Шта је АИ?
АИ (вештачка интелигенција) је грана рачунарске науке у којој се машине програмирају и дају им когнитивну способност размишљања и опонашања радњи попут људи и животиња. Репер за АИ је људска интелигенција у вези са резоновањем, говором, учењем, визијом и решавањем проблема, што је далеко у будућности.
АИ има три различита нивоа:
- Уски АИ : За вештачку интелигенцију се каже да је уска када машина може да изврши одређени задатак боље од човека. Тренутно истраживање АИ је овде
- Општи АИ : Вештачка интелигенција достиже опште стање када може да изврши било који интелектуални задатак са истим нивоом тачности као што би то учинио човек
- Активна АИ : АИ је активан када може да победи људе у многим задацима
Рани АИ системи користили су подударање образаца и експертске системе.
У овом упутству ћете научити-
- Шта је АИ?
- Шта је МЛ?
- Шта је дубоко учење?
- Процес машинског учења
- Процес дубоког учења
- Аутоматизујте издвајање карактеристика помоћу ДЛ-а
- Разлика између машинског учења и дубоког учења
- Када користити МЛ или ДЛ?
Шта је МЛ?
МЛ (Мацхине Леарнинг) је врста уметничке интелигенције у којој је рачунар оспособљен за аутоматизацију задатака који су исцрпни или немогући за људе. То је најбољи алат за анализу, разумевање и препознавање образаца у подацима на основу проучавања рачунарских алгоритама. Машинско учење може доносити одлуке уз минималну људску интервенцију.
Поредећи вештачку интелигенцију у односу на машинско учење, машинско учење користи податке за храњење алгоритма који може да разуме однос између улаза и излаза. Када машина заврши учење, може да предвиди вредност или класу нове тачке података.
Шта је дубоко учење?
Дубоко учење је рачунарски софтвер који опонаша мрежу неурона у мозгу. То је подскуп машинског учења и назива се дубоким учењем јер користи дубоке неуронске мреже. Машина користи различите слојеве за учење из података. Дубина модела представљена је бројем слојева у моделу. Дубоко учење је ново стање технике у смислу АИ. У дубоком учењу, фаза учења се врши путем неуронске мреже. Неуронска мрежа је архитектура где се слојеви слажу један на други
Процес машинског учења
Замислите да вам је суђено да направите програм који препознаје објекте. За обуку модела користићете класификатор . Класификатор користи особине објекта како би покушао да идентификује класу којој припада.
У примеру, класификатор ће бити обучен да открије да ли је слика:
- Бицикл
- Брод
- Цар
- Авион
Четири горња објекта су класа коју класификатор мора да препозна. Да бисте конструисали класификатор, потребно је да имате неке податке као улаз и доделите им ознаку. Алгоритам ће узети ове податке, пронаћи образац и затим их класификовати у одговарајућу класу.
Овај задатак се назива учење под надзором. У учењу под надзором, подаци о обуци које уносите у алгоритам садрже ознаку.
За обуку алгоритма потребно је следити неколико стандардних корака:
- Прикупите податке
- Обучити класификатор
- Да предвиди
Први корак је неопходан, одабир правих података учиниће алгоритам успехом или неуспехом. Подаци које сте одабрали за обуку модела називају се особина. У примеру објекта, карактеристике су пиксели слика.
Свака слика је ред у подацима, док је сваки пиксел колона. Ако је ваша слика величине 28 к 28, скуп података садржи 784 колоне (28 к 28). На доњој слици свака слика је трансформисана у вектор карактеристика. Ознака говори рачунару шта се налази на слици.
Циљ је користити ове податке о обуци за класификацију врсте предмета. Први корак састоји се од креирања колона са карактеристикама. Затим, други корак укључује избор алгоритма за обуку модела. Када се обука заврши, модел ће предвидети која слика одговара којем предмету.
После тога је лако користити модел за предвиђање нових слика. За сваку нову слику која се дода у модел, машина ће предвидети класу којој припада. На пример, кроз модел пролази потпуно нова слика без налепнице. За људско биће је тривијално визуализирати слику као аутомобил. Машина користи своје претходно знање да предвиди, као и да је слика аутомобил.
Процес дубоког учења
У дубоком учењу, фаза учења се врши путем неуронске мреже. Неуронска мрежа је архитектура где се слојеви слажу један на други.
Размотрите исти пример слике горе. Сет за обуку би се напајао на неуронску мрежу
Сваки улаз улази у неурон и множи се са пондером. Резултат множења прелази у следећи слој и постаје улаз. Овај поступак се понавља за сваки слој мреже. Завршни слој се назива излазни слој; пружа стварну вредност за задатак регресије и вероватноћу сваке класе за задатак класификације. Неуронска мрежа користи математички алгоритам за ажурирање тежина свих неурона. Неуронска мрежа је потпуно обучена када вредност пондера даје излаз близу стварности. На пример, добро обучена неуронска мрежа може препознати објекат на слици са већом тачношћу од традиционалне неуронске мреже.
Аутоматизујте издвајање карактеристика помоћу ДЛ-а
Скуп података може садржавати десетак до стотине функција. Систем ће учити из релевантности ових карактеристика. Међутим, нису све функције значајне за алгоритам. Кључни део машинског учења је проналажење одговарајућег скупа карактеристика како би систем нешто научио.
Један од начина за извођење овог дела у машинском учењу је коришћење екстракције карактеристика. Издвајање карактеристика комбинује постојеће карактеристике да би створило релевантнији скуп карактеристика. То се може урадити са ПЦА, Т-СНЕ или било којим другим алгоритмом за смањење димензионалности.
На пример, приликом обраде слике, практичар треба ручно да издвоји особину на слици, попут очију, носа, усана и тако даље. Та издвојена својства се уклапају у модел класификације.
Дубинско учење решава ово питање, посебно за конволуциону неуронску мрежу. Први слој неуронске мреже научиће ситне детаље са слике; следећи слојеви ће комбиновати претходно знање да би направили сложеније информације. У револуционарној неуронској мрежи издвајање особина се врши уз употребу филтера. Мрежа примењује филтер на слику како би утврдила да ли постоји подударање, тј. Да ли је облик обележја идентичан делу слике. Ако постоји подударање, мрежа ће користити овај филтер. Процес издвајања карактеристика се стога врши аутоматски.
Разлика између машинског учења и дубоког учења
Испод је кључна разлика између дубоког учења и машинског учења
|
Машинско учење |
Дубоко учење |
|
|
Зависности података |
Одличне перформансе на малом / средњем скупу података |
Одличне перформансе на великом скупу података |
|
Хардверске зависности |
Радите на ниском нивоу машине. |
Потребна је моћна машина, по могућности са ГПУ-ом: ДЛ изводи значајну количину умножавања матрице |
|
Инжењеринг карактеристика |
Треба да разуме функције које представљају податке |
Нема потребе да разумете најбољу карактеристику која представља податке |
|
Време извршења |
Од неколико минута до сати |
До недеља. Неуронска мрежа треба да израчуна значајан број пондера |
|
Интерпретабилност |
Неки алгоритми су једноставни за тумачење (логистички, стабло одлучивања), неки су готово немогући (СВМ, КСГБоост) |
Тешко до немогуће |
Када користити МЛ или ДЛ?
У доњој табели, примерима сумирамо разлику између машинског учења и дубоког учења.
| Машинско учење | Дубоко учење | |
| Скуп података о обуци | Мали | Велики |
| Изаберите функције | да | Не |
| Број алгоритама | Много | Неколико |
| Време обуке | Кратак | Дуго |
Уз машинско учење потребно вам је мање података за обуку алгоритма од дубоког учења. Дубинско учење захтева опсежан и разноврстан скуп података како би се идентификовала основна структура. Поред тога, машинско учење пружа брже обучени модел. Најнапреднијој архитектури дубоког учења може се тренирати данима до недеље. Предност дубоког учења у односу на машинско учење је у томе што је изузетно тачно. Не морате да разумете које су карактеристике најбољи приказ података; неуронска мрежа је научила како да одабере критичне карактеристике. У машинском учењу морате сами да одаберете које функције ћете укључити у модел.
Резиме
Вештачка интелигенција машини даје когнитивну способност. Поредећи АИ и Машинско учење, рани АИ системи су користили подударање образаца и експертске системе.
Идеја машинског учења је да машина може да учи без људске интервенције. Машина треба да пронађе начин да научи како да реши задатак с обзиром на податке.
Дубоко учење је пробој на пољу вештачке интелигенције. Када постоји довољно података за тренирање, дубоким учењем се постижу импресивни резултати, посебно за препознавање слика и превод текста. Главни разлог је што се издвајање карактеристика врши аутоматски у различитим слојевима мреже.