Hva er AI?
AI (kunstig intelligens) er en gren av informatikk der maskiner er programmert og får en kognitiv evne til å tenke og etterligne handlinger som mennesker og dyr. Referansen for AI er menneskelig intelligens angående resonnement, tale, læring, visjon og problemløsning, noe som er langt unna i fremtiden.
AI har tre forskjellige nivåer:
- Smal AI : En kunstig intelligens sies å være smal når maskinen kan utføre en bestemt oppgave bedre enn et menneske. Den nåværende forskningen om AI er her nå
- Generell AI : En kunstig intelligens når den generelle tilstanden når den kan utføre enhver intellektuell oppgave med samme nøyaktighetsnivå som et menneske ville
- Aktiv AI : En AI er aktiv når den kan slå mennesker i mange oppgaver
Tidlige AI-systemer brukte mønstermatching og ekspertsystemer.
I denne veiledningen vil du lære-
- Hva er AI?
- Hva er ML?
- Hva er Deep Learning?
- Maskinlæringsprosess
- Dyp læringsprosess
- Automatiser funksjonsutvinning ved hjelp av DL
- Forskjellen mellom maskinlæring og dyp læring
- Når skal du bruke ML eller DL?
Hva er ML?
ML (Machine Learning) er en type AI der en datamaskin er opplært til å automatisere oppgaver som er uttømmende eller umulige for mennesker. Det er det beste verktøyet for å analysere, forstå og identifisere mønstre i data basert på studiet av datalgoritmer. Maskinlæring kan ta avgjørelser med minimal menneskelig inngripen.
Sammenligning av kunstig intelligens vs maskinlæring, bruker maskinlæring data for å mate en algoritme som kan forstå forholdet mellom inngang og utgang. Når maskinen er ferdig med å lære, kan den forutsi verdien eller klassen til et nytt datapunkt.
Hva er Deep Learning?
Deep learning er en dataprogramvare som etterligner nettverket av nevroner i en hjerne. Det er en delmengde av maskinlæring og kalles dyp læring fordi den bruker dype nevrale nettverk. Maskinen bruker forskjellige lag for å lære av dataene. Dybden på modellen er representert av antall lag i modellen. Dyp læring er den nyeste teknologien i løpet av AI. I dyp læring gjøres læringsfasen gjennom et nevralt nettverk. Et nevralt nettverk er en arkitektur der lagene er stablet oppå hverandre
Maskinlæringsprosess
Tenk deg at du er ment å bygge et program som gjenkjenner gjenstander. For å trene modellen, vil du bruke en klassifikator . En klassifikator bruker funksjonene til et objekt for å prøve å identifisere klassen den tilhører.
I eksemplet vil klassifisereren bli opplært til å oppdage om bildet er et:
- Sykkel
- Båt
- Bil
- Fly
De fire objektene ovenfor er klassen klassifisereren må kjenne igjen. For å konstruere en klassifikator, må du ha noen data som input og tilordne en etikett til den. Algoritmen vil ta disse dataene, finne et mønster og deretter klassifisere det i tilsvarende klasse.
Denne oppgaven kalles veiledet læring. I veiledet læring inkluderer treningsdataene du gir til algoritmen en merkelapp.
Å trene en algoritme krever å følge noen få standardtrinn:
- Samle inn dataene
- Tren klassifisereren
- Gjør spådommer
Det første trinnet er nødvendig, å velge riktige data vil gjøre algoritmen suksess eller en feil. Dataene du velger å trene modellen kalles en funksjon. I objekteksemplet er funksjonene bildene.
Hvert bilde er en rad i dataene, mens hver piksel er en kolonne. Hvis bildet ditt er i størrelse 28x28, inneholder datasettet 784 kolonner (28x28). På bildet nedenfor er hvert bilde transformert til en funksjonsvektor. Etiketten forteller datamaskinen hvilket objekt som er i bildet.
Målet er å bruke disse treningsdataene til å klassifisere typen objekt. Det første trinnet består i å lage funksjonskolonnene. Deretter innebærer det andre trinnet å velge en algoritme for å trene modellen. Når opplæringen er ferdig, vil modellen forutsi hvilket bilde som tilsvarer hvilket objekt.
Etter det er det enkelt å bruke modellen til å forutsi nye bilder. For hvert nye bilde som mates inn i modellen, vil maskinen forutsi klassen den tilhører. For eksempel går et helt nytt bilde uten etikett gjennom modellen. For et menneske er det trivielt å visualisere bildet som en bil. Maskinen bruker sin tidligere kunnskap til å forutsi at bildet også er en bil.
Dyp læringsprosess
I dyp læring gjøres læringsfasen gjennom et nevralt nettverk. Et nevralt nettverk er en arkitektur der lagene er stablet oppå hverandre.
Tenk på det samme bildeeksemplet ovenfor. Treningssettet vil bli matet til et nevralt nettverk
Hver inngang går inn i et nevron og multipliseres med en vekt. Resultatet av multiplikasjonen flyter til neste lag og blir inngangen. Denne prosessen gjentas for hvert lag i nettverket. Det siste laget heter utgangslaget; det gir en faktisk verdi for regresjonsoppgaven og en sannsynlighet for hver klasse for klassifiseringsoppgaven. Nevrale nettverk bruker en matematisk algoritme for å oppdatere vekten til alle nevronene. Nevrale nettverk er fullt utdannet når verdien av vektene gir et resultat nær virkeligheten. For eksempel kan et godt trent nevralt nettverk gjenkjenne objektet på et bilde med høyere nøyaktighet enn det tradisjonelle nevrale nettet.
Automatiser funksjonsutvinning ved hjelp av DL
Et datasett kan inneholde et dusin til hundrevis av funksjoner. Systemet vil lære av relevansen av disse funksjonene. Imidlertid er ikke alle funksjoner meningsfylte for algoritmen. En viktig del av maskinlæring er å finne et relevant sett med funksjoner for å få systemet til å lære noe.
En måte å utføre denne delen i maskinlæring er å bruke funksjonsutvinning. Ekstraksjon av funksjoner kombinerer eksisterende funksjoner for å skape et mer relevant sett med funksjoner. Det kan gjøres med PCA, T-SNE eller andre dimensjonsreduksjonsalgoritmer.
For eksempel, en bildebehandling, må utøveren trekke ut funksjonen manuelt i bildet som øynene, nesen, leppene og så videre. Disse ekstraherte funksjonene leveres til klassifiseringsmodellen.
Dyp læring løser dette problemet, spesielt for et konvolusjonalt nevralt nettverk. Det første laget i et nevralt nettverk vil lære små detaljer fra bildet; de neste lagene vil kombinere tidligere kunnskap for å lage mer kompleks informasjon. I det konvolusjonelle nevrale nettverket gjøres ekstraksjonen av funksjonen ved bruk av filteret. Nettverket bruker et filter på bildet for å se om det er samsvar, dvs. formen på funksjonen er identisk med en del av bildet. Hvis det er samsvar, vil nettverket bruke dette filteret. Prosessen med funksjonsutvinning gjøres derfor automatisk.
Forskjellen mellom maskinlæring og dyp læring
Nedenfor er en nøkkelforskjell mellom Deep Learning vs Machine Learning
|
Maskinlæring |
Dyp læring |
|
|
Dataavhengighet |
Utmerkede forestillinger på et lite / middels datasett |
Utmerket ytelse på et stort datasett |
|
Maskinvareavhengigheter |
Arbeid på en low-end maskin. |
Krever kraftig maskin, helst med GPU: DL utfører en betydelig mengde matriksmultiplikasjon |
|
Funksjonsteknikk |
Trenger å forstå funksjonene som representerer dataene |
Du trenger ikke å forstå den beste funksjonen som representerer dataene |
|
Gjennomføringstid |
Fra få minutter til timer |
Opptil uker. Neural Network må beregne et betydelig antall vekter |
|
Tolkbarhet |
Noen algoritmer er enkle å tolke (logistikk, beslutningstreet), noen er nesten umulige (SVM, XGBoost) |
Vanskelig til umulig |
Når skal du bruke ML eller DL?
I tabellen nedenfor oppsummerer vi forskjellen mellom maskinlæring og dyplæring med eksempler.
| Maskinlæring | Dyp læring | |
| Treningsdatasett | Liten | Stor |
| Velg funksjoner | Ja | Nei |
| Antall algoritmer | Mange | Få |
| Trenings tid | Kort | Lang |
Med maskinlæring trenger du færre data for å trene algoritmen enn dyp læring. Dyp læring krever et omfattende og mangfoldig datasett for å identifisere den underliggende strukturen. Dessuten gir maskinlæring en raskere trent modell. Den mest avanserte dyplæringsarkitekturen kan ta dager til en uke å trene. Fordelen med dyp læring fremfor maskinlæring er at den er veldig nøyaktig. Du trenger ikke å forstå hvilke funksjoner som er den beste representasjonen av dataene; det nevrale nettverket lærte hvordan man valgte kritiske funksjoner. I maskinlæring må du selv velge hvilke funksjoner som skal inkluderes i modellen.
Sammendrag
Kunstig intelligens gir en kognitiv evne til en maskin. Sammenlignet AI mot maskinlæring, brukte tidlige AI-systemer mønstertilpasning og ekspertsystemer.
Tanken bak maskinlæring er at maskinen kan lære uten menneskelig inngripen. Maskinen må finne en måte å lære hvordan man kan løse en oppgave gitt dataene.
Dyp læring er gjennombruddet innen kunstig intelligens. Når det er nok data å trene på, oppnår dyp læring imponerende resultater, spesielt for bildegjenkjenning og tekstoversettelse. Hovedårsaken er at funksjonene utvinnes automatisk i de forskjellige lagene i nettverket.
