Capire l'intelligenza artificiale
L'intelligenza artificiale include il processo di simulazione dell'intelligenza umana da parte di macchine e sistemi informatici speciali. Gli esempi di intelligenza artificiale includono l'apprendimento, il ragionamento e l'auto-correzione. Le applicazioni dell'intelligenza artificiale includono riconoscimento vocale, sistemi esperti e riconoscimento di immagini e visione artificiale.
L'apprendimento automatico è il ramo dell'intelligenza artificiale, che si occupa di sistemi e algoritmi in grado di apprendere nuovi dati e modelli di dati.
Concentriamoci sul diagramma di Venn menzionato di seguito per comprendere i concetti di machine learning e deep learning.
Il machine learning include una sezione del machine learning e il deep learning è una parte del machine learning. La capacità del programma che segue i concetti di apprendimento automatico è quella di migliorare le prestazioni dei dati osservati. Il motivo principale della trasformazione dei dati è migliorare la propria conoscenza al fine di ottenere risultati migliori in futuro, fornire un output più vicino all'output desiderato per quel particolare sistema. L'apprendimento automatico include il "riconoscimento di modelli" che include la capacità di riconoscere i modelli nei dati.
I modelli dovrebbero essere addestrati per mostrare l'output in modo desiderabile.
L'apprendimento automatico può essere addestrato in due modi diversi:
- Formazione supervisionata
- Formazione senza supervisione
Apprendimento supervisionato
L'apprendimento supervisionato o l'addestramento supervisionato include una procedura in cui l'insieme di addestramento viene fornito come input al sistema in cui ogni esempio è etichettato con un valore di output desiderato. L'addestramento in questo tipo viene eseguito utilizzando la minimizzazione di una particolare funzione di perdita, che rappresenta l'errore di output rispetto al sistema di output desiderato.
Dopo il completamento della formazione, l'accuratezza di ciascun modello viene misurata rispetto agli esempi disgiunti del set di addestramento, chiamato anche set di convalida.
Il miglior esempio per illustrare "Apprendimento supervisionato" è con un mucchio di foto fornite con informazioni incluse in esse. Qui l'utente può addestrare un modello a riconoscere le nuove foto.
Apprendimento senza supervisione
Nell'apprendimento senza supervisione o nella formazione senza supervisione, includere esempi di formazione, che non sono etichettati dal sistema a cui appartengono. Il sistema cerca i dati, che condividono caratteristiche comuni, e li modifica in base alle caratteristiche della conoscenza interna. Questo tipo di algoritmi di apprendimento sono fondamentalmente utilizzati nei problemi di clustering.
Il miglior esempio per illustrare l '"apprendimento senza supervisione" è con un gruppo di foto senza informazioni incluse e l'utente addestra il modello con classificazione e raggruppamento. Questo tipo di algoritmo di addestramento funziona con ipotesi poiché non vengono fornite informazioni.
