Устройствата, свързани с интернет^(Internet) , се наричат ​​интелигентни устройства. Почти всичко, свързано с Интернет^(Internet) , е известно като смарт устройство^{(smart device)} . В този контекст кодът, който прави устройствата ПО-УМНИ –^{(SMARTER – )} така че да могат да работят с минимална или без никаква човешка намеса – може да се каже, че се основава на изкуствен интелект^{(Artificial Intelligence)} (AI). Другите два, а именно: машинното обучение^{(Machine Learning)} (ML) и дълбокото обучение^{(Deep Learning)} (DL), са различни видове алгоритми, създадени, за да предоставят повече възможности на интелигентните устройства. Нека видим AI срещу ML срещу DL^{(AI vs ML vs DL )} подробно по-долу, за да разберем какво правят и как са свързани с AI.

Какво е изкуствен интелект по отношение на ML & DL

AI може да се нарече супернабор от процеси на машинно обучение^{(Machine Learning)} (ML) и процеси на дълбоко обучение^{(Deep Learning)} (DL). AI обикновено е общ термин, който се използва за ML и DL. Дълбокото обучение^{(Deep Learning)} отново е подмножество на машинното обучение^{(Machine Learning)} (вижте изображението по-горе).

Някои твърдят, че машинното обучение^{(Machine Learning)} вече не е част от универсалния AI. Те казват, че ML е цялостна наука сама по себе си и следователно не е необходимо да се нарича по отношение на изкуствения интелект^{(Artificial Intelligence)} . AI процъфтява от данни: Големи данни^{(Big Data)} . Колкото повече данни консумира, толкова по-точен е той. Не че винаги ще прогнозира правилно. Ще има и фалшиви знамена. AI се тренира върху тези грешки и става по-добър в това, което трябва да прави – със или без човешки надзор.

Изкуственият интелект не може да бъде дефиниран правилно, тъй като е проникнал в почти всички индустрии и засяга твърде много видове (бизнес) процеси и алгоритми. Можем да кажем, че изкуственият интелект^{(Intelligence)} се основава на науката за данните^{(Data Science)} (DS: Big Data ) и съдържа машинното обучение^{(Machine Learning)} като своя отделна част. По същия начин^(Likewise) , дълбокото обучение^{(Deep Learning)} е отделна част от машинното обучение^{(Machine Learning)} .

По начина, по който ИТ пазарът се накланя, бъдещето ще бъде доминирано от свързани интелигентни устройства, наречени Интернет на нещата (IoT)^{(Internet of Things (IoT))} . Интелигентните^(Smart) устройства означават изкуствен интелект: пряко или косвено. Вече използвате изкуствен интелект (AI) в много задачи в ежедневието си. Например, пишете на клавиатура на смартфон, която продължава да се подобрява при „предложение на думи“. Сред другите примери, в които несъзнателно се занимавате с изкуствен интелект^{(Artificial Intelligence)} , са търсенето на неща в интернет^(Internet) , онлайн пазаруването и, разбира се, винаги интелигентните имейл кутии на Gmail и Outlook .

Какво е машинно обучение

Машинното обучение^(Learning) е област на изкуствения интелект^{(Artificial Intelligence)} , където целта е да накара машина (или компютър, или софтуер) да се учи и обучава без много програмиране. Такива устройства се нуждаят от по-малко програмиране, тъй като прилагат човешки методи за изпълнение на задачи, включително научаване как да работят по-добре. По принцип^(Basically) ML означава да програмирате малко компютър/устройство/софтуер и да му позволите да се учи сам.

Има няколко метода за улесняване на машинното обучение^{(Machine Learning)} . От тях следните три се използват широко:

1. контролиран,
2. Без надзор и
3. Учене с подсилване.

Контролирано обучение в машинно обучение^{(Machine Learning)}

Наблюдаван в смисъл, че програмистите първо предоставят на машината етикетирани данни и вече обработени отговори. Тук етикетите означават имената на редове или колони в база данни или електронна таблица. След като подаде огромни набори от такива данни към компютъра, той е готов да анализира допълнителни набори от данни и да предостави резултати самостоятелно. Това означава, че сте научили компютъра как да анализира данните, подавани към него.

Обикновено се потвърждава с помощта на правилото 80/20. Огромни^(Huge) набори от данни се подават на компютър, който се опитва и научава логиката зад отговорите. 80 процента от данните от събитие се подават на компютъра заедно с отговорите. Останалите 20 процента се хранят без отговори, за да се види дали компютърът може да излезе с правилни резултати. Тези 20 процента се използват за кръстосана проверка, за да се види как компютърът (машината) се учи.

Машинно обучение без надзор

Ученето без надзор се случва, когато машината се захранва с произволни набори от данни, които не са етикетирани и не са в ред. Машината трябва да измисли как да произведе резултатите. Например, ако му предложите софтболи с различни цветове, трябва да може да се категоризира по цветове. Така в бъдеще, когато машината бъде представена с нова софтболна топка, тя може да идентифицира топката с вече налични етикети в своята база данни. При този метод няма данни за обучение. Машината трябва да се научи сама.

Учене с подсилване

Машините, които могат да вземат поредица от решения, попадат в тази категория. След това има система за награди. Ако машината се справи добре с това, което програмистът иска, тя получава награда. Машината е програмирана по начин, който жадува за максимални награди. И за да го получи, решава проблеми, като измисля различни алгоритми в различни случаи. Това означава, че компютърът с AI използва методи за проба и грешка, за да излезе с резултати.

Например, ако машината е самоуправляващо се превозно средство, тя трябва да създаде свои собствени сценарии на пътя. Няма начин програмист да програмира всяка стъпка, тъй като той или тя не може да мисли за всички възможности, когато машината е на път. Това е мястото, където идва подкрепителното обучение^{(Reinforcement Learning)} . Можете също да го наречете AI за проба и грешка.

Как се различава дълбокото обучение от машинното обучение^{(Machine Learning)}

Дълбокото обучение^{(Deep Learning)} е за по-сложни задачи. Дълбокото обучение^{(Deep Learning)} е подмножество на машинното обучение^{(Machine Learning)} . Само че съдържа повече невронни мрежи, които помагат на машината в ученето. Създадените^(Manmade) от човека невронни мрежи не са нови. Лаборатории^(Labs) по целия свят се опитват да изградят и подобрят невронни мрежи, така че машините да могат да вземат информирани решения. Сигурно сте чували за София^(Sophia) , хуманоид в Саудитска Арабия^(Saudi) , който получи редовно гражданство. Невронните мрежи са като човешки мозъци, но не са толкова сложни като мозъка.

Има някои добри мрежи, които осигуряват дълбоко обучение без надзор. Можете да кажете, че Deep Learning е по-скоро невронни мрежи, които имитират човешкия мозък. Все пак, с достатъчно примерни данни, алгоритмите за дълбоко обучение^{(Deep Learning)} могат да се използват за събиране на подробности от примерни данни. Например, с DL машина с процесор на изображения е по-лесно да се създават човешки лица с емоции, променящи се според въпросите, които се задават на машината.

Горното обяснява AI срещу MI срещу DL на по-лесен език. AI и ML са обширни полета – които тепърва се отварят и имат огромен потенциал. Това е причината някои хора да са против използването на машинно обучение^{(Machine Learning)} и дълбоко обучение^{(Deep Learning)} в изкуствения интелект^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internеt are callеd smart devices. Pretty mυch everything related to the 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 приложение, захранвано от машинно обучение

• Факти, митове, дебат за изкуствения интелект

• Какво е дълбоко обучение и невронна мрежа

• Най-добрият безплатен софтуер за изкуствен интелект за Windows 10

• Как да инсталирате Drupal с помощта на WAMP на Windows

• 10 най-добри USB LED лампи за лаптопи

• Какво представляват виртуалните кредитни карти и как и къде ги получавате?

• Как да конвертирате двоичен в текст с помощта на този текст в двоичен конвертор

• Какво е магнитна връзка и как да отварям магнитни връзки в браузър

• Fix Partner не се свърза с грешка на рутера в TeamViewer на Windows 10

• Заключени сте от настройките на Plex сървър и сървър? Ето поправката!

• Приложенията OpenGL не работят на безжичен дисплей Miracast в Windows 11/10

• Настройте безплатно интернет радиостанция на компютър с Windows

• Очите на НАСА ви помагат да изследвате Вселената като астронавти

• Zip файлът е твърде голяма грешка при изтегляне на файлове от DropBox

• Какво е синдром на глупав прозорец - обяснение и превенция

• Съвети, инструменти и услуги за управление на репутацията онлайн

• Какво е Data Analytics и за какво се използва

• Най-добрите маси за лаптопи за закупуване онлайн

• Как да инсталирате Windows 95 на Windows 10