Zariadenia pripojené na internet sa nazývajú inteligentné zariadenia. Takmer všetko, čo súvisí s internetom^(Internet) , je známe ako inteligentné zariadenie^{(smart device)} . V tejto súvislosti možno povedať, že kód, vďaka ktorému sú zariadenia SMARTERŠIE –^{(SMARTER – )} takže môžu pracovať s minimálnym alebo bez akéhokoľvek ľudského zásahu – je založený na umelej inteligencii^{(Artificial Intelligence)} (AI). Ďalšie dva, menovite: Machine Learning (ML) a Deep Learning (DL), sú rôzne typy algoritmov vytvorených tak, aby priniesli viac možností do inteligentných zariadení. Pozrime sa nižšie podrobne na AI vs ML vs DL , aby sme pochopili, čo robia a ako sú prepojené s AI.

Čo je umelá inteligencia v súvislosti s ML a DL

AI možno nazvať nadmnožinou procesov strojového učenia^{(Machine Learning)} (ML) a procesov hlbokého učenia^{(Deep Learning)} (DL). AI je zvyčajne zastrešujúci pojem, ktorý sa používa pre ML a DL. Hlboké učenie^{(Deep Learning)} je opäť podmnožinou strojového učenia^{(Machine Learning)} (pozri obrázok vyššie).

Niektorí tvrdia, že strojové učenie^{(Machine Learning)} už nie je súčasťou univerzálnej AI. Hovorí sa, že ML je úplná veda sama o sebe, a preto ju netreba nazývať s odkazom na umelú inteligenciu^{(Artificial Intelligence)} . AI sa darí na dátach: Big Data . Čím viac údajov spotrebuje, tým je presnejší. Nejde o to, že bude vždy správne predpovedať. Budú aj falošné vlajky. Umelá inteligencia sa na tieto chyby trénuje a zdokonaluje sa v tom, čo má robiť – s ľudským dohľadom alebo bez neho.

Umelá inteligencia sa nedá správne definovať, pretože prenikla takmer do všetkých odvetví a ovplyvňuje príliš veľa typov (obchodných) procesov a algoritmov. Dá sa povedať, že umelá inteligencia^{(Intelligence)} je založená na Data Science (DS: Big Data ) a ako svoju samostatnú súčasť obsahuje strojové učenie . ^{(Machine Learning)}Podobne aj^(Likewise) Hlboké učenie^{(Deep Learning)} je samostatnou súčasťou strojového učenia^{(Machine Learning)} .

Spôsob, akým sa trh IT nakláňa, by budúcnosť ovládali pripojené inteligentné zariadenia nazývané internet vecí (IoT)^{(Internet of Things (IoT))} . Inteligentné^(Smart) zariadenia znamenajú umelú inteligenciu: priamo alebo nepriamo. Umelú inteligenciu (AI) už používate v mnohých úlohách vo svojom každodennom živote. Napríklad písanie na klávesnici smartfónu, ktorá sa neustále zlepšuje v „návrhoch slov“. Medzi ďalšie príklady, kde nevedomky máte čo do činenia s umelou inteligenciou^{(Artificial Intelligence)} , patrí vyhľadávanie vecí na internete^(Internet) , online nakupovanie a samozrejme vždy inteligentné e-mailové schránky Gmail a Outlook .

Čo je strojové učenie

Strojové učenie^(Learning) je oblasť umelej inteligencie^{(Artificial Intelligence)} , ktorej cieľom je, aby sa stroj (alebo počítač alebo softvér) učil a trénoval sám bez veľkého programovania. Takéto zariadenia vyžadujú menej programovania, pretože používajú ľudské metódy na dokončenie úloh vrátane učenia sa, ako lepšie fungovať. ML v podstate^(Basically) znamená trochu naprogramovať počítač/zariadenie/softvér a umožniť mu učiť sa sám.

Existuje niekoľko metód na uľahčenie strojového učenia^{(Machine Learning)} . Z nich sa vo veľkej miere používajú tieto tri:

1. pod dohľadom,
2. Bez dozoru a
3. Posilňovacie učenie.

Riadené učenie v strojovom učení^{(Machine Learning)}

Dohliadané v tom zmysle, že programátori najskôr poskytnú stroju označené údaje a už spracované odpovede. Označenia tu znamenajú názvy riadkov alebo stĺpcov v databáze alebo tabuľke. Po odovzdaní obrovských súborov takýchto údajov do počítača je počítač pripravený analyzovať ďalšie súbory údajov a poskytnúť výsledky sám. To znamená, že ste počítač naučili, ako analyzovať údaje, ktoré sú doň privádzané.

Zvyčajne sa potvrdzuje pomocou pravidla 80/20. Obrovské^(Huge) súbory údajov sa privádzajú do počítača, ktorý skúša a učí sa logiku odpovedí. 80 percent údajov z udalosti sa prenáša do počítača spolu s odpoveďami. Zvyšných 20 percent je kŕmených bez odpovedí, aby sa zistilo, či počítač môže prísť so správnymi výsledkami. Týchto 20 percent sa používa na krížovú kontrolu, aby sa zistilo, ako sa počítač (stroj) učí.

Strojové učenie bez dozoru

K učeniu bez dozoru dochádza, keď je stroj napájaný náhodnými súbormi údajov, ktoré nie sú označené a nie sú v poriadku. Stroj musí prísť na to, ako dosiahnuť výsledky. Ak mu napríklad ponúknete softbaly rôznych farieb, malo by byť schopné kategorizovať podľa farieb. V budúcnosti, keď sa stroju predstaví nová softloptička, dokáže identifikovať loptičku s už existujúcimi štítkami vo svojej databáze. V tejto metóde nie sú žiadne tréningové údaje. Stroj sa musí učiť sám.

Posilňovacie učenie

Do tejto kategórie patria stroje, ktoré dokážu robiť postupnosť rozhodnutí. Potom je tu systém odmeňovania. Ak stroj robí dobre čokoľvek, čo programátor chce, dostane odmenu. Stroj je naprogramovaný tak, že túži po maximálnej odmene. A aby to bolo možné, rieši problémy vymýšľaním rôznych algoritmov v rôznych prípadoch. To znamená, že počítač AI používa metódy pokusov a omylov, aby dospel k výsledkom.

Napríklad, ak je stroj samoriadiace vozidlo, musí si vytvoriť vlastné scenáre na ceste. Programátor nemôže v žiadnom prípade naprogramovať každý krok, pretože nemôže myslieť na všetky možnosti, keď je stroj na ceste. To je miesto, kde prichádza na scénu posilňovacie učenie^{(Reinforcement Learning)} . Môžete to nazvať aj AI pokus-omyl.

Ako sa hlboké učenie líši od strojového učenia^{(Machine Learning)}

Hlboké učenie^{(Deep Learning)} je pre zložitejšie úlohy. Hlboké učenie^{(Deep Learning)} je podmnožinou strojového učenia^{(Machine Learning)} . Jedine, že obsahuje viac neurónových sietí, ktoré pomáhajú stroju v učení. Umelé^(Manmade) neurónové siete nie sú nové. Laboratóriá^(Labs) na celom svete sa snažia budovať a zlepšovať neurónové siete tak, aby stroje mohli prijímať informované rozhodnutia. Určite ste už počuli o Sophii^(Sophia) , humanoidke v Saudskej Arábii^(Saudi) , ktorej bolo poskytnuté riadne občianstvo. Neurónové siete sú ako ľudské mozgy, ale nie také sofistikované ako mozog.

Existuje niekoľko dobrých sietí, ktoré poskytujú hlboké učenie bez dozoru. Dá sa povedať, že Deep Learning sú skôr neurónové siete, ktoré napodobňujú ľudský mozog. Napriek tomu s dostatočným množstvom vzorových údajov je možné použiť algoritmy hlbokého učenia na získanie podrobností zo vzorových údajov. ^{(Deep Learning)}Napríklad so strojom DL s obrazovým procesorom je jednoduchšie vytvárať ľudské tváre s emóciami meniacimi sa podľa otázok, ktoré stroj kladie.

Vyššie uvedené vysvetľuje AI vs MI vs DL v jednoduchšom jazyku. AI a ML sú rozsiahle polia – ktoré sa len otvárajú a majú obrovský potenciál. To je dôvod, prečo sú niektorí ľudia proti používaniu strojového učenia^{(Machine Learning)} a hlbokého učenia^{(Deep Learning)} v umelej inteligencii^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devices. Pretty much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS aplikácia využíva strojové učenie

• Fakty, mýty, debaty o umelej inteligencii

• Čo je hlboké učenie a neurónová sieť

• Najlepší bezplatný softvér na umelú inteligenciu pre Windows 10

• Ako nainštalovať Drupal pomocou WAMP na Windows

• Ako previesť binárny text na text pomocou tohto prevodníka textu na binárny

• Čo je to hra Blue Whale Challenge Dare

• Tento účet nie je prepojený so žiadnym účtom Mixer

• Ako zatvoriť svoj Payoneer účet?

• Najlepšie stoly pod notebooky na nákup online

• Etiketa pri videokonferenciách, tipy a pravidlá, ktoré musíte dodržiavať

• Aplikácie OpenGL nefungujú na bezdrôtovom displeji Miracast v systéme Windows 11/10

• Microsoft Identity Manager: Funkcie, stiahnutie

• Najlepší bezplatný softvér pre zabezpečený digitálny notebook a online služby

• Najlepšie softvérové ​​a hardvérové ​​bitcoinové peňaženky pre Windows, iOS, Android

• Preveďte magnetické odkazy na odkazy na priame stiahnutie pomocou programu Seedr

• Čo je Data Analytics a na čo sa používa

• Ako odstrániť svoj účet LastPass

• Rozdiel medzi analógovými, digitálnymi a hybridnými počítačmi

• Ako chrániť heslom a zabezpečiť dokumenty PDF pomocou LibreOffice