Искусственный интеллект — это процесс создания компьютера, достаточного для того, чтобы он вел себя как человек. Другое определение — заставить компьютеры вести себя рационально. Классическим тестом для ИИ является тест Тьюринга, в котором человек одновременно опрашивает человека и компьютер, задавая одни и те же вопросы и не в состоянии различить их. ИИ — это широкий термин с различными подобластями.
Что такое машинное обучение?
Машинное обучение — это одна из подобластей. С помощью классических подходов, основанных на искусственном интеллекте, мы предоставляем системе правила, такие как определение того, жарко или холодно в комнате, в зависимости от того, выше или ниже порога температура. Иногда указание этих правил невозможно. Например, довольно сложно указать правила распознавания символов текстового изображения людьми. Кодирование этих правил в компьютере также требует большого труда. Альтернативный подход состоит в том, чтобы позволить машине самостоятельно изучить эти правила из данных. Этот подход, называемый машинным обучением, бывает двух основных типов.
Контролируемое и неконтролируемое обучение
В обучении с учителем вы указываете входные данные, называемые функциями, а также цель (метку). Машина делает прогнозы и сравнивает эти прогнозы с фактическим выходом, вычисляет ошибку и корректирует свои параметры на основе производной ошибки. Этот процесс называется обучением. Градиентный спуск используется для оптимизации ошибки. При стохастическом градиентном спуске веса корректируются после обучения индивидуальной тренировочной записи. При пакетном градиентном спуске записи обновляются после представления пакетов записей во время обучения.
Существует два популярных типа алгоритмов обучения с учителем. Одной из них является классификация, в которой результат/цель содержит фиксированные возможные значения. Примером может служить классификация твитов на положительные/отрицательные, идентифицирующая ткани человека как новообразованные или раковые. В регрессии выходные данные являются непрерывными, такими как прогнозирование температуры в следующем месяце, прогнозирование цены акций.
Обычно набор данных делится на обучение, тестирование и проверку. Данные обучения используются для обучения, данные проверки для выбора гиперпараметров, а данные тестирования используются для окончательного тестирования.
При неконтролируемом обучении цель недоступна. Мы используем функции для различных задач, таких как кластеризация данных в группы, уменьшение размерности с использованием анализа главных компонентов (PCA).
Наконец, еще один метод машинного обучения — это обучение с подкреплением, при котором машина учится у окружающей среды. Данные являются основным фактором для эффективного обучения машины. Вот почему такие игроки, как Google, Facebook, Amazon и Apple, доминируют в мире ИИ.
