[ad_1]

هوش مصنوعی ، یادگیری ماشینی ، یادگیری عمیق ، شبکه های عصبی. اصطلاحات ML اغلب به طور مترادف استفاده می شوند ، اما درک تفاوت آنها مهم است.

اعتبار: Blue Planet Studio

اعتبار: Blue Planet Studio

هوش مصنوعی از محصولات مصرفی گرفته تا تجهیزات صنعتی نفوذ می کند. همانطور که مشاغل از هوش مصنوعی برای رقابت پذیری خود استفاده می کنند ، تعداد بیشتری از آنها از یادگیری ماشین بهره مند می شوند تا در زمان کمتری به موفقیت بیشتری دست یابند ، هزینه ها را کاهش دهند و چیزی پیدا کنند ، خواه یک دارو باشد یا یک خواسته پنهان در بازار.

اگرچه دانشمندان نیازی به درک نحوه کار یادگیری ماشین (ML) بدون داده ندارند ، اما آنها باید برای استفاده صحیح از اصطلاحات اساسی درک کافی داشته باشند.

اگرچه دامنه ML بسیار فراتر از آنچه در این مقاله كوتاه آمده است ، وجود دارد ، اما برخی از نكات اصلی در زیر آورده شده است.

اصطلاحات اساسی

قبل از اینکه فرد بتواند مفاهیم یادگیری ماشین را درک کند ، باید درک کند که اصطلاحات یادگیری ماشین به چه معناست. برخی اصطلاحات معمولاً شامل:

  • تست A / B – آزمایش دو روش یادگیری ماشین برای تعیین اینکه کدام یک عملکرد بهتری دارد.
  • گروه بندی – گروه بندی اشیا براساس شباهت. به عنوان مثال ، در جمعیتی از M&M ، افراد آن جمعیت ممکن است براساس رنگ یا گونه گروه بندی شوند. (به عنوان مثال M&M بادام زمینی در مقابل M&M معمولی).
  • درخت تصمیم – سلسله مراتبی از مقادیر دودویی که برای تصمیم گیری استفاده می شود (به عنوان مثال ، آیا مشتری ورزشی است یا نه؟ آیا این مشتری ورزشی اسکی می کند یا نه؟).
  • منفی اشتباه – نتیجه ای که منفی به نظر می رسد اما در واقع مثبت است. (به عنوان مثال ، نقض امنیت سایبری که از شناسایی آن جلوگیری می کند.)
  • مثبت کاذب – نتیجه ای که مثبت به نظر می رسد اما در واقع منفی است. (به عنوان مثال ، یک سیستم تشخیص چهره که یک نماینده کنگره را به اشتباه مظنون به قتل معرفی می کند).
  • مشخصه – متغیرهای ورودی که برای پیش بینی استفاده می شود. (به عنوان مثال ، زنان (1) زیر 25 سال (2) که سیگار می کشند (3).
  • ویژگی مهندسی – تعیین ویژگی هایی که باید در یک مدل استفاده شود.
  • مجموعه ای از ویژگی ها – گروه توابع مورد استفاده برای آموزش مدل.
  • داده در انتظار – داده هایی که با داده های آموزشی که بعداً برای آزمایش مدل استفاده می شوند ، حفظ می شوند.
  • نتیجه – تهیه پیش بینی با کمک یک مدل آموزش دیده در مورد داده های بدون علامت.
  • معنی K – یک روش خوشه ای که از هندسه اقلیدسی (و به طور خاص فاصله اقلیدسی) برای تعیین شباهت مثال ها استفاده می کند.
  • آداب معاشرت – نتیجه ای که توسط مردم تعیین می شود. (به عنوان مثال ، گربه ها ، سگ ها ، قد بلند ، کوتاه)
  • مدل – نتیجه اجرای الگوریتم داده های آموزش.
  • شبکه عصبی – مجموعه ای از نورون های مصنوعی (همچنین به عنوان گره شناخته می شوند) که معمولاً از چندین ورودی برای تولید خروجی استفاده می کنند.
  • پروکسی – داده هایی که می توانند برای نمایش یک ویژگی حساس مورد استفاده قرار گیرند. (به عنوان مثال ، استفاده از کد پستی برای تعیین نژاد یا احتمال یا عود.)
  • غم تصادفی – ایجاد چندین درخت تصمیم با ویژگی های تصادفی (با استفاده از قسمت های مختلف مجموعه داده ها) برای تعیین میانگین پیش بینی یک درخت تصمیم جنگل های تصادفی دقیق تر از یک درخت تصمیم هستند ، اما چندان قابل تفسیر نیستند.
  • تقویت آموزش – نوعی یادگیری ماشینی که از پاداش و مجازات استفاده می کند.
  • آموزش نیمه مدیریت شده – از داده های دارای برچسب استفاده می کند و برچسب ها را برای داده های بدون علامت نمایش می دهد.
  • یادگیری تحت نظارت – از داده های دارای برچسب برای یادگیری به عنوان مثال استفاده می کند. (به عنوان مثال ، روز ، شب.)
  • کیت آموزشی – زیر مجموعه داده های مورد استفاده برای آموزش.
  • یادگیری بدون مراقبت – برچسب های داده را نمایش می دهد و اغلب برای یافتن آنچه مردم هنوز پیدا نکرده اند استفاده می شود. (به عنوان مثال ، یافتن دلیل اصلی بستری مجدد در بیمارستان.)
  • بررسی – فرایند مورد استفاده برای تعیین کیفیت یک مدل.

یادگیری ماشینی در مقابل یادگیری عمیق

یادگیری عمیق زیرمجموعه یادگیری ماشین است که از چندین لایه الگوریتم استفاده می کند. الگوریتم ها گره های شبکه عصبی را تشکیل می دهند که در سه لایه اصلی طبقه بندی شده اند: لایه ورودی ، لایه پنهان و لایه خروجی. اگر شبکه بیش از یک لایه مخفی داشته باشد ، یک شبکه عصبی عمیق محسوب می شود.

بروک لیتل ، دیتابریک

بروک لیتل ، دیتابریک

بروک ونیگ ، رئیس تمرین یادگیری ماشین در ارائه دهنده سیستم عامل داده Cloudbricks ، گفت: “یادگیری عمیق فقط یک سری ضرب ماتریس و تبدیل غیرخطی است.” “شما یک دسته ضرب ماتریسی از توابع ورودی خود ایجاد می کنید. هر یک دارای یک وزن مربوطه هستند و سپس تبدیلات غیرخطی را اضافه می کنید. “

امروزه انواع مختلفی از معماری شبکه عصبی وجود دارد و این لیست به طور مداوم در حال رشد است.

یکی از مواردی که باید در هنگام آموزش عمیق به خاطر بسپارید هزینه آن است ، زیرا به داده های زیادی و در نتیجه ذخیره سازی نیاز دارد. همچنین به قدرت محاسباتی زیادی نیاز دارد. این امر می تواند نه تنها از نظر منابع گران باشد بلکه از نظر محیطی (اثر کربن) نیز گران است. ملاحظات دیگری نیز وجود دارد.

وین تامپسون ، SAS

وین تامپسون ، SAS

وین تامپسون ، دانشمند ارشد داده در ارائه دهنده نرم افزار تجزیه و تحلیل SAS ، گفت: “مردم باید مدل های خود را به حداقل برسانند ، نه بر اساس برخی از معیارهای خطا ، بلکه بر اساس نوعی تأثیر اقتصادی مدل.” “مشکل این است که ما نمی دانیم چه شماره هایی را باید برای جنبه اقتصادی قرار دهیم. وقتی با مشتری صحبت می کنم ، آنها نمی توانند هزینه خرید مشتری یا درآمد حاصل از نگهداری آنها پس از تحصیل را به من بگویند.”

اینکه محققان از چه نوع تکنیک (های) ML استفاده می کنند به عوامل مختلفی بستگی دارد ، از جمله مشکل تجاری که باید حل شود ، داده های موجود ، سطح دقت ، زمان ، کارایی و موارد دیگر. گاهی اوقات زیبا ترین راه حل ساده ترین ، پیچیده ترین و پیچیده ترین راه حل است.

برخی از شبکه های عصبی محبوب

انواع مختلفی از معماری شبکه عصبی وجود دارد که همه آنها دارای یک لایه ورودی ، یک لایه خروجی و یک یا چند لایه مخفی هستند. شبکه های مسابقه ای تولید (GAN) ، شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی تکراری (RNN) فقط سه نمونه هستند.

امنیت سایبری و بازی از GAN استفاده می کنند ، زیرا در هر دو مورد یک دشمن درگیر است. GAN ها شامل دو شبکه هستند که یکی از آنها رقابتی است.

کامرون فن ، مدیریت سرمایه AI

کامرون فن ، مدیریت سرمایه AI

کامرون فن ، بنیانگذار و رئیس تحقیق در شرکت سرمایه گذاری خطرپذیر AI Capital Management ، گفت: “ما تقریباً همه چیز را با GAN امتحان كرده ایم. آنها واقعاً خوب كار می كنند ، اما كمی مشكل سازند زیرا یادگیری آنها دشوار است.” “مردم در تلاشند GAN را با مدل تولیدی دیگری جایگزین کنند که به همان خوبی یا بهتر کار کند زیرا آنها دوست ندارند GAN آموزش دهند.”

شبکه های عصبی کانولوشن (ConvNets یا CNN) از قشر بینایی حیوانات مدل سازی می شوند ، بنابراین جای تعجب نیست که برای شناسایی تصویر از آنها استفاده می شود. هدف CNN کاهش سایز تصویر برای پردازش بدون از بین بردن ویژگی های مورد نیاز برای پیش بینی خوب است.

CNN برای مصارف مختلف از جمله تبلیغات ، تغییرات آب و هوایی ، پیش بینی بلایای طبیعی و اتومبیل های خودران استفاده می شود.

شبکه های عصبی تکراری (RNN) از داده های متوالی یا داده های سری زمانی استفاده می کنند. به آنها “تکراری” می گویند زیرا در هر مرحله از سکانس کار یکسانی را انجام می دهند. در عمل ، RNN ها برای نوشتن دست خط و گفتار ، پیش بینی سری زمانی ، تشخیص ناهنجاری سری زمانی و حتی کنترل ربات استفاده می شوند.

مطالب مرتبط:

چگونه AI ، ML و NLP را به زبان ساده برای رهبران تجارت توضیح دهیم

چگونه می توان پرسنل خود را برای هوش مصنوعی و یادگیری ماشین بهبود بخشید

هوش مصنوعی و یادگیری ماشین: راهنمای مشاغل

لیزا مورگان یک نویسنده مستقل است که داده های بزرگ و BI را برای InformationWeek پوشش می دهد. وی در مقالات ، گزارش ها و انواع دیگر مطالب در نشریات و سایت های مختلف شرکت کرده است ، از SD Times گرفته تا واحد هوشمند اکونومیست. مناطق مشترک پوشش شامل … بیوگرافی کامل را ببینید

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم ، یا [contact us directly] با س questionsالات در مورد سایت.

مقالات بیشتر



[ad_2]

منبع: tasiveh-news.ir