Što je AI?
AI (umjetna inteligencija) grana je računalne znanosti u kojoj se strojevi programiraju i daju im kognitivne sposobnosti za razmišljanje i oponašanje radnji poput ljudi i životinja. Mjerilo za AI je ljudska inteligencija u vezi s rasuđivanjem, govorom, učenjem, vizijom i rješavanjem problema, što je daleko u budućnosti.
AI ima tri različite razine:
- Uski AI : Kaže se da je umjetna inteligencija uska kada stroj može obavljati određeni zadatak bolje od čovjeka. Trenutno istraživanje AI je ovdje
- Općenito AI : Umjetna inteligencija doseže opće stanje kad može izvršiti bilo koji intelektualni zadatak s istom razinom preciznosti kao što bi to učinio čovjek
- Aktivna AI : AI je aktivan kada može pobijediti ljude u mnogim zadacima
Rani sustavi AI koristili su podudaranje uzoraka i ekspertske sustave.
U ovom vodiču naučit ćete-
- Što je AI?
- Što je ML?
- Što je duboko učenje?
- Proces strojnog učenja
- Proces dubokog učenja
- Automatizirajte izdvajanje značajki pomoću DL-a
- Razlika između strojnog učenja i dubokog učenja
- Kada koristiti ML ili DL?
Što je ML?
ML (Machine Learning) je vrsta umjetne inteligencije u kojoj je računalo osposobljeno za automatizaciju zadataka koji su iscrpni ili nemogući za ljude. To je najbolji alat za analizu, razumijevanje i prepoznavanje obrazaca u podacima na temelju proučavanja računalnih algoritama. Strojno učenje može donositi odluke uz minimalnu ljudsku intervenciju.
Uspoređujući umjetnu inteligenciju i strojno učenje, strojno učenje koristi podatke za dobivanje algoritma koji može razumjeti odnos između ulaza i izlaza. Kad stroj završi s učenjem, može predvidjeti vrijednost ili klasu nove podatkovne točke.
Što je duboko učenje?
Dubinsko učenje računalni je softver koji oponaša mrežu neurona u mozgu. Podskup je strojnog učenja i naziva se dubokim učenjem jer koristi duboke neuronske mreže. Stroj koristi različite slojeve za učenje iz podataka. Dubina modela predstavljena je brojem slojeva u modelu. Duboko učenje novo je stanje tehnike u smislu AI. U dubokom učenju faza učenja odvija se putem neuronske mreže. Neuronska mreža je arhitektura u kojoj su slojevi naslagani jedan na drugi
Proces strojnog učenja
Zamislite da biste trebali izraditi program koji prepoznaje objekte. Za obuku modela poslužit ćete se klasifikatorom . Klasifikator koristi značajke objekta kako bi pokušao identificirati klasu kojoj pripada.
U primjeru će klasifikator biti osposobljen za otkrivanje je li slika:
- Bicikl
- Čamac
- Automobil
- Avion
Četiri gornja objekta su klasa koju klasifikator mora prepoznati. Da biste konstruirali klasifikator, morate imati neke podatke kao ulaz i dodijeliti mu oznaku. Algoritam će uzeti te podatke, pronaći uzorak i zatim ih klasificirati u odgovarajuću klasu.
Taj se zadatak naziva nadgledano učenje. U učenju pod nadzorom, podaci o treningu koje unosite u algoritam uključuju oznaku.
Za obuku algoritma potrebno je slijediti nekoliko standardnih koraka:
- Prikupite podatke
- Obučiti klasifikator
- Dajte predviđanja
Prvi je korak neophodan, odabir pravih podataka učinit će algoritam uspješnim ili neuspješnim. Podaci koje ste odabrali za osposobljavanje modela nazivaju se značajka. U primjeru objekta značajke su pikseli slika.
Svaka slika je redak u podacima, dok je svaki piksel stupac. Ako je vaša slika veličine 28x28, skup podataka sadrži 784 stupca (28x28). Na donjoj slici svaka je slika transformirana u svojstveni vektor. Oznaka govori računalu koji se objekt nalazi na slici.
Cilj je koristiti ove podatke o obuci za klasifikaciju vrste predmeta. Prvi se korak sastoji od stvaranja stupaca značajki. Zatim, drugi korak uključuje odabir algoritma za osposobljavanje modela. Kad se trening završi, model će predvidjeti koja slika odgovara kojem predmetu.
Nakon toga je lako koristiti model za predviđanje novih slika. Za svaku novu sliku unesenu u model, stroj će predvidjeti klasu kojoj pripada. Na primjer, kroz model prolazi potpuno nova slika bez naljepnice. Za čovjeka je trivijalno vizualizirati sliku kao automobil. Stroj koristi svoje prethodno znanje kako bi predvidio kako je i slika automobila.
Proces dubokog učenja
U dubokom učenju faza učenja odvija se putem neuronske mreže. Neuronska mreža je arhitektura u kojoj su slojevi naslagani jedan na drugi.
Razmotrite isti gornji primjer slike. Set treninga napajao bi se na neuronsku mrežu
Svaki ulaz ulazi u neuron i pomnožava se s utegom. Rezultat množenja teče na sljedeći sloj i postaje ulaz. Taj se postupak ponavlja za svaki sloj mreže. Završni sloj naziva se izlazni sloj; pruža stvarnu vrijednost za regresijski zadatak i vjerojatnost svake klase za klasifikacijski zadatak. Neuronska mreža koristi matematički algoritam za ažuriranje težina svih neurona. Neuronska mreža u potpunosti je osposobljena kada vrijednost težina daje izlaz blizu stvarnosti. Na primjer, dobro uvježbana neuronska mreža može prepoznati objekt na slici s većom točnošću od tradicionalne neuronske mreže.
Automatizirajte izdvajanje značajki pomoću DL-a
Skup podataka može sadržavati desetak do stotine značajki. Sustav će učiti iz relevantnosti ovih značajki. Međutim, nisu sve značajke značajne za algoritam. Ključni dio strojnog učenja je pronaći odgovarajući skup značajki kako bi sustav nešto naučio.
Jedan od načina izvođenja ovog dijela u strojnom učenju je upotreba ekstrakcije značajki. Izdvajanje značajki kombinira postojeće značajke da bi stvorilo relevantniji skup značajki. To se može učiniti s PCA, T-SNE ili bilo kojim drugim algoritmom za smanjenje dimenzionalnosti.
Na primjer, za obradu slike, praktičar treba ručno izdvojiti značajku na slici poput očiju, nosa, usana i tako dalje. Ta izdvojena obilježja dodaju se klasifikacijskom modelu.
Dubinsko učenje rješava ovo pitanje, posebno za konvolucijsku neuronsku mrežu. Prvi sloj neuronske mreže naučit će male detalje sa slike; sljedeći slojevi kombinirat će prethodno znanje kako bi stvorili složenije informacije. U revolucionarnoj neuronskoj mreži izdvajanje značajke vrši se pomoću filtra. Mreža primjenjuje filtar na sliku kako bi provjerila postoji li podudaranje, tj. Oblik značajke identičan je dijelu slike. Ako postoji podudaranje, mreža će koristiti ovaj filtar. Postupak izdvajanja značajki radi se automatski.
Razlika između strojnog učenja i dubokog učenja
Ispod je ključna razlika između dubinskog učenja i strojnog učenja
|
Strojno učenje |
Duboko učenje |
|
|
Ovisnosti podataka |
Izvrsne izvedbe na malom / srednjem skupu podataka |
Izvrsne performanse na velikom skupu podataka |
|
Ovisnosti o hardveru |
Radite na low-end stroju. |
Zahtijeva moćan stroj, po mogućnosti s GPU-om: DL izvodi značajnu količinu umnožavanja matrice |
|
Inženjering značajki |
Treba razumjeti značajke koje predstavljaju podatke |
Ne trebate razumjeti najbolju značajku koja predstavlja podatke |
|
Vrijeme izvršavanja |
Od nekoliko minuta do sati |
Do tjedana. Neuronska mreža mora izračunati značajan broj pondera |
|
Interpretabilnost |
Neke je algoritme lako interpretirati (logistički, stablo odlučivanja), neke je gotovo nemoguće (SVM, XGBoost) |
Teško do nemoguće |
Kada koristiti ML ili DL?
U donjoj tablici primjere sumiramo razliku između strojnog učenja i dubokog učenja.
| Strojno učenje | Duboko učenje | |
| Skup podataka o treningu | Mali | Veliki |
| Odaberite značajke | Da | Ne |
| Broj algoritama | Puno | Nekoliko |
| Vrijeme treniranja | Kratak | Dugo |
Uz strojno učenje potrebno vam je manje podataka za treniranje algoritma od dubinskog učenja. Dubinsko učenje zahtijeva opsežan i raznolik skup podataka kako bi se identificirala temeljna struktura. Osim toga, strojno učenje omogućuje brže obučeni model. Najnaprednija arhitektura dubokog učenja može trenirati nekoliko dana do tjedan dana. Prednost dubokog učenja u odnosu na strojno učenje je što je vrlo precizno. Ne morate razumjeti koje su značajke najbolji prikaz podataka; neuronska mreža naučila je kako odabrati kritične značajke. U strojnom učenju morate sami odabrati koje će značajke uključiti u model.
Sažetak
Umjetna inteligencija daje kognitivnu sposobnost stroju. Uspoređujući AI i Strojno učenje, rani AI sustavi koristili su podudaranje uzoraka i stručne sustave.
Ideja koja stoji iza strojnog učenja je da stroj može učiti bez ljudske intervencije. Stroj mora pronaći način da nauči kako riješiti zadatak s obzirom na podatke.
Duboko učenje je proboj na polju umjetne inteligencije. Kada postoji dovoljno podataka za treniranje, dubokim učenjem postižu se impresivni rezultati, posebno za prepoznavanje slika i prijevod teksta. Glavni razlog je što se izdvajanje značajki vrši automatski u različitim slojevima mreže.