ИТ Блог. Администрирование серверов на основе Linux (Ubuntu, Debian, CentOS, openSUSE)
(1 оценок, среднее: 5,00 из 5)
Загрузка...
Искусственный интеллект включает в себя процесс моделирования человеческого интеллекта с помощью машин и специальных компьютерных систем. Примеры искусственного интеллекта включают обучение, рассуждение и самокоррекцию. Приложения искусственного интеллекта включают распознавание речи, экспертные системы, распознавание изображений и машинное зрение.
Машинное обучение – это отрасль искусственного интеллекта, которая занимается системами и алгоритмами, которые могут изучать любые новые данные и шаблоны данных.
Давайте сосредоточимся на диаграмме Venn, упомянутой ниже, для понимания концепции машинного обучения и глубокого обучения.
Машинное обучение включает в себя раздел машинного обучения, а глубокое обучение является частью машинного обучения. Способность программы, которая следует концепциям машинного обучения, заключается в улучшении характеристик наблюдаемых данных. Основным мотивом преобразования данных является совершенствование своих знаний с целью достижения лучших результатов в будущем, обеспечение вывода, приближенного к желаемому результату для этой конкретной системы. Машинное обучение включает в себя «распознавание образов», которое включает в себя способность распознавать образцы в данных.
Шаблоны должны быть обучены, чтобы показать результат желаемым образом.
Машинное обучение можно обучить двумя разными способами:
Контролируемое обучение включает в себя процедуру, в которой обучающий набор дается в качестве входных данных для системы, где каждый пример помечен желаемым выходным значением. Обучение в этом типе выполняется с использованием минимизации конкретной функции потерь, которая представляет ошибку вывода относительно требуемой системы вывода.
После завершения обучения точность каждой модели измеряется в отношении непересекающихся примеров из обучающего набора, также называемого проверочным набором.
Лучший пример для иллюстрации «обучения под наблюдением» – это набор фотографий с информацией, содержащейся в них. Здесь пользователь может обучить модель распознавать новые фотографии.
В обучении без учителя или в обучении без учителя включите примеры обучения, которые не обозначены системой, к которой они относятся. Система ищет данные, которые имеют общие характеристики, и изменяет их, основываясь на внутренних особенностях знаний. Этот тип алгоритмов обучения в основном используется при кластеризации проблем.
Лучший пример для иллюстрации «обучения без учителя» – это набор фотографий без информации и пользовательская модель обучения с классификацией и кластеризацией. Этот тип обучающего алгоритма работает с допущениями, так как информация не предоставляется.
