ИИ, машинное обучение, глубокое обучение и наука о данных

Вокруг этой базовой концепции так много путаницы. Часто люди спрашивают меня, в чем реальная разница между этими терминами: искусственный интеллект, машинное обучение, глубокое обучение и наука о данных.

Каждый термин имеет очень важное значение. Но понимание основной разницы потребует больших усилий, чтобы поглотить разницу. Я могу просто написать определения для всех этих терминов, давайте проверим это. Но достаточно ли этого, чтобы понять магию этого черного ящика?

Люди изо всех сил пытаются найти правильную статью. Что может легко объяснить реальную ценность и основное ценностное предложение этой замечательной технологии. Иногда я и мои друзья рассказываем о том, что бы реально использовать эту технологию. И как люди напрямую получают выгоду. Потому что в конце концов. Если технология не решает реальную проблему или не помогает им расти не так, как они хотели. Я думаю, что это было бы несправедливо по отношению ко всем им.

Искусственный интеллект (ИИ)

История

Группа ученых из IBM основала область искусственного интеллекта как академическую дисциплину в 1956 году. Да, это не новая технология. Это очень старая концепция. Но если вы посмотрите историю того, как люди пришли к этой концепции. а кто эти люди? Итак, чтобы ответить на этот вопрос. Над созданием искусственного мозга думало множество ученых из разных областей науки. Вас может удивить тот факт, что группа ученых, основавших искусственный интеллект как академическую дисциплину в 1956 году, представляла разные области, такие как математика, психология, инженерия, экономика и политология.

Звучит интересно, верно? Я всегда считал, что происхождение всех открытий в технологии исходит только из одного источника — философии.

О (ИИ)

Основная аналогия этой области — имитация человеческого мозга. Мы пишем программу в области ИИ, которая имитирует человеческий интеллект в машине и программирует ее так, чтобы она думала и вел себя как человек. Эта область включала разработку алгоритмов, которые анализируют данные и выполняют действия, подобные человеческим.

Например, понимать естественный язык, как человеческий, и распознавать изображения, чтобы понять, что внутри изображения.

Если бы я спросил вас по этому изображению, сколько объектов на нем и что это за объекты? Таким образом, вы можете легко определить невооруженным глазом. потому что вы знаете эти объекты раньше. Как похожи кошки и собаки.

Но, задавая тот же вопрос машине, вам нужно передать ей некоторый разум, чтобы она могла идентифицировать эти объекты. для того, чтобы заставить машину говорить как человек, и процесс, который включает в себя заставить машину говорить, относится к сфере искусственного интеллекта.

Есть и другие примеры, такие как приложение, которое может давать ответы на вопросы, такие как IBM Watson. система принятия решений, которая может принимать бюджетные решения. куда тратить и куда не тратить. и этот список можно продолжать и продолжать. Я расскажу об этом в другом блоге, где буду обсуждать только ИИ.

Машинное обучение (МО)

История

Термин «машинное обучение» стал популярным в 1959 году, и вся заслуга принадлежит Артуру Сэмюэлю. По его словам,

Машинное обучение — это один из способов использования ИИ. В 1950-х годах пионер искусственного интеллекта Артур Сэмюэл определил его как

«область исследования, которая дает компьютерам возможность учиться без явного программирования».

— Артур Сэмюэл

80-е и 90-е годы были этапами, когда машинное обучение стало мейнстримом. И люди начали узнавать отдельное как отдельное поле. Вначале машинное обучение было сосредоточено на решении проблем ИИ, но после 1990 года акцент сместился в сторону статистических моделей, нечеткой логики и теории вероятностей.

Разницу между AI и ML часто неправильно понимают. У людей было мнение, что машинное обучение учится и прогнозирует на основе пассивного обучения или, можно сказать, обучения на основе прошлой истории данных. А ИИ (искусственный интеллект) использует агента для взаимодействия с окружающей средой, чтобы учиться и предпринимать действия, чтобы максимизировать свои шансы на успех. Мы знаем этот метод как обучение с подкреплением. Я просто ввожу жаргонные ключевые слова, которые мы увидим в другом блоге.

Теперь, начиная с эпохи 2020 года, многие люди начали утверждать, что машинное обучение является частью ИИ. А другие по-прежнему придерживаются мнения, что только «интеллектуальное подмножество» машинного обучения следует считать ИИ.

О (МЛ)

Теперь давайте определим термин ML (машинное обучение). Метод или модель, которую мы используем для обучения системы ИИ с помощью обучающего алгоритма для обучения на основе данных. Без написания явной программы для этой конкретной работы.

Другими словами, мы можем сказать, что машинное обучение — это часть ИИ. Где алгоритмы машинного обучения могут учиться на данных, чтобы повысить точность и производительность систем искусственного интеллекта.

ML — это подмножество ИИ — очень расплывчатый термин. Если мы скажем, что машинное обучение — это подполе ИИ, с помощью которого мы можем обучать алгоритмы работе ИИ. С точки зрения непрофессионала, у ML есть метод, также называемый алгоритмом, чтобы сделать системы ИИ более мощными.

Потому что на основе этого метода мы можем поместить человеческий интеллект в машины. А техника машинного обучения — это способ создания системы человеческого интеллекта или системы искусственного интеллекта.

Глубокое обучение (DL)

История

Итак, очень краткая история. Все началось в 1962 году, когда Фрэнк Розенблатт опубликовал статью. «Принципы нейродинамики: перцептроны и теория механизмов мозга» в Корнельском университете. Затем происходит естественный прогресс: люди начинают исследовать новые идеи вокруг этого. И они начали работать над другими архитектурами глубокого обучения для решения проблем компьютерного зрения.

Согласно Википедии, «термин Глубокое обучение был представлен сообществу машинного обучения Риной Дектер в 1986 году». а затем в 1989 г. Ян ЛеКун и др. применил стандартный алгоритм обратного распространения.

Вещи начали прогрессировать, начала появляться новая архитектура. ANN (искусственная нейронная сеть), которая была введена в 1943 году и не использовалась до 2000 года. А SVM (автомат опорных векторов) был популярным выбором в 1990-х и 2000-х годах.

Развитие аппаратного обеспечения в 2009 году возродило интерес к глубокому обучению. Теперь модели глубокого обучения могут обучаться на графических процессорах Nvidia. И теперь, в 2023 году, мы можем увидеть большой прогресс в новой архитектуре, связанной с глубоким обучением.

О (DL)

Чтобы понять глубокое обучение, вы должны понимать нейронные сети. Потому что DL — это всего лишь многослойная нейронная сеть. Термин нейронная сеть происходит от нейронов головного мозга. Я подробно расскажу об этом в другом блоге. но общая концепция нейронной сети заключалась в том, чтобы создать сеть нейронов, а нейрон — это не что иное, как клетка, которая получает входной сигнал в виде данных (для людей через глаз они могут видеть вещи. И когда-то человек видит вещи, может легко идентифицировать объект). и процесс к другому нейрону с информацией.

Но если я определяю это с точки зрения ИИ, то DL — это подполе машинного обучения, с помощью которого вы можете обучать систему ИИ.

Глубокое обучение предназначено для изучения больших данных и автоматического извлечения информации из необработанных данных. Лучше всего использовать глубокое обучение, когда вы работаете с данными изображений, речевыми данными и обработкой естественного языка.

Наука о данных (DS)

Эта тема является одним из самых популярных терминов в Интернете. все компании хотели использовать этот район. Итак, давайте определим этот термин простым способом, чтобы каждый мог понять.

Это междисциплинарная область, которая включает в себя различные методы, инструменты и методы для анализа и извлечения знаний и понимания из данных.

Наука о данных объединяет различные области. например, статистика, информатика, предметные знания, визуализация, методы инженерии данных, методы качества данных и методы профилирования данных для анализа и интерпретации сложных наборов данных.

Наука о данных включает в себя такие задачи, как очистка данных, предварительная обработка данных, анализ данных, визуализация данных и интерпретация данных.

По сути, как специалист по данным, вы должны обладать всеми основными знаниями об анализе и интерпретации данных. И создайте систему искусственного интеллекта с помощью методов машинного обучения.

Анализ

Теперь возвращаясь к первоначальному обсуждению, почему люди часто путаются в этих терминах? Таким образом, простой ответ заключается в том, что они не устанавливают связь или отношение между всеми этими терминами. хорошо, позвольте мне помочь с этим.

Вы хотели создать систему ИИ, поэтому ИИ — это наш прикладной уровень. теперь сначала выясните, какой тип метода решит цель. Можем ли мы использовать алгоритм машинного обучения или нам нужно использовать технику глубокого обучения? как только мы закончим, нам нужно будет проанализировать и интерпретировать данные с помощью методов науки о данных.

Таким образом, ИИ — это более широкая область разработки интеллектуальных машин, МО — это подмножество ИИ, которое включает алгоритмы обучения для обучения на основе данных, ГО — это подмножество МО, которое использует ИНС для моделирования сложных закономерностей в данных, а DS — это междисциплинарная область. который включает в себя извлечение информации из данных.

Давайте проверим все связанные области на этом изображении.

Как мы видим, глубокое обучение — это подполе машинного обучения, а машинное обучение — подполе ИИ. А с другой стороны, наука о данных — это область, которая требует всеобщего внимания.

Наука о данных — это междисциплинарная область, которая использует все методы для анализа и извлечения информации из данных.