Python Deep Basic Machine Learning
L'intelligenza artificiale (AI) è qualsiasi codice, algoritmo o tecnica che consente a un computer di imitare il comportamento o l'intelligenza cognitiva umana. L'apprendimento automatico (ML) è un sottoinsieme dell'IA che utilizza metodi statistici per consentire alle macchine di apprendere e migliorare con l'esperienza. Il Deep Learning è un sottoinsieme del Machine Learning, che rende fattibile il calcolo di reti neurali multistrato. Il machine learning è visto come un apprendimento superficiale mentre il deep learning è visto come un apprendimento gerarchico con astrazione.
L'apprendimento automatico si occupa di una vasta gamma di concetti. I concetti sono elencati di seguito:
- supervised
- unsupervised
- insegnamento rafforzativo
- regressione lineare
- funzioni di costo
- overfitting
- under-fitting
- iperparametro, ecc.
Nell'apprendimento supervisionato, impariamo a prevedere i valori dai dati etichettati. Una tecnica ML che aiuta qui è la classificazione, dove i valori target sono valori discreti; ad esempio, cani e gatti. Un'altra tecnica nell'apprendimento automatico che potrebbe essere d'aiuto è la regressione. La regressione funziona sui valori target. I valori target sono valori continui; ad esempio, i dati del mercato azionario possono essere analizzati utilizzando la regressione.
Nell'apprendimento senza supervisione, facciamo inferenze dai dati di input che non sono etichettati o strutturati. Se abbiamo un milione di cartelle cliniche e dobbiamo dargli un senso, trovare la struttura sottostante, valori anomali o rilevare anomalie, utilizziamo la tecnica del clustering per dividere i dati in ampi cluster.
I set di dati sono suddivisi in set di addestramento, set di test, set di convalida e così via.
Una svolta nel 2012 ha portato alla ribalta il concetto di Deep Learning. Un algoritmo ha classificato 1 milione di immagini in 1000 categorie utilizzando con successo 2 GPU e le ultime tecnologie come i Big Data.
Relazione tra deep learning e machine learning tradizionale
Una delle principali sfide incontrate nei tradizionali modelli di machine learning è un processo chiamato estrazione delle caratteristiche. Il programmatore deve essere specifico e indicare al computer le caratteristiche da controllare. Queste caratteristiche aiuteranno a prendere decisioni.
L'immissione di dati grezzi nell'algoritmo funziona raramente, quindi l'estrazione delle caratteristiche è una parte fondamentale del flusso di lavoro di apprendimento automatico tradizionale.
Ciò pone un'enorme responsabilità sul programmatore e l'efficienza dell'algoritmo dipende fortemente dall'inventiva del programmatore. Per problemi complessi come il riconoscimento di oggetti o il riconoscimento della grafia, questo è un problema enorme.
Il deep learning, con la capacità di apprendere più livelli di rappresentazione, è uno dei pochi metodi che ci ha aiutato con l'estrazione automatica delle caratteristiche. Si può presumere che i livelli inferiori eseguano l'estrazione automatica delle caratteristiche, richiedendo poca o nessuna guida dal programmatore.