Az internetre^(Internet) csatlakoztatott eszközöket intelligens eszközöknek nevezzük. Szinte mindent, ami az internettel kapcsolatos, ^(Internet)okoseszközként^{(smart device)} ismerünk . Ebben az összefüggésben az a kód, amely az eszközöket OKOSABBé teszi –^{(SMARTER – )} hogy minimális vagy emberi beavatkozás nélkül tudjon működni – mesterséges intelligenciára^{(Artificial Intelligence)} (AI) épülőnek mondható . A másik kettő, nevezetesen: a Machine Learning (ML) és a Deep Learning (DL) különböző típusú algoritmusok, amelyek célja, hogy több képességet vigyenek az intelligens eszközökbe. Nézzük meg az alábbiakban részletesen az AI vs ML vs DL játékot^{(AI vs ML vs DL )} , hogy megértsük, mit csinálnak, és hogyan kapcsolódnak az AI-hez.

Mi a mesterséges intelligencia az ML és DL tekintetében?

Az AI a Machine Learning (ML) és a Deep Learning (DL) folyamatok szuperhalmazának nevezhető. Az AI általában egy gyűjtőfogalom, amelyet az ML-re és a DL-re használnak. A Deep Learning ismét a ^{(Deep Learning)}gépi tanulás^{(Machine Learning)} egy részhalmaza (lásd a fenti képet).

Egyesek azzal érvelnek, hogy a gépi tanulás^{(Machine Learning)} már nem része az univerzális mesterséges intelligenciának. Azt mondják, hogy az ML önmagában egy teljes tudomány, ezért nem kell a mesterséges intelligenciára^{(Artificial Intelligence)} hivatkozva nevezni . Az AI virágzik az adatokon: Big Data . Minél több adatot fogyaszt, annál pontosabb. Nem arról van szó, hogy mindig helyesen fog jósolni. Lesznek hamis zászlók is. Az AI képzi magát ezekre a hibákra, és jobbá válik abban, amit tennie kell – emberi felügyelettel vagy anélkül.

A mesterséges intelligenciát nem lehet megfelelően meghatározni, mivel szinte minden iparágba behatolt, és túl sok (üzleti) folyamatra és algoritmusra van hatással. Elmondhatjuk, hogy a mesterséges intelligencia^{(Intelligence)} az adattudományon^{(Data Science)} (DS: Big Data ) alapul, és külön részeként tartalmazza a gépi tanulást . ^{(Machine Learning)}Hasonlóképpen^(Likewise) , a Deep Learning a ^{(Deep Learning)}gépi tanulás^{(Machine Learning)} külön része .

Az IT-piac dőlésszögében a jövőt az összekapcsolt okoseszközök, az úgynevezett tárgyak internete (IoT)^{(Internet of Things (IoT))} uralják . Az okoseszközök^(Smart) mesterséges intelligenciát jelentenek: közvetlenül vagy közvetve. Már most is használja a mesterséges intelligenciát (AI) a mindennapi életében számos feladatban. Például az okostelefon billentyűzetén történő gépelés, amely folyamatosan javítja a „szavas javaslatokat”. Többek között olyan példák, ahol tudtán kívül mesterséges intelligenciával van dolgod, az ^{(Artificial Intelligence)}interneten^(Internet) való keresés, az online vásárlás, és természetesen az egyre intelligens Gmail és Outlook e- mail-fiókok.

Mi az a gépi tanulás

A gépi tanulás a ^(Learning)mesterséges intelligencia^{(Artificial Intelligence)} olyan területe, ahol a cél az, hogy egy gépet (vagy számítógépet vagy szoftvert) megtanuljon és képezzen önmagát különösebb programozás nélkül. Az ilyen eszközök kevesebb programozást igényelnek, mivel emberi módszereket alkalmaznak a feladatok elvégzésére, beleértve a jobb teljesítmény megtanulását. Alapvetően^(Basically) az ML azt jelenti, hogy egy kicsit programozunk egy számítógépet/eszközt/szoftvert, és engedjük, hogy önállóan tanuljon.

Számos módszer létezik a gépi tanulás^{(Machine Learning)} megkönnyítésére . Közülük a következő hármat használják széles körben:

1. Felügyelt,
2. Felügyelet nélkül, és
3. Megerősítő tanulás.

Felügyelt tanulás a gépi tanulásban^{(Machine Learning)}

Olyan értelemben felügyelt, hogy a programozók először ellátják a gépet címkézett adatokkal és már feldolgozott válaszokkal. Itt a címkék egy adatbázisban vagy táblázatban található sor- vagy oszlopneveket jelentik. Az ilyen adatok hatalmas halmazainak a számítógépbe történő betáplálása után készen áll további adatsorok elemzésére és önálló eredmények közlésére. Ez azt jelenti, hogy megtanította a számítógépnek, hogyan elemezze a rá betáplált adatokat.

Általában a 80/20 szabály segítségével erősítik meg. Hatalmas^(Huge) adathalmazok kerülnek egy számítógépbe, amely megpróbálja megtanulni a válaszok mögött rejlő logikát. Az események adatainak 80 százaléka a válaszokkal együtt a számítógépre kerül. A fennmaradó 20 százalékot válaszok nélkül táplálják, hátha a számítógép megfelelő eredményeket hoz. Ezt a 20 százalékot a számítógép (gép) tanulási folyamatának ellenőrzésére használják.

Felügyelet nélküli gépi tanulás

Felügyelet nélküli tanulás akkor történik, amikor a gépet véletlenszerű adathalmazokkal táplálják, amelyek nincsenek címkézve és nincsenek rendben. A gépnek ki kell találnia, hogyan produkálja az eredményeket. Például, ha különböző színű softballokat kínál, akkor képesnek kell lennie színek szerint kategorizálni. Így a jövőben, amikor a gépet egy új softball-val mutatják be, az adatbázisában már meglévő címkékkel tudja azonosítani a labdát. Ebben a módszerben nincsenek edzési adatok. A gépnek magától kell tanulnia.

Megerősítő tanulás

Ebbe a kategóriába tartoznak azok a gépek, amelyek egy sor döntést képesek hozni. Aztán van egy jutalmazási rendszer. Ha a gép azt csinálja jól, amit a programozó akar, jutalmat kap. A gép úgy van programozva, hogy maximális jutalmakra vágyik. És ennek eléréséhez különböző esetekben különböző algoritmusok kidolgozásával oldja meg a problémákat. Ez azt jelenti, hogy a mesterséges intelligencia számítógép próba- és hibamódszereket használ az eredmények eléréséhez.

Például, ha a gép önvezető jármű, akkor saját forgatókönyveket kell létrehoznia az úton. Egy programozó semmiképpen nem tud minden lépést beprogramozni, mivel nem tud gondolni minden lehetőségre, amikor a gép úton van. Itt jön a képbe a megerősítési tanulás^{(Reinforcement Learning)} . Nevezhetjük próba és hiba MI-nek is.

Miben különbözik a mély tanulás a gépi tanulástól ?^{(Machine Learning)}

A Deep Learning^{(Deep Learning)} bonyolultabb feladatokhoz való. A Deep Learning a ^{(Deep Learning)}gépi tanulás^{(Machine Learning)} egy részhalmaza . Csak annyit, hogy több neurális hálózatot tartalmaz, amelyek segítik a gépet a tanulásban. Az ember alkotta^(Manmade) neurális hálózatok nem újkeletűek. A laboratóriumok^(Labs) szerte a világon neurális hálózatokat próbálnak kiépíteni és javítani, hogy a gépek megalapozott döntéseket hozhassanak. Biztosan hallott már Sophiáról^(Sophia) , egy szaúdi^(Saudi) humanoidról, aki rendes állampolgárságot kapott. A neurális hálózatok olyanok, mint az emberi agy, de nem olyan kifinomultak, mint az agy.

Vannak jó hálózatok, amelyek felügyelet nélküli mély tanulást tesznek lehetővé. Azt mondhatjuk, hogy a Deep Learning inkább neurális hálózat, amely utánozza az emberi agyat. Ennek ellenére, elegendő mintaadat birtokában, a Deep Learning algoritmusok felhasználhatók részletek kinyerésére a mintaadatokból. Például egy képfeldolgozó DL géppel könnyebb olyan emberi arcokat létrehozni, amelyekben az érzelmek a gépnek feltett kérdések szerint változnak.

A fentiek egyszerűbb nyelven magyarázzák az AI vs MI vs DL. Az AI és az ML hatalmas területek – amelyek csak most nyílnak meg, és óriási lehetőségek rejlenek. Ez az oka annak, hogy egyesek ellenzik a gépi tanulás^{(Machine Learning)} és a mély tanulás^{(Deep Learning)} használatát a mesterséges intelligenciában^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Deviceѕ connеcted 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-szervező: SMS-alkalmazás, amelyet a Machine Learning üzemeltet

• Tények, mítoszok, vita a mesterséges intelligenciáról

• Mi az a mély tanulás és a neurális hálózat?

• A legjobb ingyenes mesterséges intelligencia szoftver Windows 10 rendszerhez

• A Drupal telepítése a WAMP használatával Windows rendszeren

• Videokonferencia etikett, tippek és szabályok, amelyeket be kell tartania

• A legjobb ingyenes biztonságos digitális notebook szoftver és online szolgáltatások

• Bring Your Own Device (BYOD) előnyei, legjobb gyakorlatai stb.

• 10 legjobb USB LED lámpa laptopokhoz

• Konvertálja a Magnet linkeket közvetlen letöltési hivatkozásokká a Seedr segítségével

• Mik azok a „chip és PIN” vagy EMV hitelkártyák

• Hogyan lehet bináris fájlt szöveggé konvertálni a szöveg bináris konverter segítségével

• A Whiteboard Fox egy ingyenes online tábla, amely valós idejű megosztást tesz lehetővé

• Hogyan lehet jelszóval védeni és biztonságossá tenni pdf-dokumentumokat a LibreOffice segítségével

• Cyber ​​Monday és Black Friday Akciós vásárlási tippek, amelyeket követni szeretne

• A legjobb eszközök ingyenes SMS-küldéshez a számítógépről

• Az Automate.io egy ingyenes automatizálási eszköz és IFTTT alternatíva

• A Disqus megjegyzésmezője nem töltődik be vagy nem jelenik meg egy webhelyhez

• A Fix Partner nem csatlakozott a router hibájához a TeamViewerben Windows 10 rendszeren

• A Windows 95 telepítése Windows 10 rendszeren