунт не связан с ним Mixer account

• Заблокирован Plex Server and Server Settings? Вот исправление!

• Что такое Blue Whale Challenge Dare Game

• Setup Internet Radio Station бесплатно на Windows PC

• Microsoft Identity Manager: Особенности, Download

• Fix Partner не подключался к ошибке маршрутизатора в TeamViewer на Windows 10

• Как защитить пароль и защищать документы PDf с LibreOffice

• Бесплатный Task Management Software для управления совместной работой

• NASA's Eyes помогает вам исследовать Universe, как Astronauts

• Best бесплатный Secure Digital Notebook Software & Online Services

• Video Этикет конференц-связи, советы и правила, которые вам нужно следовать

• Apps OpenGL не работает на дисплее Miracast wireless в Windows 10

• Convert Magnet Ссылки на прямую ссылку Download с использованием Seedr