دستگاه های متصل به اینترنت دستگاه های هوشمند نامیده می شوند. تقریباً همه چیز مربوط به اینترنت به عنوان یک دستگاه هوشمند شناخته شده است. در این زمینه ، کدی که باعث می شود دستگاه ها SMARTER – باشد تا بتواند با حداقل یا بدون هر گونه مداخله انسانی کار کند – می توان گفت که مبتنی بر هوش مصنوعی (AI). دو مورد دیگر ، یعنی: Machine Learning (ML) و Deep Learning (DL) ، انواع مختلفی از الگوریتم های ساخته شده برای ایجاد قابلیت های بیشتر در دستگاه های هوشمند هستند. بیایید AI vs ML vs DL را به تفصیل در زیر ببینیم تا بفهمیم چه می کنند و چگونه به AI متصل هستند.

هوش مصنوعی با توجه به ML & DL

AI را می توان Superset از فرآیندهای Learning Machine (ML) و فرآیندهای Deep Learning (DL) نامید. AI معمولاً اصطلاحی چتر است که برای ML و DL استفاده می شود. Deep Learning دوباره زیر مجموعه ای از Learning Machine است (تصویر بالا را ببینید).

برخی معتقدند که یادگیری ماشینی دیگر بخشی از هوش جهانی نیست. آنها می گویند ML به خودی خود یک علم کامل است و بنابراین ، با استناد به هوش مصنوعی نباید فراخوانی شود. هوش مصنوعی روی داده ها رشد می کند: Big Data. هرچه داده بیشتری مصرف کند ، دقیق تر است. این طور نیست که همیشه درست پیش بینی کند. پرچم های دروغین نیز وجود خواهد داشت. هوش مصنوعی خود را بر روی این اشتباهات آموزش می دهد و آنچه را که باید انجام شود – با یا بدون نظارت انسانی – بهبود می یابد.

هوش مصنوعی نمی تواند به درستی تعریف شود زیرا تقریباً در تمام صنایع نفوذ کرده است و بر بسیاری از انواع (تجارت) تأثیر می گذارد. ) پردازش ها و الگوریتم ها. می توان گفت که هوش مصنوعی مبتنی بر Data Science (DS: Big Data) است و شامل Machine Learning به عنوان بخش مجزا آن است. به همین ترتیب ، Deep Learning بخش مشخصی از یادگیری ماشینی است.

روشی که بازار فناوری اطلاعات کج می شود ، آینده با دستگاه های هوشمند متصل به نام اینترنت اشیا (IoT) مسلط می شود. دستگاههای هوشمند به معنای هوش مصنوعی هستند: مستقیم یا غیرمستقیم. شما قبلاً از هوش مصنوعی (AI) در بسیاری از کارهای روزمره خود استفاده می کنید. به عنوان مثال ، تایپ کردن روی صفحه کلید تلفن هوشمند که به بهبود "پیشنهاد کلمات" ادامه می دهد. از جمله مثالهای دیگری که شما ناخودآگاه با هوش مصنوعی سر و کار دارید ، به جستجوی چیزهایی در اینترنت ، خرید آنلاین و البته صندوق ورودی ایمیل همیشه Gmail و Outlook می پردازید.

Learning Machine

Learning Machine چیست؟ زمینه هوش مصنوعی که در آن هدف این است که یک ماشین (یا رایانه ، یا یک نرم افزار) بدون برنامه نویسی فرا بگیرند و آموزش دهند. چنین دستگاه هایی به دلیل اینکه روش های انسانی را برای انجام وظایف از جمله یادگیری چگونگی عملکرد بهتر به کار می گیرند ، نیاز به برنامه نویسی کمتری دارند. در اصل ، ML به معنای برنامه نویسی یک کامپیوتر / دستگاه / نرم افزار کمی است و به خود اجازه می دهد به تنهایی یاد بگیرد.

روش های مختلفی برای تسهیل یادگیری ماشینی وجود دارد. از آنها ، سه مورد زیر به طور گسترده استفاده می شود:

1. ناظر ،
2. بدون نظارت ، و
3. یادگیری تقویت.

آموزش یادگیری در نظارت بر آموزش

نظارت بر این معنا که برنامه نویسان ابتدا با برچسب دستگاه را تهیه می کنند. داده ها و پاسخ های از قبل پردازش شده. در اینجا ، برچسب ها به معنی نام سطر یا ستون در یک پایگاه داده یا صفحه گسترده هستند. پس از تغذیه مجموعه های عظیمی از چنین داده هایی به رایانه ، آماده است تا مجموعه داده های بیشتر را تجزیه و تحلیل کرده و به تنهایی نتایج را ارائه دهد. این بدان معناست که شما به کامپیوتر آموختید که چگونه داده های تحویل داده شده را تجزیه و تحلیل کند.

معمولاً با استفاده از قانون 80/20 تأیید می شود. مجموعه عظیمی از داده ها به کامپیوتر تغذیه می شوند که منطق پاسخ ها را امتحان کرده و یاد می گیرد. 80 درصد از داده های یک رویداد به همراه پاسخ به کامپیوتر تغذیه می شوند. 20 درصد باقیمانده بدون پاسخ تغذیه می شود تا ببیند آیا کامپیوتر می تواند نتایج مناسبی کسب کند. این 20 درصد برای بررسی متقاطع برای دیدن نحوه یادگیری رایانه (ماشین) استفاده می شود.

Learning Unsupervised Learning

آموزش بدون نظارت هنگامی اتفاق می افتد که دستگاه با مجموعه داده های تصادفی تغذیه می شود که دارای برچسب نیستند و به ترتیب نیستند. . دستگاه باید نحوه تولید نتایج را تشخیص دهد. به عنوان مثال ، اگر آن را به نرم های رنگی مختلفی پیشنهاد می کنید ، باید بتواند بر اساس رنگ ها طبقه بندی شود. بنابراین ، در آینده ، هنگامی که دستگاه با یک softball جدید ارائه می شود ، می تواند توپ را با برچسب های موجود در پایگاه داده خود شناسایی کند. در این روش داده های آموزشی وجود ندارد.

تقویت آموزش یادگیری

ماشین هایی که می توانند توالی تصمیمات را بگیرند ، در این گروه قرار می گیرند. سپس یک سیستم پاداش وجود دارد. اگر دستگاه به آنچه برنامه نویس می خواهد خوب عمل کند ، پاداش می گیرد. دستگاه به گونه ای برنامه ریزی شده است که بیشترین پاداش را می خواهد. و برای به دست آوردن آن ، با ایجاد الگوریتم های مختلف در موارد مختلف ، مشکلات را حل می کند. این بدان معناست که رایانه هوش مصنوعی از روشهای آزمایشی و خطا برای به دست آوردن نتایج استفاده می کند.

برای مثال ، اگر دستگاه وسیله نقلیه خود رانندگی است ، باید سناریو های خاص خود را در جاده ایجاد کند. به هیچ وجه برنامه نویسی نمی تواند هر مرحله را برنامه ریزی کند زیرا وقتی دستگاه در جاده است ، نمی تواند از همه امکانات فکر کند. در اینجا است که آموزش یادگیری تقویت می شود. شما همچنین می توانید آن را آزمایش و خطا نامید.

نحوه یادگیری عمیق با یادگیری ماشینی متفاوت است

Deep Learning برای کارهای پیچیده تری است. Deep Learning یک زیر مجموعه از آموزش ماشین است. فقط این شامل شبکه های عصبی بیشتری است که به دستگاه در یادگیری کمک می کند. شبکه های عصبی دست ساز جدید نیستند. آزمایشگاه ها در سراسر جهان سعی در ایجاد و بهبود شبکه های عصبی دارند تا دستگاه ها بتوانند تصمیم آگاهانه بگیرند. حتماً از سوفیا ، انسانی در عربستان سعودی شنیده اید که تابعیت منظم در اختیار وی قرار گرفته است. شبکه های عصبی مانند مغز انسان هستند اما به اندازه مغز پیچیده نیستند.

شبکه های خوبی وجود دارد که یادگیری عمیق بدون نظارت را فراهم می کند. می توانید بگویید که Deep Learning بیشتر شبکه های عصبی است که از مغز انسان تقلید می کنند. با این وجود ، با داده های نمونه کافی ، از الگوریتم های Deep Learning می توانید برای جمع آوری جزئیات از داده های نمونه استفاده کنید. به عنوان مثال ، با دستگاه پردازشگر تصویر DL ، ایجاد چهره های انسانی با احساسات با توجه به سؤالاتی که از دستگاه پرسیده می شود ، آسان تر است.

موارد فوق AI در مقابل MI در مقابل DL را با زبانی آسان تر توضیح می دهد. هوش مصنوعی و ML زمینه های گسترده ای هستند – که فقط در حال باز شدن هستند و از پتانسیل فوق العاده ای برخوردار هستند. این دلیل برخی از مخالفت با استفاده از یادگیری ماشین و یادگیری عمیق در هوش مصنوعی است.

<! – -> <! – -> <! – – -> <! – ->