Urządzenia podłączone do Internetu^(Internet) nazywane są urządzeniami inteligentnymi. Prawie wszystko, co związane z Internetem^(Internet) , jest znane jako inteligentne urządzenie^{(smart device)} . W tym kontekście można powiedzieć, że kod, który sprawia, że ​​urządzenia są INTELIGENTNIEJSZE –^{(SMARTER – )} tak aby mogły działać przy minimalnej lub bez ingerencji człowieka – jest oparty na sztucznej inteligencji^{(Artificial Intelligence)} (AI). Pozostałe dwa, a mianowicie: uczenie maszynowe^{(Machine Learning)} (ML) i uczenie głębokie^{(Deep Learning)} (DL), to różne typy algorytmów zbudowanych w celu zwiększenia możliwości inteligentnych urządzeń. Zobaczmy poniżej AI vs ML vs DL , aby zrozumieć, co robią i jak są połączone z AI.

Czym jest sztuczna inteligencja w odniesieniu do ML i DL?

AI można nazwać nadzbiorem procesów uczenia maszynowego^{(Machine Learning)} (ML) i procesów głębokiego uczenia^{(Deep Learning)} (DL). AI jest zwykle terminem zbiorczym używanym do ML i DL. Głębokie uczenie^{(Deep Learning)} jest ponownie podzbiorem uczenia maszynowego^{(Machine Learning)} (patrz obrazek powyżej).

Niektórzy twierdzą, że uczenie maszynowe^{(Machine Learning)} nie jest już częścią uniwersalnej sztucznej inteligencji. Mówią, że ML jest kompletną nauką samą w sobie i dlatego nie musi być nazywana w odniesieniu do sztucznej inteligencji^{(Artificial Intelligence)} . Sztuczna inteligencja rozkwita na danych: Big Data . Im więcej danych zużywa, tym jest dokładniejsze. Nie jest tak, że zawsze będzie dobrze przewidywał. Będą też fałszywe flagi. Sztuczna inteligencja szkoli się na tych błędach i staje się lepsza w tym, co ma robić – z nadzorem człowieka lub bez niego.

Sztuczna inteligencja nie może być właściwie zdefiniowana, ponieważ przeniknęła do prawie wszystkich branż i wpływa na zbyt wiele rodzajów (biznesowych) procesów i algorytmów. Można powiedzieć, że sztuczna inteligencja^{(Intelligence)} opiera się na Data Science (DS: Big Data ) i zawiera uczenie maszynowe^{(Machine Learning)} jako odrębną część. Podobnie ^(Likewise)głębokie uczenie^{(Deep Learning)} jest odrębną częścią uczenia maszynowego^{(Machine Learning)} .

W sytuacji, gdy rynek IT się przechyla, przyszłość będzie zdominowana przez inteligentne urządzenia połączone z internetem, zwane Internetem Rzeczy (IoT)^{(Internet of Things (IoT))} . Urządzenia inteligentne^(Smart) to sztuczna inteligencja: bezpośrednio lub pośrednio. Wykorzystujesz już sztuczną inteligencję (AI) w wielu zadaniach w swoim codziennym życiu. Na przykład pisanie na klawiaturze smartfona, która jest coraz lepsza w „sugestii słów”. Wśród innych przykładów, w których nieświadomie masz do czynienia ze sztuczną inteligencją^{(Artificial Intelligence)} , są wyszukiwanie rzeczy w Internecie^(Internet) , zakupy online i oczywiście zawsze inteligentne skrzynki e-mail Gmaila^(Gmail) i Outlooka .^(Outlook)

Co to jest uczenie maszynowe

Uczenie^(Learning) maszynowe to dziedzina sztucznej inteligencji^{(Artificial Intelligence)} , której celem jest sprawienie, aby maszyna (lub komputer lub oprogramowanie) uczyła się i trenowała bez większego programowania. Takie urządzenia wymagają mniej programowania, ponieważ wykorzystują ludzkie metody do wykonywania zadań, w tym uczenia się, jak działać lepiej. Zasadniczo^(Basically) ML oznacza trochę zaprogramowanie komputera/urządzenia/oprogramowania i umożliwienie mu samodzielnej nauki.

Istnieje kilka metod ułatwiających uczenie maszynowe^{(Machine Learning)} . Spośród nich następujące trzy są szeroko stosowane:

1. Nadzorowane,
2. Bez nadzoru i
3. Nauka wzmacniania.

Uczenie nadzorowane w uczeniu maszynowym^{(Machine Learning)}

Nadzorowane w pewnym sensie, że programiści najpierw dostarczają maszynie oznakowane dane i już przetworzone odpowiedzi. W tym przypadku etykiety oznaczają nazwy wierszy lub kolumn w bazie danych lub arkuszu kalkulacyjnym. Po wprowadzeniu ogromnych zbiorów takich danych do komputera, jest on gotowy do analizy kolejnych zbiorów danych i samodzielnego dostarczenia wyników. Oznacza to, że nauczyłeś komputer, jak analizować dostarczane do niego dane.

Zwykle potwierdza się to za pomocą zasady 80/20. Ogromne^(Huge) zestawy danych są przesyłane do komputera, który próbuje i uczy się logiki kryjącej się za odpowiedziami. 80 procent danych ze zdarzenia trafia do komputera wraz z odpowiedziami. Pozostałe 20 procent jest karmione bez odpowiedzi, aby sprawdzić, czy komputer może uzyskać prawidłowe wyniki. Te 20 procent służy do sprawdzania, w jaki sposób komputer (maszyna) się uczy.

Nienadzorowane uczenie maszynowe

Nienadzorowane uczenie ma miejsce, gdy maszyna jest zasilana losowymi zestawami danych, które nie są oznaczone i nie są uporządkowane. Maszyna musi wymyślić, jak uzyskać wyniki. Na przykład, jeśli zaoferujesz mu softball w różnych kolorach, powinien być w stanie kategoryzować według kolorów. Dzięki temu w przyszłości, gdy maszyna zostanie zaprezentowana z nową piłką do softballu, będzie mogła zidentyfikować piłkę z już istniejącymi etykietami w swojej bazie danych. W tej metodzie nie ma danych uczących. Maszyna musi się sama uczyć.

Nauka wzmacniania

Do tej kategorii należą maszyny, które mogą podejmować sekwencję decyzji. Następnie istnieje system nagród. Jeśli maszyna radzi sobie dobrze z tym, czego chce programista, otrzymuje nagrodę. Maszyna jest zaprogramowana w taki sposób, że łaknie maksymalnych nagród. Aby to osiągnąć, rozwiązuje problemy, opracowując różne algorytmy w różnych przypadkach. Oznacza to, że komputer AI wykorzystuje metody prób i błędów, aby uzyskać wyniki.

Na przykład, jeśli maszyna jest pojazdem autonomicznym, musi tworzyć własne scenariusze na drodze. Nie ma mowy, aby programista mógł zaprogramować każdy krok, ponieważ nie może wymyślić wszystkich możliwości, gdy maszyna jest w drodze. Tu właśnie wkracza uczenie przez wzmacnianie^{(Reinforcement Learning)} . Można to również nazwać sztuczną inteligencją prób i błędów.

Czym różni się głębokie uczenie od uczenia maszynowego^{(Machine Learning)}

Głębokie uczenie^{(Deep Learning)} jest przeznaczone do bardziej skomplikowanych zadań. Głębokie uczenie^{(Deep Learning)} jest podzbiorem uczenia maszynowego^{(Machine Learning)} . Tyle tylko, że zawiera więcej sieci neuronowych, które pomagają maszynie w uczeniu się. Sieci^(Manmade) neuronowe stworzone przez człowieka nie są nowe. Laboratoria^(Labs) na całym świecie próbują budować i ulepszać sieci neuronowe, aby maszyny mogły podejmować świadome decyzje. Musiałeś słyszeć o Sophii^(Sophia) , humanoidzie z Arabii Saudyjskiej^(Saudi) , która otrzymała regularne obywatelstwo. Sieci neuronowe są jak ludzkie mózgi, ale nie tak wyrafinowane jak mózg.

Istnieje kilka dobrych sieci, które zapewniają głębokie uczenie się bez nadzoru. Można powiedzieć, że Deep Learning to bardziej sieci neuronowe, które imitują ludzki mózg. Mimo to, przy wystarczającej ilości przykładowych danych, algorytmy Deep Learning mogą być używane do pobierania szczegółów z przykładowych danych. Na przykład za pomocą procesora obrazu DL łatwiej jest tworzyć ludzkie twarze, w których emocje zmieniają się w zależności od pytań, jakie są zadawane maszynie.

Powyższe wyjaśnia AI vs MI vs DL w łatwiejszym języku. AI i ML to ogromne dziedziny – które dopiero się otwierają i mają ogromny potencjał. To jest powód, dla którego niektórzy ludzie są przeciwni używaniu uczenia maszynowego^{(Machine Learning)} i głębokiego uczenia^{(Deep Learning)} w sztucznej inteligencji^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devices. Prеtty much everуthing 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

• Organizator SMS: Aplikacja SMS oparta na uczeniu maszynowym

• Fakty, mity, debata o sztucznej inteligencji

• Co to jest głębokie uczenie i sieć neuronowa

• Najlepsze darmowe oprogramowanie do sztucznej inteligencji dla systemu Windows 10

• Jak zainstalować Drupala za pomocą WAMP w systemie Windows

• Jak chronić i zabezpieczać dokumenty PDF hasłem za pomocą LibreOffice

• Dziewięć Nostalgic Tech Sounds, których prawdopodobnie nie słyszałeś od lat

• Wystąpił błąd podczas sprawdzania aktualizacji w VLC

• Różnica między komputerami analogowymi, cyfrowymi i hybrydowymi

• Co to są wirtualne karty kredytowe oraz jak i gdzie je zdobyć?

• Zablokowany dostęp do Plex Server i ustawień serwera? Oto poprawka!

• Jak używać szablonu do tworzenia dokumentu w LibreOffice

• Jak przekonwertować plik binarny na tekst za pomocą tego konwertera tekstu na binarny?

• Aplikacja do przesyłania wiadomości sesyjnych zapewnia silne zabezpieczenia; Numer telefonu nie jest wymagany!

• Etykieta wideokonferencji, wskazówki i zasady, których należy przestrzegać

• Co to jest analiza danych i do czego służy

• Co oznacza NFT i jak stworzyć NFT Digital Art?

• Najlepsze narzędzia do wysyłania SMS-ów za darmo z komputera

• Konwertuj linki Magnet na linki bezpośredniego pobierania za pomocą Seedr

• Fix Partner nie połączył się z błędem routera w TeamViewer w systemie Windows 10