" "

Termen "maskininlärning" och "djupinlärning" har förvandlats till buzzwords runt AI (artificiell intelligens). Men de menar inte samma sak.

En nybörjare kan förstå skillnaden genom att lära sig hur de båda stödjer artificiell intelligens.

Vad är maskininlärning?

Låt oss börja med att definiera maskininlärning: det är ett fält som täcker alla metoder som används för att autonomt lära en dator.

Du läser rätt! Datorer kan lära sig utan att vara uttryckligen programmerade. Detta är möjligt genom maskininlärningsalgoritmer. Maskininlärning ger problem med programvara och pekar på en stor mängd data för att lära sig själv hur man löser det.

Detta liknar hur människor lär sig. Vi har erfarenheter, känner igen mönster i den verkliga världen och drar sedan slutsatser. För att lära dig "katt" såg du några bilder av djuret och hörde ordet. Från den punkten på vilken katt du såg på TV, i böcker eller i verkligheten du visste var en katt. Datorer behöver fler exempel än människor men kan lära sig med en liknande process.

De läser in stora mängder data om världen. Programvaran drar sina egna slutsatser för att skapa en modell. Den kan sedan tillämpa den modellen på nya data för att ge svar.

Låter datorer som lär sig själva som futuristisk AI? Ja, maskininlärning är en viktig aspekt av artificiell intelligens, eller AI.

Maskininlärning är ett delfält av konstgjord intelligens. |

Vad är Deep Learning?

Nu när vi förstår maskininlärning, vad är djupt lärande? Djupt lärande är en delmaskin av maskininlärning. Det är en typ av maskininlärningsmetod för undervisning i datorer.

Grunt lärande

Maskininlärning kan antingen genomföras genom grunt inlärning eller djup inlärning. Grunt inlärning är en uppsättning algoritmer

Linjär regression och logistisk regression är två exempel på grunda inlärningsalgoritmer.

Djup lärning

Programvara behöver djup inlärning när uppgiften är för komplex för grunt inlärning. Problem som använder mer än en input eller output eller flera lager behöver djup inlärning.

De använder "neurala nätverk" av grunda inlärningsalgoritmer för att uppnå detta. Neurala nätverk är en viktig del av att förstå djup inlärning, så låt oss gräva i det.

Neuralt nätverk

Djupt lärande använder ett "neuralt nätverk" för att hantera dessa komplexa problem. Liksom nervceller i hjärnan har dessa modeller många noder. Varje neuron eller nod består av en enda grund inlärningsalgoritm som linjär regression. Var och en har ingångar och utgångar som matas till de sammanfogande noderna. Lager av noder fortskrider tills det når det slutliga svaret.
Det är jobbet med djup inlärning att bestämma vad det neurala nätverket behöver göra för att komma till det slutliga svaret. Den övar på datauppsättning efter datauppsättning tills den förfinar nervnätverket och är redo för den verkliga världen.

En av de mest fascinerande delarna av djup inlärning är att människorna aldrig behöver programmera de inre skikten i ett neuralt nätverk. Ofta vet programmerare inte ens vad som händer i den "svarta rutan" i ett neuralt nätverk när det är klart.

Ett neuralt nätverk består av neuroner av grunda inlärningsalgoritmer.

Machine Learning vs Deep Learning

Termen "maskininlärning" och "djupinlärning" används ibland omväxlande. Det här är felaktigt, men även människor som känner till konceptet kommer att göra det. Så när man interagerar i AI-gemenskapen är det viktigt att förstå skillnaden.

Maskininlärningsvillkor

När människor använder "Machine Learning" i samtal kan det ha olika betydelser.

Studieområde: Maskininlärning är ett studieområde. Även om det inte finns en uttrycklig maskinutbildning i USA betraktas den som en delmängd av datavetenskap.

Bransch: Maskininlärning representerar en tillväxtindustri. De som arbetar med affärer talar vanligtvis om AI och maskininlärning i detta sammanhang.

Tekniskt begrepp: termen "maskininlärning" representerar också det tekniska konceptet. Det är en metod för att lösa stora programvaruproblem med big data.

Mer om maskininlärning

Maskininlärning kommer att användas av fler och fler branscher för att förbättra våra liv. Det är viktigt att förstå mer grunder om processen.

Smartare än en människa

Med konventionella programmeringsdatorer är bara lika smarta som de som programmerar dem. Men maskininlärningsmetoder gör det möjligt för datorer att se mönster på egen hand. Det betyder att de gör anslutningar som människor inte ens kan föreställa sig.

Ökning av maskininlärning

Varför hör vi mer och mer om ML och djup inlärning nyligen? Det beror på att den nödvändiga bearbetningskraften och data först nyligen har blivit tillgängliga.

Något annat som gör det möjligt för maskiner att lära sig är skjuvmängden tillgängliga data. Programvara måste se mycket data för att bygga en pålitlig modell. Uppgifterna från Internet och smarta telefoner ger datorer insikt i hur man kan hjälpa människor.

Tidigare kunde datorer inte konsumera den stora mängd data de behöver för att få anslutningar. Nu kan de krossa all information på rimlig tid.

Ständiga förbättringar

En av dragningarna av ML-algoritmer är att programvaran fortsätter att lära sig när den möter mer data. Så ett team kan låta programvara lära sig tillräckligt för att vara till hjälp och sedan distribuera systemet. När det möter fler verkliga uppgifter fortsätter det att lära sig. Det kommer att fortsätta att förfina sina regler när det hittar nya mönster.

© 2018 Katy Medium