KI vs. Maschinelles Lernen vs. Deep Learning: Was ist der Unterschied? Beth Academy

KI vs. Maschinelles Lernen vs. Deep Learning: Was ist der Unterschied?

Montag, 17. April 2017

Als Deepminds AlphaGo 4 von 5 Spielen gegen den damaligen Go Go-Champion Lee Se-dol gewann, erregte die ganze Welt die Aufmerksamkeit. In diesem Moment, der als Triumph der künstlichen Intelligenz angekündigt wurde, war die KI ein wichtiger Schritt zur Umwandlung fortschrittlicher Maschinen in die Realität.

Wenn die Wörter Deep Learning und Machine Learning in das öffentliche Lexikon aufgenommen werden, wenn die Medien diese Begriffe verwenden, um zu erklären, wie AlphaGo gegen den menschlichen Geist konkurriert.

Durch die Nähe zueinander haben diese Begriffe unterschiedliche Bedeutungen. In den Tagen und Jahrhunderten, in denen wir wissen, wie Technologie unser Leben beeinflusst, ist es wichtig, den Unterschied zwischen diesen Begriffen zu kennen.

Dieser Artikel wird Ihnen helfen.

Ansatz Der beste Weg, diese Begriffe zu verstehen, besteht darin, die Beziehungen zwischen ihnen zu kennen. KI, maschinelles Lernen und tiefes Lernen sind wie eine Sammlung russischer Puppen - KI ist das umfassendste Konzept und daher die größte Marionette in der Sammlung. Maschinelles Lernen ist unübertroffen. Sie finden es hier.

KI, maschinelles Lernen und tiefes Lernen sind wie russische Puppensammlungen ... Klicken Sie hier, um zu twittern

Wir beginnen mit unserem Verständnis der ersten Marionette, der künstlichen Intelligenz.

Künstliche Intelligenz (KI) Die künstliche Intelligenz hat sich im Laufe der Jahrhunderte von griechischen Mythen über mechanisierte Menschen zur Zerstörung / Erhaltung der Menschheit im Laufe der Zeit in Bezug auf intelligente kybernetische Organismen entwickelt. nggi war bis zur Terminator-Linie Teil unserer öffentlichen Vorstellungskraft. . Dies ist die Theorie und Entwicklung von Computersystemen, die menschliche Intelligenz erfordern, wie visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung zwischen Sprachen.

Das von Hollywood und Sci-Fi populäre Konzept der KI heißt "Common AI" - eine mächtige Maschine, die den Menschen in allen Bereichen dominiert.

AlphaGo und die meisten aktuellen KI-Fälle gehören jedoch zur Kategorie "Dunkle KI". Diese Maschinen wurden entwickelt, um die spezifischen Aufgaben einer Person zu replizieren oder zu verbessern.

Die Popularität von KI in den letzten Jahren hat es dank der einfachen Integration von GPUs und Big Data mit verschiedenen Datentypen parallel erleichtert, alle Möglichkeiten auf diesem Gebiet zu erkunden.

Aber wie hat der Bereich, der die Aufmerksamkeit und den Fortschritt bis 2012 untergraben hat, es so schnell gemacht? Diese Frage führt uns zum maschinellen Lernen im Bereich der Informatik, wo diese Entwicklung gemacht wurde.

Maschinelles Lernen

Der Begriff Maschinenbau bezieht sich auf die Fähigkeit einer Maschine, aus den bereitgestellten Informationen selbst zu lernen. Obwohl wir unsere Maschinen normalerweise so programmieren, dass sie den Anweisungen gemäß unseren Anforderungen folgen, verwenden wir beim maschinellen Lernen Algorithmen, die die Daten regelmäßig überprüfen und spontanes Verhalten lernen.

Aber wie die KI, die sich auf 2012 konzentriert, es groß gemacht hat ... Tweet to Tweet

Die Klassifizierung von E-Mails in verschiedene Filter, um festzustellen, ob es sich bei E-Mails um Spam handelt, ist ein gutes Beispiel dafür. Dabei werden Algorithmen für maschinelles Lernen verwendet.

Maschinelles Lernen wurde zuerst von der KI-Masse entwickelt und hat seitdem viele Techniken gesammelt, darunter Entscheidungsbaumlernen, einfache Bayes-Klassifikatoren und Support-Vektor-Maschinen. Dieser Computer ist im Bereich des Sehens weit verbreitet und soll dem Computer helfen, verschiedene Objekte im Bild zu identifizieren.

Anfänglich schlug es vor Ort fehl - es erforderte Handcodierung, Verarbeitungszeit und konnte die Ergebnisse immer noch nicht an menschliche Standards anpassen. Im Laufe der Zeit und der verbesserten technologischen Infrastruktur sind diese Techniken sehr leistungsfähig geworden, aber es gibt nur ein Teilgebiet, das zur Entwicklung des maschinellen Lernens beitragen kann, nämlich ein Bild und Uber von Computer Vision Es wird erfolgreich bei der Objekterkennung eingesetzt. , Apple und Fahrer parken gerne weniger.

Und die Technik? Dies ist das Ziel einer eingehenden Untersuchung.

Tiefes Lernen

Deep Learning ist eine Unterdomäne des maschinellen Lernens, die künstliche neuronale Netzwerktechniken verwendet. Es ist von der menschlichen Biologie inspiriert - da unser Gehirn aus einem Netzwerk von Neuronen besteht, die Signale und Informationen übertragen, erstellt der Algorithmus im Gegensatz zu biologischen Neuronen, die frei miteinander kommunizieren können, einen maschinenähnlichen Aufbau. Geruchsneuron. Netzwerke haben diskrete Schichten und Verbindungen und folgen der vordefinierten Richtung.

Tatsächlich beinhaltet Deep Learning das Übertragen vieler Daten an ein Computersystem, das Daten durch binäre reale oder falsche Fragen klassifiziert oder Daten durch Extrahieren numerischer Werte analysiert. Diese Informationen werden als neuronale Netze gespeichert und dann zur Klassifizierung aller Arten von Informationen verwendet - Audio, Video, Sprache usw. Obwohl das Rechenvolumen sehr groß ist, liefert dieses Verfahren hervorragende Ergebnisse und wird derzeit für ein so breites Spektrum von Problemen verwendet. Als kleinerer Autofahrer malt Schwarz-Weiß, bietet eine medizinische Diagnose und vieles mehr.

Zusammenfassend sind diese Konzepte leicht als konzentrische Kreise zu verstehen. KI ist ein weites Ziel, eine Zukunft, die heute verwirklicht wird. Maschinelles Lernen ist der vielversprechendste Ansatz, um die Zukunft Wirklichkeit werden zu lassen. Deep Learning ist maschinelles Lernen - der stärkste Weg, dies zu tun.

Besuchen Sie unsere informationswissenschaftlichen Kurse, um ein tieferes Verständnis dieser Konzepte zu erlangen.

Ursprünglich veröffentlicht auf byteacademy.co am 17. April 2017.