Vad är AI?
AI (artificiell intelligens) är en gren av datavetenskap där maskiner programmeras och ges en kognitiv förmåga att tänka och efterlikna handlingar som människor och djur. Riktmärket för AI är mänsklig intelligens beträffande resonemang, tal, inlärning, vision och problemlösning, vilket är långt borta i framtiden.
AI har tre olika nivåer:
- Smal AI : En artificiell intelligens sägs vara smal när maskinen kan utföra en specifik uppgift bättre än en människa. Den nuvarande forskningen om AI är här nu
- Allmänt AI : En artificiell intelligens når det allmänna tillståndet när den kan utföra alla intellektuella uppgifter med samma noggrannhetsnivå som en människa skulle
- Aktiv AI : En AI är aktiv när den kan slå människor i många uppgifter
Tidiga AI-system använde mönstermatchning och expertsystem.
I den här handledningen lär du dig-
- Vad är AI?
- Vad är ML?
- Vad är Deep Learning?
- Process för maskininlärning
- Deep Learning Process
- Automatisera funktionsextraktion med DL
- Skillnad mellan maskininlärning och djupinlärning
- När ska man använda ML eller DL?
Vad är ML?
ML (Machine Learning) är en typ av AI där en dator utbildas för att automatisera uppgifter som är uttömmande eller omöjliga för människor. Det är det bästa verktyget för att analysera, förstå och identifiera mönster i data baserat på studier av datoralgoritmer. Maskininlärning kan fatta beslut med minimalt mänskligt ingripande.
Jämförelse av artificiell intelligens mot maskininlärning använder maskininlärning data för att mata en algoritm som kan förstå förhållandet mellan ingången och utdata. När maskinen har lärt sig kan den förutsäga värdet eller klassen för en ny datapunkt.
Vad är Deep Learning?
Deep learning är en datorprogramvara som härmar nätverket av neuroner i en hjärna. Det är en delmängd av maskininlärning och kallas djupt lärande eftersom det använder djupa neurala nätverk. Maskinen använder olika lager för att lära av data. Modellens djup representeras av antalet lager i modellen. Djupinlärning är det nya toppmoderna inom AI. I djupt lärande görs inlärningsfasen genom ett neuralt nätverk. Ett neuralt nätverk är en arkitektur där skikten staplas ovanpå varandra
Process för maskininlärning
Tänk dig att du är tänkt att bygga ett program som känner igen objekt. För att träna modellen använder du en klassificering . En klassificerare använder funktionerna i ett objekt för att försöka identifiera den klass det tillhör.
I exemplet tränas klassificeraren för att upptäcka om bilden är en:
- Cykel
- Båt
- Bil
- Plan
De fyra objekten ovan är den klass som klassificeraren måste känna igen. För att konstruera en klassificering måste du ha lite data som inmatning och tilldela den en etikett. Algoritmen tar dessa data, hittar ett mönster och klassificerar dem sedan i motsvarande klass.
Denna uppgift kallas övervakat lärande. I övervakat lärande innehåller träningsdata du matar till algoritmen en etikett.
Att träna en algoritm kräver att följa några standardsteg:
- Samla in data
- Träna klassificeraren
- Göra förutsägelser
Det första steget är nödvändigt, att välja rätt data kommer att göra algoritmen framgångsrik eller misslyckas. De data du väljer att träna modellen kallas en funktion. I objektexemplet är funktionerna bildens pixlar.
Varje bild är en rad i data medan varje pixel är en kolumn. Om din bild är 28x28 storlek innehåller datasetet 784 kolumner (28x28). På bilden nedan har varje bild omvandlats till en funktionsvektor. Etiketten berättar för datorn vilket objekt som finns i bilden.
Målet är att använda dessa träningsdata för att klassificera typen av objekt. Det första steget består i att skapa funktionskolumnerna. Därefter handlar det andra steget om att välja en algoritm för att träna modellen. När träningen är klar förutser modellen vilken bild som motsvarar vilket objekt.
Efter det är det enkelt att använda modellen för att förutsäga nya bilder. För varje ny bild som matas in i modellen förutsäger maskinen vilken klass den tillhör. Till exempel går en helt ny bild utan etikett igenom modellen. För en människa är det trivialt att visualisera bilden som en bil. Maskinen använder sin tidigare kunskap för att förutsäga att bilden är en bil.
Deep Learning Process
I djupt lärande görs inlärningsfasen genom ett neuralt nätverk. Ett neuralt nätverk är en arkitektur där skikten staplas ovanpå varandra.
Tänk på samma bildexempel ovan. Träningssatsen skulle matas till ett neuralt nätverk
Varje ingång går in i en neuron och multipliceras med en vikt. Resultatet av multiplikationen flyter till nästa lager och blir ingången. Denna process upprepas för varje lager i nätverket. Det sista lagret heter utgångsskiktet; det ger ett verkligt värde för regressionsuppgiften och en sannolikhet för varje klass för klassificeringsuppgiften. Neurala nätverket använder en matematisk algoritm för att uppdatera vikterna hos alla nervceller. Neurala nätverket tränas fullt ut när värdet på vikterna ger en effekt nära verkligheten. Till exempel kan ett välutbildat neuralt nätverk känna igen objektet på en bild med högre noggrannhet än det traditionella neuralnätet.
Automatisera funktionsextraktion med DL
En dataset kan innehålla ett dussin till hundratals funktioner. Systemet lär sig av relevansen av dessa funktioner. Men inte alla funktioner är meningsfulla för algoritmen. En viktig del av maskininlärning är att hitta en relevant uppsättning funktioner som gör att systemet lär sig något.
Ett sätt att utföra denna del i maskininlärning är att använda extraktion av funktioner. Funktionsextraktion kombinerar befintliga funktioner för att skapa en mer relevant uppsättning funktioner. Det kan göras med PCA, T-SNE eller andra dimensioneringsreduceringsalgoritmer.
Till exempel, en bildbehandling, måste utövaren extrahera funktionen manuellt i bilden som ögonen, näsan, läpparna och så vidare. De extraherade funktionerna matas till klassificeringsmodellen.
Djupinlärning löser den här frågan, särskilt för ett omvälvande neurala nätverk. Det första lagret i ett neuralt nätverk lär sig små detaljer från bilden; nästa lager kommer att kombinera tidigare kunskaper för att göra mer komplex information. I det favsionella neurala nätverket görs extraktion av funktionen med hjälp av filtret. Nätverket tillämpar ett filter på bilden för att se om det finns en matchning, dvs. funktionens form är identisk med en del av bilden. Om det finns en matchning använder nätverket detta filter. Processen för att extrahera funktioner görs därför automatiskt.
Skillnad mellan maskininlärning och djupinlärning
Nedan är en viktig skillnad mellan Deep Learning vs Machine Learning
|
Maskininlärning |
Djup lärning |
|
|
Databeroenden |
Utmärkta föreställningar på en liten / medium dataset |
Utmärkt prestanda i en stor dataset |
|
Hårdvaruberoenden |
Arbeta på en låg maskin. |
Kräver kraftfull maskin, helst med GPU: DL utför en betydande mängd matrixmultiplikation |
|
Funktionsteknik |
Behöver förstå funktionerna som representerar data |
Inget behov av att förstå den bästa funktionen som representerar data |
|
Utförande tid |
Från några minuter till timmar |
Upp till veckor. Neural Network behöver beräkna ett betydande antal vikter |
|
Tolkning |
Vissa algoritmer är lätta att tolka (logistik, beslutsträd), andra är nästan omöjliga (SVM, XGBoost) |
Svårt till omöjligt |
När ska man använda ML eller DL?
I tabellen nedan sammanfattar vi skillnaden mellan maskininlärning och djupinlärning med exempel.
| Maskininlärning | Djup lärning | |
| Utbildningsdataset | Små | Stor |
| Välj funktioner | Ja | Nej |
| Antal algoritmer | Många | Få |
| Träningsdags | Kort | Lång |
Med maskininlärning behöver du färre data för att träna algoritmen än djupinlärning. Djupinlärning kräver en omfattande och mångsidig uppsättning data för att identifiera den underliggande strukturen. Dessutom ger maskininlärning en snabbare utbildad modell. Den mest avancerade djupinlärningsarkitekturen kan ta dagar till en vecka att träna. Fördelen med djupinlärning framför maskininlärning är att den är mycket exakt. Du behöver inte förstå vilka funktioner som är den bästa representationen av data; det neurala nätverket lärde sig att välja kritiska funktioner. Vid maskininlärning måste du själv välja vilka funktioner som ska ingå i modellen.
Sammanfattning
Artificiell intelligens ger en kognitiv förmåga till en maskin. Jämförelse av AI jämfört med maskininlärning använde tidiga AI-system mönstermatchning och expertsystem.
Tanken bakom maskininlärning är att maskinen kan lära sig utan mänskligt ingripande. Maskinen måste hitta ett sätt att lära sig att lösa en uppgift med tanke på data.
Djupt lärande är genombrottet inom artificiell intelligens. När det finns tillräckligt med data att träna på uppnår djupinlärning imponerande resultat, särskilt för bildigenkänning och textöversättning. Huvudskälet är att funktionen extraheras automatiskt i de olika lagren i nätverket.