Kas ir AI?
AI (mākslīgais intelekts) ir datorzinātnes nozare, kurā mašīnas tiek ieprogrammētas un tām piešķir kognitīvu spēju domāt un atdarināt darbības, piemēram, cilvēkus un dzīvniekus. AI etalons ir cilvēka inteliģence attiecībā uz spriešanu, runu, mācīšanos, redzi un problēmu risināšanu, kas nākotnē ir tālu.
AI ir trīs dažādi līmeņi:
- Šaurs AI : tiek teikts, ka mākslīgais intelekts ir šaurs, ja iekārta var veikt konkrētu uzdevumu labāk nekā cilvēks. Pašreizējie AI pētījumi ir šeit
- Vispārīgais AI : mākslīgais intelekts nonāk vispārējā stāvoklī, kad tas var veikt jebkuru intelektuālu uzdevumu ar tādu pašu precizitātes līmeni, kāds būtu cilvēkam
- Aktīvs AI : AI ir aktīvs, ja tas var pārspēt cilvēkus daudzos uzdevumos
Agrīnās AI sistēmās tika izmantotas modeļu saskaņošanas un ekspertu sistēmas.
Šajā apmācībā jūs uzzināsiet
- Kas ir AI?
- Kas ir ML?
- Kas ir dziļa mācīšanās?
- Mašīnmācīšanās process
- Dziļš mācību process
- Automatizējiet funkciju ekstrakciju, izmantojot DL
- Atšķirība starp mašīnmācīšanos un dziļu mācīšanos
- Kad lietot ML vai DL?
Kas ir ML?
ML (mašīnmācīšanās) ir AI veids, kurā dators tiek apmācīts automatizēt uzdevumus, kas cilvēkiem ir pilnīgi vai neiespējami. Tas ir labākais rīks, lai analizētu, saprastu un identificētu datu modeļus, pamatojoties uz datoru algoritmu izpēti. Mašīnmācīšanās var pieņemt lēmumus ar minimālu cilvēka iejaukšanos.
Salīdzinot mākslīgo intelektu un mašīnmācīšanos, mašīnmācīšanās izmanto datus, lai ievadītu algoritmu, kas var saprast saikni starp ievadi un izvadi. Kad mašīna ir pabeigusi mācīšanos, tā var paredzēt jauna datu punkta vērtību vai klasi.
Kas ir dziļa mācīšanās?
Dziļa mācīšanās ir datora programmatūra, kas atdarina smadzeņu neironu tīklu. Tā ir mašīnmācīšanās apakškopa un tiek saukta par dziļu mācīšanos, jo tā izmanto dziļus neironu tīklus. Iekārta izmanto dažādus slāņus, lai mācītos no datiem. Modeļa dziļumu attēlo modeļa slāņu skaits. Dziļa mācīšanās ir jauns sasniegums AI jomā. Dziļās mācībās mācīšanās fāze tiek veikta, izmantojot neironu tīklu. Neironu tīkls ir arhitektūra, kurā slāņi ir sakrauti viens uz otra
Mašīnmācīšanās process
Iedomājieties, ka jums ir paredzēts izveidot programmu, kas atpazīst objektus. Lai apmācītu modeli, jūs izmantosiet klasifikatoru . Klasifikators izmanto objekta pazīmes, lai mēģinātu identificēt klasi, kurai tas pieder.
Šajā piemērā klasifikators tiks apmācīts noteikt, vai attēls ir:
- Velosipēds
- Laiva
- Automašīna
- Lidmašīna
Četri iepriekš minētie objekti ir klase, kas klasifikatoram jāatpazīst. Lai izveidotu klasifikatoru, jums jāievada daži dati un jāpiešķir tiem etiķete. Algoritms ņems šos datus, atradīs modeli un pēc tam klasificēs to attiecīgajā klasē.
Šo uzdevumu sauc par uzraudzītu mācīšanos. Uzraudzītās mācībās apmācības dati, kurus ievadāt algoritmā, ietver etiķeti.
Apmācot algoritmu, ir jāveic dažas standarta darbības:
- Savāc datus
- Apmācīt klasifikatoru
- Veikt prognozes
Pirmais solis ir nepieciešams, izvēloties pareizos datus, algoritms būs veiksmīgs vai izgāzies. Datus, kurus izvēlaties apmācīt modeli, sauc par iezīmēm. Objekta piemērā funkcijas ir attēlu pikseļi.
Katrs attēls ir datu rinda, bet katrs pikseļi ir kolonna. Ja jūsu attēls ir 28x28 izmēra, datu kopā ir 784 kolonnas (28x28). Zemāk redzamajā attēlā katrs attēls ir pārveidots par iezīmju vektoru. Etiķete datoram norāda, kāds objekts atrodas attēlā.
Mērķis ir izmantot šos apmācības datus, lai klasificētu objekta tipu. Pirmais solis ir iezīmju kolonnu izveide. Tad otrais solis ietver algoritma izvēli modeļa apmācībai. Kad apmācība būs pabeigta, modelis paredzēs, kāds attēls atbilst kādam objektam.
Pēc tam modeli ir viegli izmantot jaunu attēlu prognozēšanai. Katram modelim ievadāmam jaunam attēlam mašīna paredzēs klasi, kurai tā pieder. Piemēram, modeli izskata pilnīgi jauns attēls bez etiķetes. Cilvēkam ir mazsvarīgi vizualizēt attēlu kā automašīnu. Mašīna izmanto iepriekšējās zināšanas, lai prognozētu, kā arī attēls ir automašīna.
Dziļš mācību process
Dziļās mācībās mācīšanās fāze tiek veikta, izmantojot neironu tīklu. Neironu tīkls ir arhitektūra, kurā slāņi ir sakrauti viens uz otra.
Apsveriet to pašu attēla piemēru iepriekš. Apmācību komplekts tiktu padots neironu tīklam
Katrs ievads nonāk neironā un tiek reizināts ar svaru. Reizināšanas rezultāts plūst uz nākamo slāni un kļūst par ievadi. Šis process tiek atkārtots katram tīkla slānim. Pēdējais slānis tiek nosaukts par izvades slāni; tas nodrošina regresijas uzdevuma faktisko vērtību un katras klases varbūtību klasifikācijas uzdevumam. Neironu tīkls izmanto matemātisko algoritmu, lai atjauninātu visu neironu svaru. Neironu tīkls ir pilnībā apmācīts, kad svaru vērtība dod tuvu realitātei. Piemēram, labi apmācīts neironu tīkls var atpazīt objektu uz attēla ar lielāku precizitāti nekā tradicionālais neironu tīkls.
Automatizējiet funkciju ekstrakciju, izmantojot DL
Datu kopa var saturēt no duciem līdz simtiem funkciju. Sistēma mācīsies no šo funkciju atbilstības. Tomēr ne visas funkcijas ir nozīmīgas algoritmam. Izšķiroša mašīnmācīšanās sastāvdaļa ir atrast atbilstošu funkciju kopumu, lai sistēma kaut ko iemācītos.
Viens no veidiem, kā veikt šo daļu mašīnmācībās, ir izmantot funkciju izvilkšanu. Funkciju ieguve apvieno esošās funkcijas, lai izveidotu atbilstošāku funkciju kopumu. To var izdarīt ar PCA, T-SNE vai citiem izmēru samazināšanas algoritmiem.
Piemēram, attēla apstrādei ārstam ir manuāli jāizvelk funkcija attēlā, piemēram, acis, deguns, lūpas un tā tālāk. Šīs iegūtās pazīmes tiek izmantotas klasifikācijas modelim.
Dziļa mācīšanās atrisina šo problēmu, īpaši attiecībā uz konvolucionālo neironu tīklu. Pirmais neironu tīkla slānis iemācīsies sīkas detaļas no attēla; nākamie slāņi apvienos iepriekšējās zināšanas, lai iegūtu sarežģītāku informāciju. Konvolucionālajā neironu tīklā iezīme tiek iegūta, izmantojot filtru. Tīkls attēlam pielieto filtru, lai redzētu, vai ir atbilstība, ti, objekta forma ir identiska attēla daļai. Ja ir atbilstība, tīkls izmantos šo filtru. Līdz ar to iezīmju iegūšanas process tiek veikts automātiski.
Atšķirība starp mašīnmācīšanos un dziļu mācīšanos
Zemāk ir galvenā atšķirība starp dziļu mācīšanos un mašīnmācīšanos
|
Mašīnmācība |
Dziļa mācīšanās |
|
|
Datu atkarības |
Lieliskas veiktspējas nelielā / vidējā datu kopā |
Lielisks sniegums lielā datu kopā |
|
Aparatūras atkarības |
Darbs pie zemas klases mašīnas. |
Nepieciešama jaudīga mašīna, vēlams ar GPU: DL veic ievērojamu daudzumu matricas reizināšanas |
|
Funkciju inženierija |
Jāsaprot funkcijas, kas attēlo datus |
Nav jāsaprot vislabākā funkcija, kas atspoguļo datus |
|
Izpildes laiks |
No dažām minūtēm līdz stundām |
Līdz nedēļām. Neironu tīklam jāaprēķina ievērojams skaits svaru |
|
Interpretējamība |
Daži algoritmi ir viegli interpretējami (loģistika, lēmumu koks), daži ir gandrīz neiespējami (SVM, XGBoost) |
Grūti vai neiespējami |
Kad lietot ML vai DL?
Zemāk esošajā tabulā mēs apkopojam atšķirību starp mašīnmācīšanos un dziļu mācīšanos ar piemēriem.
| Mašīnmācīšanās | Dziļa mācīšanās | |
| Apmācības datu kopa | Mazs | Liels |
| Izvēlieties funkcijas | Jā | Nē |
| Algoritmu skaits | Daudzi | Maz |
| Apmācības laiks | Īss | Garš |
Izmantojot mašīnmācīšanos, algoritma apmācībai ir nepieciešams mazāk datu nekā dziļai mācīšanai. Lai dziļi mācītos, ir nepieciešams plašs un daudzveidīgs datu kopums, lai identificētu pamatstruktūru. Turklāt mašīnmācīšanās nodrošina ātrāk apmācītu modeli. Vismodernākajai dziļo mācību arhitektūrai var būt nepieciešamas dienas līdz nedēļai. Dziļās mācīšanās priekšrocība salīdzinājumā ar mašīnmācīšanos ir ļoti precīza. Jums nav jāsaprot, kuras funkcijas vislabāk attēlo datus; neironu tīkls iemācījās izvēlēties kritiskās pazīmes. Mašīnmācībā jums pašiem jāizvēlas, kādas funkcijas iekļaut modelī.
Kopsavilkums
Mākslīgais intelekts mašīnai piešķir kognitīvas spējas. Salīdzinot AI pret mašīnmācīšanos, agrīnās AI sistēmās tika izmantotas modeļu saskaņošanas un ekspertu sistēmas.
Mašīnmācīšanās ideja ir tāda, ka mašīna var mācīties bez cilvēka iejaukšanās. Iekārtai ir jāatrod veids, kā iemācīties atrisināt uzdevumu, ņemot vērā datus.
Dziļa mācīšanās ir sasniegums mākslīgā intelekta jomā. Kad ir pietiekami daudz datu, lai apmācītu, ar dziļu mācīšanos tiek gūti iespaidīgi rezultāti, īpaši attiecībā uz attēlu atpazīšanu un teksta tulkošanu. Galvenais iemesls ir tas, ka iezīme tiek automātiski iegūta dažādos tīkla slāņos.