AI vs. Machine Learning vs. Deep Learning: qual è la differenza? Beth Academy

AI vs. Machine Learning vs. Deep Learning: qual è la differenza?

Lunedì 17 aprile 2017

Quando AlphaGo di Deepmind ha vinto 4 partite su 5 contro l'allora campione Go-Go Lee Se-dol, il mondo intero ha attirato l'attenzione. In quel momento, annunciato come il trionfo dell'intelligenza artificiale, l'IA rappresentava un passo importante verso la trasformazione delle macchine avanzate in realtà.

Quando le parole Deep Learning e Machine Learning entrano nel lessico pubblico, quando i media usano questi termini per spiegare come AlphaGo compete contro la mente umana.

Essendo vicini l'uno all'altro, questi termini hanno significati diversi. Nel giorno e nel secolo, in cui sappiamo come la tecnologia influenza le nostre vite, è importante conoscere la differenza tra questi termini.

Questo articolo ti aiuterà.

Approccio Il modo migliore per comprendere questi termini è conoscere le relazioni tra loro. AI, Machine Learning e Deep Learning sono come una collezione di bambole russe: l'IA è il concetto più ampio, e quindi il più grande pupazzo della collezione, Machine Learning non è secondo a nessuno. Puoi trovarlo qui.

AI, machine learning e deep learning sono come collezioni di bambole russe ... Fai clic per twittare

Iniziamo con la nostra comprensione del primo pupazzo, l'intelligenza artificiale.

Intelligenza artificiale (AI) L'intelligenza artificiale si è evoluta nel corso dei secoli, dai miti greci sulle persone meccaniche, alla distruzione / conservazione dell'umanità, nel tempo, rispetto agli organismi cibernetici intelligenti. nggi ha fatto parte della nostra immaginazione pubblica fino alla linea Terminator. . Questa è la teoria e lo sviluppo di sistemi informatici che richiedono intelligenza umana, come percezione visiva, riconoscimento vocale, processo decisionale e traduzione tra le lingue.

Il concetto di AI, reso popolare da Hollywood e Sci-Fi, si chiama "Common AI", una potente macchina che domina l'uomo in tutte le aree.

Tuttavia, AlphaGo e la maggior parte degli attuali casi di AI nel mondo sono nella categoria "Dark AI", queste macchine sono progettate per replicare o migliorare i compiti specifici di una persona.

La popolarità dell'IA negli ultimi anni ha reso più semplice l'esplorazione di tutte le possibilità sul campo, grazie alla facile integrazione di GPU e Big Data con diversi set di dati in parallelo.

Ma in che modo l'area che ha minato l'attenzione e i progressi entro il 2012 l'ha resa così veloce? Questa domanda ci porta all'apprendimento automatico nel campo dell'informatica, dove è stato realizzato questo sviluppo.

Apprendimento automatico

L'ingegneria meccanica, come concetto, si riferisce alla capacità di una macchina di apprendere da sé dalle informazioni fornite. Sebbene di solito programmiamo le nostre macchine per seguire le istruzioni in base ai nostri requisiti, in Machine Learning, utilizziamo algoritmi che controllano regolarmente i dati e apprendono comportamenti spontanei.

Ma come l'IA, che è focalizzata e focalizzata sul 2012, l'ha resa grande ... Tweet to Tweet

La classificazione delle e-mail in diversi filtri, determinare se l'e-mail è spam è un buon esempio di ciò, usando gli algoritmi di Machine Learning.

L'apprendimento automatico è stato sviluppato per la prima volta dalla folla dell'intelligenza artificiale e da allora ha raccolto molte tecniche tra cui l'apprendimento dell'albero decisionale, la classificazione semplice di bayes e le macchine vettoriali di supporto. Questo computer è ampiamente utilizzato nel campo della visione, il cui scopo è quello di aiutare il computer a identificare vari oggetti all'interno dell'immagine.

Inizialmente fallì sul campo: richiedeva la codifica manuale, i tempi di elaborazione e non riusciva ancora a raggiungere i risultati secondo gli standard umani. Con il passare del tempo e una migliore infrastruttura tecnologica, queste tecniche sono diventate molto potenti, ma esiste solo un sottocampo che può aiutare a sviluppare l'apprendimento automatico, che è una foto e un Uber di PC Vision Viene utilizzato con successo nel riconoscimento degli oggetti. A Apple e ai conducenti piace parcheggiare di meno.

E la tecnica? Questo è l'obiettivo di uno studio approfondito.

Apprendimento profondo

Il deep learning è un sottodominio del machine learning che utilizza tecniche di reti neurali artificiali. È ispirato dalla biologia umana - poiché il nostro cervello è costituito da una rete di neuroni che trasmettono segnali e trasmettono informazioni, l'algoritmo crea una configurazione simile a una macchina, a differenza dei neuroni biologici che possono comunicare liberamente tra loro. neurone odore. le reti hanno livelli e connessioni discreti e seguono la direzione predefinita.

In effetti, il Deep Learning implica il trasferimento di molte informazioni su un sistema informatico che classifica i dati mediante domande binarie reali o false o analizza i dati estraendo valori numerici. Queste informazioni vengono archiviate come reti neurali e quindi utilizzate per classificare qualsiasi forma di informazione - audio, video, parlato, ecc. Sebbene il volume computazionale sia molto grande, questo metodo produce risultati eccellenti e viene attualmente utilizzato per una vasta gamma di problemi. Come un automobilista minore, dipingendo in bianco e nero, fornendo una diagnosi medica e altro ancora.

In sintesi, questi concetti sono facili da pensare come cerchi concentrici. L'intelligenza artificiale è un obiettivo ampio, un futuro che verrà realizzato oggi. L'apprendimento automatico è l'approccio più promettente per trasformare il futuro in realtà. Il deep learning è l'apprendimento automatico: il modo più efficace per farlo.

Visita i nostri corsi di informatica per comprendere meglio questi concetti.

Pubblicato originariamente da teacademy.co il 17 aprile 2017.