Internetiin^(Internet) kytkettyjä laitteita kutsutaan älylaitteiksi. Lähes kaikki Internetiin^(Internet) liittyvä tunnetaan älylaitteina^{(smart device)} . Tässä yhteydessä koodin, joka tekee laitteista älykkäämpiä –^{(SMARTER – )} jotta ne voivat toimia minimaalisella tai ilman ihmisen väliintuloa – voidaan sanoa perustuvan tekoälyyn^{(Artificial Intelligence)} (AI). Kaksi muuta, nimittäin: Machine Learning (ML) ja Deep Learning (DL), ovat erilaisia ​​​​algoritmeja, jotka on suunniteltu tuomaan enemmän ominaisuuksia älylaitteisiin. Katsotaanpa alla yksityiskohtaisesti AI vs ML vs DL , jotta ymmärrämme, mitä ne tekevät ja kuinka ne ovat yhteydessä tekoälyyn.^{(AI vs ML vs DL )}

Mitä tekoäly on ML:n ja DL:n suhteen

Tekoälyä voidaan kutsua koneoppimisprosessien^{(Machine Learning)} (ML) ja syväoppimisprosessien^{(Deep Learning)} (DL) superjoukoksi. Tekoäly on yleensä kattotermi, jota käytetään ML:lle ja DL:lle. Deep Learning on jälleen koneoppimisen osajoukko (^{(Machine Learning)} katso kuva yllä).

Jotkut väittävät, että koneoppiminen^{(Machine Learning)} ei ole enää osa universaalia tekoälyä. He sanovat, että ML on täydellinen tiede itsessään, ja siksi sitä ei tarvitse kutsua viittaamalla tekoälyyn^{(Artificial Intelligence)} . Tekoäly viihtyy datalla: Big Data . Mitä enemmän dataa se kuluttaa, sitä tarkempi se on. Se ei tarkoita sitä, että se ennustaa aina oikein. Tulee myös vääriä lippuja. Tekoäly harjoittelee itseään näihin virheisiin ja tulee paremmaksi siinä, mitä sen on tarkoitus tehdä – ihmisen valvonnalla tai ilman.

Tekoälyä ei voida määritellä kunnolla, koska se on tunkeutunut lähes kaikille toimialoille ja vaikuttaa aivan liian monenlaisiin (liiketoiminnan) prosesseihin ja algoritmeihin. Voimme sanoa, että tekoäly perustuu^{(Intelligence)} tietotieteeseen (^{(Data Science)} DS: Big Data ) ja sisältää koneoppimisen^{(Machine Learning)} erillisenä osana. Samoin ^(Likewise)Deep Learning on erillinen osa koneoppimista^{(Machine Learning)} .

IT-markkinoiden kallistuessa tulevaisuutta hallitsevat yhdistetyt älylaitteet, joita kutsutaan esineiden internetiksi (IoT)^{(Internet of Things (IoT))} . Älylaitteet^(Smart) tarkoittavat tekoälyä: suoraan tai epäsuorasti. Käytät jo tekoälyä monissa päivittäisessä elämässäsi. Esimerkiksi kirjoittamalla älypuhelimen näppäimistöllä "sanaehdotus" paranee jatkuvasti. Muita esimerkkejä, joissa olet tietämättäsi tekemisissä tekoälyn^{(Artificial Intelligence)} kanssa, ovat asioiden etsiminen Internetistä^(Internet) , verkkokaupat ja tietysti aina älykkäät Gmail- ja Outlook - sähköpostilaatikot.

Mitä on koneoppiminen

Koneoppiminen on tekoälyn^{(Artificial Intelligence)} ala, jossa tavoitteena on saada kone (tai tietokone tai ohjelmisto) oppimaan ja kouluttamaan itseään ilman paljon ohjelmointia . ^(Learning)Tällaiset laitteet tarvitsevat vähemmän ohjelmointia, koska ne käyttävät inhimillisiä menetelmiä tehtävien suorittamiseen, mukaan lukien suorituskyvyn parantamisen oppimiseen. Pohjimmiltaan^(Basically) ML tarkoittaa tietokoneen/laitteen/ohjelmiston ohjelmointia ja sen antamista oppia itsekseen.

Koneoppimisen^{(Machine Learning)} helpottamiseksi on useita menetelmiä . Niistä seuraavia kolmea käytetään laajasti:

1. Valvottu,
2. Valvomatta ja
3. Vahvistusoppiminen.

Koneoppimisen ohjattua oppimista^{(Machine Learning)}

Valvotaan siinä mielessä, että ohjelmoijat toimittavat koneelle ensin merkittyjä tietoja ja jo käsitellyt vastaukset. Tässä tunnisteet tarkoittavat tietokannan tai laskentataulukon rivien tai sarakkeiden nimiä. Syötettyään valtavat joukot tällaista dataa tietokoneelle, se on valmis analysoimaan lisää tietojoukkoja ja toimittamaan tuloksia itse. Tämä tarkoittaa, että olet opettanut tietokoneelle, kuinka analysoida sille syötetyt tiedot.

Yleensä se vahvistetaan 80/20-säännöllä. Valtavat^(Huge) tietojoukot syötetään tietokoneeseen, joka yrittää ja oppii vastausten taustalla olevan logiikan. 80 prosenttia tapahtuman tiedoista syötetään tietokoneelle vastausten kanssa. Loput 20 prosenttia syötetään ilman vastauksia, jotta nähdään, voiko tietokone saada oikeat tulokset. Tätä 20 prosenttia käytetään ristiintarkistamiseen, jotta nähdään, kuinka tietokone (kone) oppii.

Valvomaton koneoppiminen

Valvomatonta oppimista tapahtuu, kun koneeseen syötetään satunnaisia ​​tietojoukkoja, joita ei ole merkitty ja jotka eivät ole järjestyksessä. Koneen on keksittävä, miten tulokset saadaan aikaan. Jos esimerkiksi tarjoat sille erivärisiä softball-palloja, sen pitäisi voida luokitella värien mukaan. Näin ollen tulevaisuudessa, kun koneelle esitellään uusi softball, se pystyy tunnistamaan pallon tietokannassaan jo olevista etiketeistä. Tässä menetelmässä ei ole harjoitustietoja. Koneen on opittava itse.

Vahvistusoppiminen

Koneet, jotka voivat tehdä sarjan päätöksiä, kuuluvat tähän luokkaan. Sitten on palkitsemisjärjestelmä. Jos kone tekee hyvää siinä, mitä ohjelmoija haluaa, se saa palkinnon. Kone on ohjelmoitu siten, että se kaipaa maksimaalista palkintoa. Ja saadakseen sen, se ratkaisee ongelmia kehittämällä erilaisia ​​algoritmeja eri tapauksissa. Tämä tarkoittaa, että tekoälytietokone käyttää yrityksen ja erehdyksen menetelmiä tulosten saamiseksi.

Jos kone on esimerkiksi itseajava ajoneuvo, sen on luotava omat skenaariansa tiellä. Ohjelmoija ei voi millään ohjelmoida jokaista askelta, koska hän ei voi ajatella kaikkia mahdollisuuksia koneen ollessa tien päällä. Siellä vahvistusoppiminen^{(Reinforcement Learning)} tulee voimaan. Voit kutsua sitä myös kokeilu- ja erehdyksenälyksi.

Miten syväoppiminen eroaa koneoppimisesta^{(Machine Learning)}

Deep Learning on tarkoitettu monimutkaisempiin tehtäviin. Deep Learning on koneoppimisen^{(Machine Learning)} osajoukko . Vain se, että se sisältää enemmän neuroverkkoja, jotka auttavat konetta oppimisessa. Ihmisen tekemät^(Manmade) neuroverkot eivät ole uusia. Laboratoriot^(Labs) ympäri maailmaa yrittävät rakentaa ja parantaa hermoverkkoja, jotta koneet voivat tehdä tietoisia päätöksiä. Olet varmasti kuullut Sophiasta , ^(Sophia)saudiaralaisen^(Saudi) humanoidista, jolle annettiin tavallinen kansalaisuus. Hermoverkot ovat kuin ihmisen aivot, mutta eivät niin kehittyneitä kuin aivot.

On olemassa hyviä verkostoja, jotka mahdollistavat valvomattoman syvän oppimisen. Voit sanoa, että Deep Learning on enemmän hermoverkkoja, jotka jäljittelevät ihmisaivoja. Silti, jos näytetietoja on riittävästi, Deep Learning -algoritmeja voidaan käyttää yksityiskohtien poimimiseen näytetiedoista. Esimerkiksi kuvankäsittely-DL-koneella on helpompi luoda ihmiskasvoja, joiden tunteet vaihtuvat koneelle esitettyjen kysymysten mukaan.

Yllä oleva selittää AI vs MI vs DL helpommalla kielellä. Tekoäly ja ML ovat valtavia kenttiä – jotka ovat vasta avautumassa ja joilla on valtava potentiaali. Tästä syystä jotkut ihmiset vastustavat koneoppimisen^{(Machine Learning)} ja syväoppimisen^{(Deep Learning)} käyttöä tekoälyssä^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devicеs connеcted to the Intеrnet arе called smart devices. Pretty much everything related to the Internet is known аs 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-järjestäjä: koneoppimisen tuottama SMS-sovellus

• Faktoja, myyttejä, keskustelua tekoälystä

• Mikä on syväoppiminen ja hermoverkko

• Paras ilmainen tekoälyohjelmisto Windows 10:lle

• Drupalin asentaminen WAMP:n avulla Windowsissa

• Itseallekirjoitettujen SSL-sertifikaattien luominen Windows 11/10:ssä

• Mikä on Data Analytics ja mihin sitä käytetään

• Videoneuvottelujen etiketti, vinkit ja säännöt, joita sinun on noudatettava

• Whiteboard Fox on ilmainen online-taulu, joka mahdollistaa reaaliaikaisen jakamisen

• Zip-tiedosto on liian suuri virhe ladattaessa tiedostoja DropBoxista

• Oletko lukittu Plex-palvelimeen ja palvelinasetuksiin? Tässä on korjaus!

• Mikä on magneettilinkki ja kuinka magneettilinkit avataan selaimessa

• Mallin käyttäminen asiakirjan luomiseen LibreOfficen avulla

• Microsoft Identity Manager: Ominaisuudet, Lataa

• Kuinka tehdä kutsukortti Windows-tietokoneessa

• Tuo oman laitteesi (BYOD) edut, parhaat käytännöt jne.

• Mikä on Blue Whale Challenge Dare -peli

• Muunna Magnet-linkit suoriksi latauslinkeiksi Seedrin avulla

• Automate.io on ilmainen automaatiotyökalu ja IFTTT-vaihtoehto

• Mitä NFT tarkoittaa ja kuinka luodaan digitaalista NFT-taidetta?