Wprowadzenie: Pojęcia, które często mylą
Uczenie maszynowe, głębokie uczenie się i sieci neuronowe to terminy, które stale słyszysz w wiadomościach o sztucznej inteligencji. Wiele osób używa tych słów zamiennie, ale opisują one różne technologie, każda z własnym zakresem i zastosowaniem.
Zamieszanie dzieje się, ponieważ jedno jest zawarte w drugim: sieci neuronowe są techniką uczenia maszynowego, a głębokie uczenie się jest ewolucją sieci neuronowych Zrozumienie tej hierarchii jest niezbędne do zrozumienia, jak działa sztuczna inteligencja i jakie narzędzia rozwiązują różne problemy.
W tym przewodniku rozbijemy te koncepcje i pokażemy praktyczne przykłady działania każdego z nich w świecie rzeczywistym.
Uczenie maszynowe: parasol wszystkich algorytmów
Czym jest Machine Learning?
Uczenie maszynowe to najszersza dziedzina, który obejmuje dowolny system, który uczy się na podstawie danych, bez wyraźnego zaprogramowania dla każdej sytuacji. Zamiast postępować zgodnie ze ścisłymi instrukcjami, algorytmy uczenia maszynowego identyfikują wzorce w danych i wykorzystują je do przewidywania.
Wyobraź sobie filtr spamu e-mailowego Programista nie może napisać reguły dla każdego możliwego spamu e-mailowego Zatem algorytm uczenia maszynowego analizuje miliony e-maili (oznaczonych jako spam lub legalne) i automatycznie dowiaduje się, które funkcje wskazują na spam: podejrzane słowa, nieznany nadawca, dziwny format itp.
Trzy główne typy uczenia maszynowego
Nauka nadzorowana: Algorytm uczy się z już oznaczonych danych Podajesz przykłady wprowadzania z poprawną odpowiedzią, a system uczy się wzorca Przykład: klasyfikuj wiadomości e-mail jako spam lub niespam, korzystając z historii już sklasyfikowanych wiadomości e-mail.
Uczenie się bez nadzoru: Nie ma predefiniowanych poprawnych odpowiedzi Algorytm samodzielnie znajduje struktury lub grupy w danych Przykład: analiza klientów sklepu w celu znalezienia grup o podobnych zachowaniach, bez wcześniejszego poznania, ile jest grup.
Nauka wzmacniania: Algorytm uczy się metodą prób i błędów, otrzymując nagrody lub kary.np. robot, który uczy się chodzić lub program, który uczy się grać w szachy, stopniowo ulepszając swoją strategię.
Sieci neuronowe: specyficzny rodzaj uczenia maszynowego
Jak działają sieci neuronowe
Sieci neuronowe to metoda uczenia maszynowego inspirowana ludzkim mózgiem. Składają się z warstw połączonych ze sobą jednostek zwanych sztucznymi neuronami. Każdy neuron otrzymuje informacje, przetwarza je i przekazuje dalej.
Prosta sieć neuronowa składa się z trzech części: warstwy wejściowej (dane), warstw ukrytych (przetwarzanie) i warstwy wyjściowej (wynik).Podczas treningu wagi połączeń między neuronami są dostosowywane w celu zmniejszenia błędów.
Kiedy używać sieci neuronowych zamiast innych algorytmów
Sieci neuronowe świecą, gdy je masz mnóstwo danych e złożone wzory prawdziwe przykłady: rozpoznawanie twarzy na zdjęciach, rozumienie naturalnej mowy, diagnozowanie chorób na podstawie obrazów medycznych.
W przypadku prostych problemów z niewielką ilością danych starsze algorytmy, takie jak drzewa decyzyjne lub regresja liniowa, są bardziej wydajne Sieć neuronowa z milionami parametrów to przesada, aby przewidzieć, czy klient odnowi subskrypcję na podstawie 3 cech.
Głębokie uczenie się: Kiedy sieci neuronowe stają się głębokie
Podstawowa różnica: głębokość
Głębokie uczenie się to po prostu sieci neuronowe z wieloma ukrytymi warstwami 3 warstwy zazwyczaj.
