Hvad er AI?
AI (kunstig intelligens) er en gren af datalogi, hvor maskiner er programmeret og får en kognitiv evne til at tænke og efterligne handlinger som mennesker og dyr. Benchmark for AI er menneskelig intelligens med hensyn til ræsonnement, tale, læring, vision og problemløsning, hvilket er langt væk i fremtiden.
AI har tre forskellige niveauer:
- Smal AI : En kunstig intelligens siges at være smal, når maskinen kan udføre en bestemt opgave bedre end et menneske. Den nuværende forskning i AI er her nu
- Generel AI : En kunstig intelligens når den generelle tilstand, når den kan udføre enhver intellektuel opgave med samme nøjagtighedsniveau som et menneske ville
- Aktiv AI : En AI er aktiv, når den kan slå mennesker i mange opgaver
Tidlige AI-systemer brugte mønstermatchning og ekspertsystemer.
I denne vejledning lærer du-
- Hvad er AI?
- Hvad er ML?
- Hvad er dyb læring?
- Machine Learning Process
- Dyb læringsproces
- Automatiser funktionsekstraktion ved hjælp af DL
- Forskel mellem maskinlæring og dyb læring
- Hvornår skal man bruge ML eller DL?
Hvad er ML?
ML (Machine Learning) er en type AI, hvor en computer er uddannet til at automatisere opgaver, der er udtømmende eller umulige for mennesker. Det er det bedste værktøj til at analysere, forstå og identificere mønstre i data baseret på studiet af computeralgoritmer. Maskinindlæring kan tage beslutninger med minimal menneskelig indgriben.
Sammenligning af kunstig intelligens vs maskinindlæring bruger maskinindlæring data til at føde en algoritme, der kan forstå forholdet mellem input og output. Når maskinen er færdig med at lære, kan den forudsige værdien eller klassen for et nyt datapunkt.
Hvad er dyb læring?
Deep learning er en computersoftware, der efterligner netværket af neuroner i en hjerne. Det er en delmængde af maskinlæring og kaldes dyb læring, fordi den bruger dybe neurale netværk. Maskinen bruger forskellige lag til at lære af dataene. Modellens dybde er repræsenteret af antallet af lag i modellen. Dyb læring er den nye state of the art i løbet af AI. I dyb læring sker læringsfasen gennem et neuralt netværk. Et neuralt netværk er en arkitektur, hvor lagene stables oven på hinanden
Machine Learning Process
Forestil dig, at du skal bygge et program, der genkender objekter. For at træne modellen bruger du en klassifikator . En klassifikator bruger funktionerne i et objekt til at prøve at identificere den klasse, det tilhører.
I eksemplet trænes klassifikatoren til at opdage, om billedet er et:
- Cykel
- Båd
- Bil
- Fly
De fire objekter ovenfor er den klasse, som klassifikatoren skal genkende. For at konstruere en klassifikator skal du have nogle data som input og tildele det en etiket. Algoritmen tager disse data, finder et mønster og klassificerer dem derefter i den tilsvarende klasse.
Denne opgave kaldes overvåget læring. I overvåget læring inkluderer de træningsdata, du leverer til algoritmen, en etiket.
Træning af en algoritme kræver at følge et par standardtrin:
- Indsaml dataene
- Træn klassifikatoren
- Lav forudsigelser
Det første trin er nødvendigt, hvis du vælger de rigtige data, bliver algoritmen succes eller en fiasko. De data, du vælger at træne modellen kaldes en funktion. I objekteksemplet er funktionerne billedernes pixels.
Hvert billede er en række i dataene, mens hver pixel er en kolonne. Hvis dit billede har en størrelse på 28x28, indeholder datasættet 784 kolonner (28x28). På billedet nedenfor er hvert billede omdannet til en funktionsvektor. Mærkaten fortæller computeren, hvilket objekt der er i billedet.
Målet er at bruge disse træningsdata til at klassificere typen af objekt. Det første trin består i at oprette funktionskolonnerne. Derefter indebærer det andet trin at vælge en algoritme til at træne modellen. Når træningen er udført, forudsiger modellen, hvilket billede der svarer til hvilket objekt.
Derefter er det let at bruge modellen til at forudsige nye billeder. For hvert nyt billede, der indføres i modellen, forudsiger maskinen den klasse, den tilhører. For eksempel går et helt nyt billede uden etiket gennem modellen. For et menneske er det trivielt at visualisere billedet som en bil. Maskinen bruger sin tidligere viden til at forudsige, at billedet også er en bil.
Dyb læringsproces
I dyb læring sker læringsfasen gennem et neuralt netværk. Et neuralt netværk er en arkitektur, hvor lagene stables oven på hinanden.
Overvej det samme billedeksempel ovenfor. Træningssættet blev fodret til et neuralt netværk
Hver input går ind i en neuron og ganges med en vægt. Resultatet af multiplikationen flyder til det næste lag og bliver input. Denne proces gentages for hvert lag af netværket. Det sidste lag hedder outputlaget; det giver en faktisk værdi for regressionsopgaven og en sandsynlighed for hver klasse for klassificeringsopgaven. Det neurale netværk bruger en matematisk algoritme til at opdatere vægten af alle neuroner. Det neurale netværk er fuldt trænet, når vægtenes værdi giver et output tæt på virkeligheden. For eksempel kan et veluddannet neuralt netværk genkende objektet på et billede med højere nøjagtighed end det traditionelle neurale netværk.
Automatiser funktionsekstraktion ved hjælp af DL
Et datasæt kan indeholde et dusin til hundredvis af funktioner. Systemet lærer af relevansen af disse funktioner. Imidlertid er ikke alle funktioner meningsfulde for algoritmen. En vigtig del af maskinindlæring er at finde et relevant sæt funktioner, der får systemet til at lære noget.
En måde at udføre denne del i maskinindlæring på er at bruge ekstraktion af funktioner. Udtrækning af funktioner kombinerer eksisterende funktioner for at skabe et mere relevant sæt funktioner. Det kan gøres med PCA, T-SNE eller andre algoritmer til reduktion af dimensionalitet.
For eksempel, en billedbehandling, skal den praktiserende læge udtrække funktionen manuelt i billedet som øjne, næse, læber og så videre. Disse ekstraherede funktioner leveres til klassificeringsmodellen.
Dyb læring løser dette problem, især for et neuralt netværk, der falder sammen. Det første lag i et neuralt netværk lærer små detaljer fra billedet; de næste lag kombinerer den tidligere viden for at skabe mere komplekse oplysninger. I det sammenfaldne neurale netværk udføres funktionsekstraktionen ved hjælp af filteret. Netværket anvender et filter på billedet for at se, om der er en match, dvs. funktionens form er identisk med en del af billedet. Hvis der er et match, bruger netværket dette filter. Processen med funktionsextraktion udføres derfor automatisk.
Forskel mellem maskinlæring og dyb læring
Nedenfor er en nøgleforskel mellem Deep Learning vs Machine Learning
|
Maskinelæring |
Dyb læring |
|
|
Dataafhængighed |
Fremragende forestillinger på et lille / medium datasæt |
Fremragende ydeevne på et stort datasæt |
|
Afhængighed af hardware |
Arbejd på en low-end maskine. |
Kræver kraftfuld maskine, helst med GPU: DL udfører en betydelig mængde matrixmultiplikation |
|
Funktionsteknik |
Brug for at forstå de funktioner, der repræsenterer dataene |
Ingen grund til at forstå den bedste funktion, der repræsenterer dataene |
|
Udførelsestid |
Fra få minutter til timer |
Op til uger. Neural Network skal beregne et betydeligt antal vægte |
|
Fortolkningsmulighed |
Nogle algoritmer er lette at fortolke (logistik, beslutningstræ), nogle er næsten umulige (SVM, XGBoost) |
Svært til umuligt |
Hvornår skal man bruge ML eller DL?
I nedenstående tabel opsummerer vi forskellen mellem maskinlæring og dyb læring med eksempler.
| Maskinelæring | Dyb læring | |
| Træningsdatasæt | Lille | Stor |
| Vælg funktioner | Ja | Ingen |
| Antal algoritmer | Mange | Få |
| Træningstid | Kort | Lang |
Med maskinindlæring har du brug for færre data for at træne algoritmen end dyb læring. Dyb læring kræver et omfattende og forskelligt sæt data for at identificere den underliggende struktur. Desuden giver maskinlæring en hurtigere trænet model. Den mest avancerede dyb læringsarkitektur kan tage dage til en uge at træne. Fordelen ved dyb læring i forhold til maskinindlæring er, at den er meget nøjagtig. Du behøver ikke at forstå, hvilke funktioner der er den bedste repræsentation af dataene; det neurale netværk lærte at vælge kritiske funktioner. I maskinindlæring skal du selv vælge, hvilke funktioner der skal medtages i modellen.
Resumé
Kunstig intelligens giver en maskine en kognitiv evne. Sammenligning af AI vs Machine Learning, brugte tidlige AI-systemer mønstermatchning og ekspertsystemer.
Ideen bag maskinlæring er, at maskinen kan lære uden menneskelig indgriben. Maskinen skal finde en måde at lære, hvordan man løser en opgave givet dataene.
Dyb læring er gennembruddet inden for kunstig intelligens. Når der er nok data til at træne på, opnår dyb læring imponerende resultater, især til billedgenkendelse og tekstoversættelse. Hovedårsagen er, at funktionen udtrækkes automatisk i de forskellige lag af netværket.