Mi az AI?
Az AI (mesterséges intelligencia) a számítástechnika egyik ága, amelyben a gépeket programozzák, és kognitív képességet kapnak arra, hogy gondolkodjanak és utánozzák a cselekedeteket, mint az emberek és az állatok. A mesterséges intelligencia mércéje az emberi intelligencia az érvelés, a beszéd, a tanulás, a látás és a problémamegoldás terén, amely a jövőben még messze van.
Az AI-nek három különböző szintje van:
- Keskeny AI : A mesterséges intelligencia akkor mondható keskenynek, ha a gép egy adott feladatot jobban képes ellátni, mint az ember. Az AI jelenlegi kutatása itt van
- Általános AI : A mesterséges intelligencia akkor éri el az általános állapotot, amikor bármely intellektuális feladatot ugyanolyan pontossággal képes végrehajtani, mint az ember
- Aktív mesterséges intelligencia : Az AI akkor aktív, ha sok feladatban képes legyőzni az embereket
A korai AI rendszerek mintamegfelelő és szakértői rendszereket használtak.
Ebben az oktatóanyagban megtanulja-
- Mi az AI?
- Mi az ML?
- Mi a mély tanulás?
- Gépi tanulási folyamat
- Mély tanulási folyamat
- Automatizálja a funkciók kibontását a DL használatával
- Különbség a gépi tanulás és a mély tanulás között
- Mikor kell használni az ML-t vagy a DL-t?
Mi az ML?
Az ML (Machine Learning) egy olyan mesterséges intelligencia, amelyben a számítógépet arra oktatják, hogy automatizálja az emberi lény számára kimerítő vagy lehetetlen feladatokat. Ez a legjobb eszköz az adatok mintázatának elemzésére, megértésére és azonosítására a számítógépes algoritmusok tanulmányozása alapján. A gépi tanulás minimális emberi beavatkozással hozhat döntéseket.
A mesterséges intelligencia és a gépi tanulás összehasonlításával a gépi tanulás adatok felhasználásával olyan algoritmust táplál, amely megérti a bemenet és a kimenet közötti kapcsolatot. Amikor a gép befejezte a tanulást, megjósolhatja egy új adatpont értékét vagy osztályát.
Mi a mély tanulás?
A mély tanulás egy számítógépes szoftver, amely utánozza az agy neuronjainak hálózatát. Ez a gépi tanulás részhalmaza, és mély tanulásnak hívják, mert mély neurális hálózatokat használ. A gép különböző rétegeket használ az adatokból való tanuláshoz. A modell mélységét a modell rétegeinek száma képviseli. A mély tanulás az AI legújabb szintje. A mély tanulás során a tanulási szakasz ideghálózaton keresztül történik. A neurális hálózat olyan architektúra, ahol a rétegek egymásra vannak rakva
Gépi tanulási folyamat
Képzelje el, hogy egy programot akar felépíteni, amely felismeri az objektumokat. A modell kiképzéséhez osztályozót használ . Az osztályozó az objektum jellemzőit felhasználva próbálja azonosítani azt az osztályt, amelyhez tartozik.
A példában az osztályozót megtanítják felismerni, hogy a kép a:
- Kerékpár
- Hajó
- Autó
- Repülőgép
A fenti négy objektum az osztály, amelyet az osztályozónak fel kell ismernie. Osztályozó összeállításához be kell írnia néhány adatot, és hozzá kell rendelnie egy címkét. Az algoritmus ezeket az adatokat felveszi, megkeres egy mintát, majd besorolja a megfelelő osztályba.
Ezt a feladatot felügyelt tanulásnak hívják . Felügyelt tanulás esetén az algoritmusba betöltött képzési adatok tartalmaznak egy címkét.
Az algoritmus kiképzéséhez néhány szokásos lépést kell követnie:
- Gyűjtse össze az adatokat
- Képezze az osztályozót
- Készíts előrejelzéseket
Az első lépés szükséges, a megfelelő adatok kiválasztása az algoritmust sikeressé vagy kudarcossá teszi. A modell kiképzéséhez választott adatokat jellemzőnek nevezzük . Az objektum példában a jellemzők a képek képpontjai.
Minden kép egy sor az adatokban, míg minden képpont egy oszlop. Ha a képe 28x28 méretű, az adatkészlet 784 oszlopot (28x28) tartalmaz. Az alábbi képen minden kép átalakult jellemző vektorgá. A címke megmondja a számítógépnek, hogy milyen objektum van a képen.
A cél ezen edzési adatok felhasználása az objektum típusának osztályozásához. Az első lépés a funkcióoszlopok létrehozása. Ezután a második lépés magában foglalja egy algoritmus kiválasztását a modell kiképzéséhez. A képzés elvégzése után a modell megjósolja, hogy melyik kép milyen tárgynak felel meg.
Ezt követően könnyen használható a modell új képek előrejelzésére. A modellbe beillesztett minden új kép esetén a gép megjósolja az osztályt, amelyhez tartozik. Például egy teljesen új, címke nélküli kép megy keresztül a modellen. Egy ember számára triviális a képet autóként megjeleníteni. A gép korábbi ismereteit felhasználva jósolja meg a képet is.
Mély tanulási folyamat
A mély tanulás során a tanulási szakasz ideghálózaton keresztül történik. A neurális hálózat olyan architektúra, ahol a rétegek egymásra vannak rakva.
Tekintsük ugyanezt a fenti képet. A képzési készletet egy neurális hálózat táplálná
Minden bemenet egy neuronba kerül, és megszorozza azt egy tömeggel. A szorzás eredménye a következő rétegbe áramlik, és bemenet lesz belőle. Ez a folyamat megismétlődik a hálózat minden rétegénél. A végső réteget kimeneti rétegnek nevezzük; tényleges értéket ad a regressziós feladathoz és az osztályok valószínűségét az osztályozási feladathoz. Az ideghálózat matematikai algoritmust használ az összes idegsejt súlyának frissítésére. Az ideghálózat teljesen kiképzett, ha a súlyok értéke a valósághoz közeli kimenetet ad. Például egy jól képzett neurális hálózat nagyobb pontossággal képes felismerni a képen lévő objektumot, mint a hagyományos neurális háló.
Automatizálja a funkciók kibontását a DL használatával
Egy adatkészlet tucat-száz funkciót tartalmazhat. A rendszer tanulni fog e funkciók relevanciájából. Az algoritmus szempontjából azonban nem minden funkció értelmes. A gépi tanulás kulcsfontosságú része, hogy megtalálja a releváns jellemzőket, hogy a rendszer megtanuljon valamit.
A gépi tanulásban ennek a résznek az egyik módja a funkciókivonás használata. A funkciókivonás a meglévő szolgáltatásokat ötvözi, hogy relevánsabb szolgáltatáskészletet hozzon létre. Megtehető PCA, T-SNE vagy bármely más dimenziósságcsökkentő algoritmusokkal.
Például egy képfeldolgozás esetén a szakembernek manuálisan kell kinyernie a funkciót a képen, például a szemet, az orrot, az ajkakat és így tovább. Ezeket a kinyert jellemzőket az osztályozási modell táplálja.
A mély tanulás megoldja ezt a kérdést, különösen egy konvolúciós ideghálózat esetében. Az ideghálózat első rétege apró részleteket fog megtudni a képből; a következő rétegek a korábbi ismereteket egyesítik összetettebb információk előállításához. A konvolúciós ideghálózatban a funkció kinyerése a szűrő használatával történik. A hálózat szűrőt alkalmaz a képre, hogy lássa, van-e egyezés, azaz a tulajdonság alakja megegyezik a kép egy részével. Ha van egyezés, a hálózat ezt a szűrőt használja. A funkciók kibontásának folyamata tehát automatikusan megtörténik.
Különbség a gépi tanulás és a mély tanulás között
Az alábbiakban bemutatjuk a legfontosabb különbséget a mély tanulás és a gépi tanulás között
|
Gépi tanulás |
Mély tanulás |
|
|
Adatfüggőségek |
Kiváló teljesítmény kis / közepes adathalmazon |
Kiváló teljesítmény nagy adathalmazon |
|
Hardverfüggőségek |
Dolgozzon alacsony minőségű gépen. |
Nagy teljesítményű gépre van szükség, lehetőleg GPU-val: A DL jelentős mennyiségű mátrix szorzást hajt végre |
|
Funkciótervezés |
Meg kell érteni az adatokat ábrázoló jellemzőket |
Nem kell megérteni a legjobb tulajdonságot, amely az adatokat ábrázolja |
|
Végrehajtási idő |
Néhány perctől óráig |
Hetekig. A Neural Network-nek jelentős tömegeket kell kiszámítania |
|
Értelmezhetőség |
Néhány algoritmus könnyen értelmezhető (logisztika, döntési fa), néhány szinte lehetetlen (SVM, XGBoost) |
Nehéz vagy lehetetlen |
Mikor kell használni az ML-t vagy a DL-t?
Az alábbi táblázatban példákkal összefoglaljuk a gépi tanulás és a mély tanulás közötti különbséget.
| Gépi tanulás | Mély tanulás | |
| Képzési adatkészlet | Kicsi | Nagy |
| Válasszon funkciókat | Igen | Nem |
| Algoritmusok száma | Sok | Kevés |
| Edzésidő | Rövid | Hosszú |
A gépi tanulással kevesebb adatra van szüksége az algoritmus kiképzéséhez, mint a mély tanuláshoz. A mély tanuláshoz kiterjedt és változatos adatkészletre van szükség az alapul szolgáló szerkezet azonosításához. Ezenkívül a gépi tanulás gyorsabban képzett modellt nyújt. A legfejlettebb mély tanulási architektúra napoktól egy hétig tarthat. A mély tanulás előnye a gépi tanulással szemben, hogy nagyon pontos. Nem kell megértenie, hogy az adatok mely tulajdonságai reprezentálják a legjobban; az idegháló megtanulta a kritikus jellemzők kiválasztását. A gépi tanulás során magának kell megválaszolnia, hogy milyen funkciókat vegyen fel a modellbe.
Összegzés
A mesterséges intelligencia kognitív képességet kölcsönöz a gépnek. Az AI és a Machine Learning összehasonlításával a korai AI rendszerek mintamegfelelő és szakértői rendszereket használtak.
A gépi tanulás ötlete az, hogy a gép emberi beavatkozás nélkül képes tanulni. A gépnek meg kell találnia a módját, hogy megtanulja, hogyan lehet megoldani egy feladatot az adatok alapján.
A mély tanulás az áttörés a mesterséges intelligencia területén. Ha elegendő adat van a továbbképzéshez, a mély tanulás lenyűgöző eredményeket ér el, különösen a képfelismerés és a szövegfordítás terén. A fő ok az, hogy a szolgáltatás kibontása automatikusan megtörténik a hálózat különböző rétegeiben.