Kas yra dirbtinis intelektas?
AI (dirbtinis intelektas) yra informatikos šaka, kurioje mašinos yra užprogramuotos ir joms suteikiamas kognityvinis sugebėjimas mąstyti ir imituoti veiksmus, pavyzdžiui, žmones ir gyvūnus. Dirbtinio intelekto etalonas yra žmogaus intelektas, susijęs su samprotavimais, kalba, mokymusi, vizija ir problemų sprendimu, o tai toli gražu nėra ateityje.
Dirbtinis intelektas turi tris skirtingus lygius:
- Siauras AI : sakoma, kad dirbtinis intelektas yra siauras, kai mašina gali atlikti konkrečią užduotį geriau nei žmogus. Dabartiniai dirbtinio intelekto tyrimai yra čia
- Bendrasis intelektas : dirbtinis intelektas pasiekia bendrą būseną, kai jis gali atlikti bet kurią intelektinę užduotį tokiu pat tikslumo lygiu, kaip tai darytų žmogus
- Aktyvus dirbtinis intelektas : dirbtinis intelektas yra aktyvus, kai gali įveikti žmones atlikdamas daugybę užduočių
Ankstyvosiose dirbtinio intelekto sistemose buvo naudojamos modelių derinimo ir ekspertų sistemos.
Šioje pamokoje sužinosite
- Kas yra dirbtinis intelektas?
- Kas yra ML?
- Kas yra gilus mokymasis?
- Mašinų mokymosi procesas
- Gilus mokymosi procesas
- Automatizuokite funkcijų ištraukimą naudodami DL
- Skirtumas tarp mašininio mokymosi ir gilaus mokymosi
- Kada naudoti ML ar DL?
Kas yra ML?
ML (mašininis mokymasis) yra dirbtinio intelekto rūšis, kai kompiuteris yra mokomas automatizuoti užduotis, kurios yra neišsamios ar neįmanomos žmonėms. Tai geriausias įrankis analizuoti, suprasti ir identifikuoti duomenų modelius, pagrįstus kompiuterinių algoritmų tyrimu. Mašininis mokymasis gali priimti sprendimus su minimaliu žmogaus įsikišimu.
Lyginant dirbtinį intelektą ir mašininį mokymąsi, mašininis mokymasis naudoja duomenis algoritmui, kuris gali suprasti įvesties ir išvesties santykį, tiekti. Kai mašina baigia mokymąsi, ji gali nuspėti naujo duomenų taško vertę arba klasę.
Kas yra gilus mokymasis?
Gilus mokymasis yra kompiuterinė programinė įranga, imituojanti smegenų neuronų tinklą. Tai yra mašininio mokymosi pogrupis ir vadinamas giliuoju mokymusi, nes jis naudoja gilius nervinius tinklus. Įrenginys naudoja skirtingus sluoksnius, kad galėtų mokytis iš duomenų. Modelio gylį atspindi sluoksnių skaičius modelyje. Gilus mokymasis yra nauja pažanga dirbtinio intelekto prasme. Giliai mokantis, mokymosi etapas atliekamas per neuroninį tinklą. Neuroninis tinklas yra architektūra, kai sluoksniai yra sukrauti vienas ant kito
Mašinų mokymosi procesas
Įsivaizduokite, kad jūs turite sukurti programą, kuri atpažįsta objektus. Norėdami mokyti modelį, naudosite klasifikatorių . Klasifikatorius naudoja objekto ypatybes bandydamas nustatyti klasę, kuriai jis priklauso.
Šiame pavyzdyje klasifikatorius bus išmokytas nustatyti, ar vaizdas yra:
- Dviratis
- Valtis
- Automobilis
- Lėktuvas
Keturi aukščiau nurodyti objektai yra klasė, kurią klasifikatorius turi atpažinti. Norėdami sukurti klasifikatorių, turite turėti kai kuriuos duomenis kaip įvestį ir priskirti jiems etiketę. Algoritmas paims šiuos duomenis, suras modelį ir tada suklasifikuos jį į atitinkamą klasę.
Ši užduotis vadinama prižiūrimu mokymu. Prižiūrint mokymąsi, į algoritmą įvedamus mokymo duomenis sudaro etiketė.
Mokant algoritmą reikia atlikti kelis standartinius veiksmus:
- Surinkite duomenis
- Mokykite klasifikatorių
- Padarykite prognozes
Pirmas žingsnis yra būtinas, pasirinkus tinkamus duomenis, algoritmas bus sėkmingas arba nesėkmingas. Duomenys, kuriuos pasirenkate mokyti modelį, vadinami funkcija. Objekto pavyzdyje funkcijos yra vaizdų pikseliai.
Kiekvienas vaizdas yra duomenų eilutė, o kiekvienas taškas yra stulpelis. Jei jūsų vaizdas yra 28x28 dydžio, duomenų rinkinyje yra 784 stulpeliai (28x28). Žemiau esančiame paveikslėlyje kiekviena nuotrauka buvo transformuota į ypatybių vektorių. Etiketė nurodo kompiuteriui, koks objektas yra paveikslėlyje.
Tikslas yra naudoti šiuos mokymo duomenis klasifikuojant objekto tipą. Pirmiausia reikia sukurti funkcijų stulpelius. Tada antrasis žingsnis apima algoritmo pasirinkimą modelio mokymui. Kai bus atliktas mokymas, modelis nuspės, koks paveikslas atitinka kokį daiktą.
Po to lengva naudoti modelį, norint numatyti naujus vaizdus. Kiekvienam naujam vaizdui, kuris tiekiamas į modelį, mašina nuspės klasę, kuriai ji priklauso. Pavyzdžiui, per modelį eina visiškai naujas vaizdas be etiketės. Žmogui yra nereikšminga vizualizuoti vaizdą kaip automobilį. Mašina naudoja ankstesnes žinias, kad numatytų ir automobilio vaizdą.
Gilus mokymosi procesas
Giliai mokantis, mokymosi etapas atliekamas per neuroninį tinklą. Neuroninis tinklas yra architektūra, kai sluoksniai yra sukrauti vienas ant kito.
Apsvarstykite tą patį aukščiau pateiktą vaizdo pavyzdį. Treniruočių komplektas būtų tiekiamas į neuronų tinklą
Kiekvienas įėjimas patenka į neuroną ir padauginamas iš svorio. Daugybos rezultatas patenka į kitą sluoksnį ir tampa įvestimi. Šis procesas kartojamas kiekvienam tinklo sluoksniui. Galutinis sluoksnis pavadintas išvesties sluoksniu; jis pateikia faktinę regresijos užduoties vertę ir kiekvienos klasės tikimybę klasifikavimo užduočiai. Neuronų tinklas naudoja matematinį algoritmą, kad atnaujintų visų neuronų svorį. Neuroninis tinklas yra visiškai išlavintas, kai svorio reikšmė suteikia tikrovei artimą rezultatą. Pavyzdžiui, gerai apmokytas neuroninis tinklas gali atpažinti paveikslėlyje esantį objektą tiksliau nei tradicinis neuroninis tinklas.
Automatizuokite funkcijų ištraukimą naudodami DL
Duomenų rinkinyje gali būti nuo keliolikos iki šimtų funkcijų. Sistema mokysis iš šių funkcijų tinkamumo. Tačiau ne visos funkcijos yra prasmingos algoritmui. Esminė mašininio mokymosi dalis yra rasti atitinkamų funkcijų rinkinį, kad sistema išmoktų kažką.
Vienas iš būdų atlikti šią dalį mokantis mašinoje yra funkcijų išskyrimas. Funkcijų išskyrimas sujungia esamas funkcijas ir sukuria tinkamesnį funkcijų rinkinį. Tai galima padaryti naudojant PCA, T-SNE ar bet kokius kitus matmenų mažinimo algoritmus.
Pvz., Apdorojant vaizdą, gydytojui reikia rankiniu būdu išskleisti funkciją, pvz., Akis, nosį, lūpas ir pan. Tie išskirti bruožai yra klasifikavimo modelio duomenys.
Gilus mokymasis išsprendžia šią problemą, ypač konvoliucinį neuronų tinklą. Pirmasis neuroninio tinklo sluoksnis išmoks smulkių detalių iš paveikslėlio; kiti sluoksniai sujungs ankstesnes žinias, kad gautų sudėtingesnę informaciją. Konvoliuciniame neuroniniame tinkle funkcija išskiriama naudojant filtrą. Tinklas taiko paveikslėlyje filtrą, kad pamatytų, ar yra atitikimas, ty objekto forma yra identiška paveikslėlio daliai. Jei yra atitikimas, tinklas naudos šį filtrą. Todėl funkcijų išskyrimo procesas atliekamas automatiškai.
Skirtumas tarp mašininio mokymosi ir gilaus mokymosi
Žemiau pateikiamas pagrindinis skirtumas tarp gilaus mokymosi ir mašininio mokymosi
|
Mašininis mokymasis |
Gilus mokymasis |
|
|
Duomenų priklausomybės |
Puikūs pasirodymai mažame / vidutiniame duomenų rinkinyje |
Puikus našumas dideliame duomenų rinkinyje |
|
Aparatinės įrangos priklausomybės |
Dirbkite žemos klasės mašinoje. |
Reikalinga galinga mašina, pageidautina su GPU: DL atlieka daug matricos daugybos |
|
Funkcijų inžinerija |
Reikia suprasti duomenis reprezentuojančias ypatybes |
Nereikia suprasti geriausios savybės, kuri atspindi duomenis |
|
Vykdymo laikas |
Nuo kelių minučių iki valandų |
Iki savaičių. Neuroninis tinklas turi apskaičiuoti daugybę svorių |
|
Aiškinamumas |
Kai kuriuos algoritmus lengva interpretuoti (logistika, sprendimų medis), kai kurių beveik neįmanoma (SVM, XGBoost) |
Sunku ar neįmanoma |
Kada naudoti ML ar DL?
Žemiau esančioje lentelėje pavyzdžiais apibendriname skirtumą tarp mašininio ir gilaus mokymosi.
| Mašininis mokymasis | Gilus mokymasis | |
| Mokymų duomenų rinkinys | Mažas | Didelis |
| Pasirinkite funkcijas | Taip | Ne |
| Algoritmų skaičius | Daugelis | Nedaug |
| Treniravimosi laikas | Trumpas | Ilgas |
Naudojant mašininį mokymą, algoritmui mokyti reikia mažiau duomenų nei giliam mokymuisi. Giliam mokymuisi reikalingas platus ir įvairus duomenų rinkinys, leidžiantis nustatyti pagrindinę struktūrą. Be to, mašininis mokymasis suteikia greitesnį mokymą. Pažangiausia giluminio mokymosi architektūra gali trukti nuo kelių iki savaitės. Gilaus mokymosi, palyginti su mašininiu, pranašumas yra labai tikslus. Jums nereikia suprasti, kokios funkcijos geriausiai atspindi duomenis; neuroninis tinklas išmoko pasirinkti kritines savybes. Mokydamiesi mašinoje turite patys pasirinkti, kokias funkcijas įtraukti į modelį.
Santrauka
Dirbtinis intelektas suteikia mašinai pažintinius gebėjimus. Lyginant dirbtinį intelektą ir mašininį mokymąsi, ankstyvosiose dirbtinio intelekto sistemose buvo naudojamos modelių derinimo ir ekspertų sistemos.
Mašinų mokymosi idėja yra ta, kad mašina gali mokytis be žmogaus įsikišimo. Mašina turi rasti būdą, kaip išmokti išspręsti užduotį, atsižvelgiant į duomenis.
Gilus mokymasis yra proveržis dirbtinio intelekto srityje. Kai yra pakankamai duomenų treniruotis, giliai mokantis pasiekiami įspūdingi rezultatai, ypač atpažįstant vaizdus ir verčiant tekstą. Pagrindinė priežastis yra tai, kad funkcija išgaunama automatiškai skirtinguose tinklo sluoksniuose.
