Базовые знания об ИИ и его подтемах. Примеры и цели использования.
вступление
Прежде всего, я хочу прояснить, что цель этого поста — предоставить вам фундаментальные знания об ИИ, а не описывать все до мельчайших нюансов темы, перечисленные выше.
Не будет ни алгоритмов для машинного обучения, ни структур для нейронных сетей. Уровень знаний, необходимый для прочтения этой статьи, — начальный или средний (для обоих уровней этот текст должен помочь увидеть полную картину поля ИИ).
Надеюсь вам нравится!
Связь между AI/ML/DL
"Искусственный интеллект – это наука о том, как заставить машины выполнять действия, которые потребовали бы интеллекта, если бы их выполняли люди", Марвин Ли Мински, 1967 г.
Главное, что вам нужно помнить, это то, что DL∈ML∈AI∈Информатика.
Это означает, что машинное обучение является подкатегорией ИИ, а глубокое обучение — подкатегорией машинного обучения, то есть обе они являются формами ИИ. Вы можете увидеть это на картинке выше.
Говоря о науке о данных, которая не является подтемой ИИ, но использует множество методов и алгоритмов из нее, DS гораздо более практичен и использует сбор и обработку данных, статистику, визуализацию, EDA и т. д. для решать бизнес-задачи.
Теперь мы понимаем структуру ИИ и его подтемы, поэтому давайте поговорим о каждой из тем более подробно.
ИИ (искусственный интеллект)
ИИ сам по себе является областью компьютерных наук, которая в первую очередь занимается разработкой машин, имитирующих человеческий интеллект и поведение. ИИ прогнозирует, автоматизирует и выполняет задачи, обычно выполняемые людьми, с большей точностью, меньшей предвзятостью, меньшими затратами и временем.
Основными примерами использования «классических» алгоритмов ИИ являются: экспертные системы (задачи диагностики и т. д.), игровые системы (алгоритмы предсказания правильных ходов в крестиках-ноликах, шахматах и т. д.) и многие другие задачи. .
Как видите, нет тем, где мы что-то классифицируем или предсказываем, так как «классические» алгоритмы ИИ не очень подходят для этих задач, которые предназначены для ML и DL.
ML (машинное обучение)
ML — это тип ИИ, который использует алгоритмы для изучения модели, используя данные для построения ее шаблона и использования ее для различных целей, которые будут перечислены ниже. Машинное обучение использует методы математического анализа, статистики и базовых структур нейронных сетей.
Существует два типа обучения: контролируемое и неконтролируемое.
- Контролируемое обучение — это тип обучения, в котором у нас есть ярлыки («ответы») для всех наших обучающих данных. Основными задачами обучения с учителем являются классификация и регрессия.
- Для обучения без учителя у наших данных нет меток, и нам нужно классифицировать их самостоятельно. Основная задача неконтролируемого обучения — кластеризация.
Примечание. Существуют также различные типы, называемые обучением с подкреплением и уменьшением размерности, но мы не будем их касаться в этом посте.
Мы используем машинное обучение, когда нам нужно классифицировать некоторые данные (допустим, у нас есть данные о росте, длине волос и месячной зарплате группы людей, и нам нужно классифицировать пол и т. д.). , прогнозировать некоторую стоимость (например, у нас есть несколько характеристик дома, и нам нужно предсказать его стоимость), или разделить нераспределенные данные (у нас есть данные о фильмах, но мы не имеют значения категории фильма, и нам нужно построить свои категории фильмов и задать каждому фильму некоторые из них).
DL (глубокое обучение)
Глубокое обучение — это эволюция машинного обучения и нейронных сетей, которые используют передовое компьютерное программирование и обучение для понимания сложных закономерностей, скрытых в больших наборах данных.
Структура моделей глубокого обучения намного сложнее (не будем касаться этого в этом посте), чем в машинном обучении, поэтому нам требуется экспоненциально больше времени для их обучения.
Сейчас глубокое обучение повсюду, и большинство так называемых «прорывов в области искусственного интеллекта» — заслуга глубокого обучения. Всего несколько примеров: GPT, DALL-E, Midjourney и еще много других .ai-ов, с которыми вы могли столкнуться.
Заключение
Искусственный интеллект воссоздает человеческий интеллект и поведение с помощью алгоритмов, данных и моделей. ИИ реализуется при использовании машины для выполнения задачи с использованием человеческого поведения.
Машинное обучение, ветвь искусственного интеллекта, использует алгоритмы для понимания и прогнозирования закономерностей в данных. Когда модель необходимо научить прогнозировать результат или находить тенденцию с использованием структурированных данных, используется машинное обучение (МО).
Глубокое обучение, подвид машинного обучения, представляет собой развитие нейронных сетей и машинного обучения. Он использует сложное компьютерное программирование и обучение для понимания сложных закономерностей, скрытых в массивных наборах данных, подобно человеческому мозгу.
P.S.
Я знаю, что могу упустить много важного в этой статье и допустить небольшие логические ошибки, поэтому прошу указывать на них в комментариях и предлагать идеи для новых статей. Надеюсь, этот текст был интересен и полезен для вас!