Odată cu dezvoltarea și îmbunătățirea dispozitivelor inteligente, se pune tot mai mult accent pe avantajele învățării automate - învățarea automată sau ML. Vrem ca noul nostru dispozitiv preferat să fie mai inteligent, să ne recunoască vocea, să vedem când ne împușcăm animalul sau mâncarea. Și ce se află în spatele acestui lucru?

știm

Acestea sunt algoritmi pe care dispozitivele îi utilizează pentru a crea modele matematice bazate pe exemple de date numite „date de antrenament” pentru a prezice sau a lua decizii fără a fi programate în mod explicit pentru a face acest lucru. De exemplu, pentru filtrarea e-mailurilor, pentru detectarea accesului neautorizat etc., unde algoritmii cu instrucțiuni specifice nu pot fi compilate.

Algoritmii de învățare automată folosesc statistici pentru a găsi modele în cantități mari de date. Și aici, „date” înseamnă și numere, cuvinte, imagini, clicuri. Tot ceea ce poate fi stocat digital poate fi utilizat și într-un algoritm de auto-învățare a mașinilor.

Autoînvățarea automată este, de asemenea, utilizată pentru multe dintre serviciile care sunt prezente în viața noastră de zi cu zi - Netflix, YouTube și Spotify, motoare de căutare precum Google și Baidu, rețele sociale precum Facebook și Twitter; asistenți vocali precum Siri și Alexa. Fiecare dintre aceste platforme colectează cât mai multe date despre noi - ce genuri iubim, ce legături deschidem. și folosește învățarea automată pentru a ghici ce am dori să ne oferim în continuare. Respectiv cu asistenții vocali - pentru a înțelege ce spunem, ce vrem și de ce nu. ce ne-am dori mai departe.

În câteva cuvinte - „găsiți modelul și aplicați modelul”.

Conform unor publicații - bazele ML au fost stabilite în 1949. de Donald Hebb în cartea Organizația Comportamentului (PDF), în care își prezintă teoria excitației neuronilor și a comunicării dintre ei.

Hebb descrie: „Când o celulă îl excită în mod repetat pe altul, axonul primei celule dezvoltă noduri sinaptice (sau le extinde, dacă acestea există deja) în contact cu somnul celei de-a doua celule.” Modelul său este conceptul de bază pentru crearea artificială rețele neuronale, descriind modul în care se schimbă conexiunile dintre neuronii artificiali (numiți și noduri), precum și modificările neuronilor individuali. Folosește termenul „greutate” pentru a descrie aceste interconectări între noduri/neuroni. Ele pot fi atât pozitive, cât și negative și pot crește dacă sunt activate simultan, respectiv și pot slăbi dacă sunt activate separat.

O prezentare detaliată a dezvoltării de atunci până în prezent este discutată aici. Dacă sunteți interesat - puteți vizualiza. A fost interesant pentru mine să aflu ce contribuție are IBM

Învățarea profundă este învățarea automată care funcționează la un nivel mult mai fin și în profunzime. Chiar și cele mai mici modele sunt descoperite și aplicate, cu multe cuvinte din noduri de calcul simple care lucrează în paralel pentru a lucra împreună pentru a transforma datele și a oferi un rezultat final sub forma unei prognoze. În dreapta imaginii, este vizualizată structura multistrat.

Rețelele neuronale funcționează similar cu creierul uman. Nodurile sunt impozitul neuronilor și rețeaua creierului uman. Din punct de vedere tehnic, elementele de bază ale învățării profunde au fost introduse în 1986 de Geoffrey Hinton, după care tehnica sa a căzut în paragină și aproape 30 de ani mai târziu a ieșit pe creasta valului:

Fiecare rețea neuronală are multe cuvinte și greutăți diferite ale interacțiunilor dintre noduri. Când datele sunt introduse la intrare, obținem rezultate la ieșire, în funcție de greutăți. Problema apare atunci când un programator uman trebuie să determine aceste sarcini. Când rezultatele la ieșire indică faptul că greutățile trebuie reajustate - devine destul de mult timp să o faci manual de fiecare dată. Și aici, rețeaua neuronală trece în domeniul învățării automate, aplicând feedback corectiv.

În învățarea automată, rezultatele obținute sunt comparate cu datele de intrare, iar greutatea neuronilor este modificată treptat.. Astfel, rețeaua este auto-învățată, pentru a-și îmbunătăți acuratețea. Important este că algoritmul de învățare automată este capabil să învețe și să funcționeze fără programatori, folosind fiecare nouă oportunitate din date noi. Și nu este necesar să se definească în avans toate căile posibile.

Odată antrenat, algoritmul de învățare automată este capabil să sorteze date de intrare noi prin rețea cu viteză și precizie ridicate - în timp real. A devenit o tehnologie de vârf pentru viziunea pe computer, recunoașterea vocii, procesarea limbajului și proiecte de cercetare. Rețelele neuronale sunt cel mai popular mod de a face Deep Learning, dar există și alte modalități de a realiza învățarea automată.

Inteligența artificială îndeplinește sarcini similare inteligenței umane, cum ar fi învățarea, planificarea și luarea deciziilor. Este conceput pentru a îndeplini sarcini specifice. De exemplu - tranzacționarea acțiunilor, gestionarea traficului în oraș, pentru diagnosticare .