В чем разница между машинным обучением, искусственным интеллектом и глубинным обучением?

Разберем каждое из понятий.

ИИ - широкое понятие, касающееся передового машинного интеллекта. Категория «искусственного интеллекта» на данный момент определена достаточно плохо, поэтому данное словосочетание не имеет практического смысла.

Различают два типа ИИ: Слабый (узконаправленный) и сильный (полный).

Слабый ИИ описывает любую систему, предназначенную для выполнению узкого списка задач. К примеру, Google Assistant или Siri, являясь довольно мощными ИИ, все же выполняют довольно узкий список задач. Они получают голосовые команды и возвращают ответы, либо запускают приложения. Исследования в области искусственного интеллекта питают эти функции, но они считаются «слабыми».

Сильный ИИ — известный также как общий искусственный интеллект. Это система, которая может выполнить любую человеческую задачу. На данный момент е не существует. Следовательно, любое «умное» приложение — это все еще слабый искусственный интеллект.

ML - одно из направлений искусственного интеллекта. Основной принцип заключается в том, что машины получают данные и «обучаются» на них. Основная задача - научить машину улучшаться самостоятельно. В частности, это относится к любой системе, в которой производительность компьютера при выполнении задачи становится лучше только за счет большего опыта выполнения этой задачи. Нейронные сети являются примером машинного обучения, но они не являются единственным способом обучения компьютера.

Например, один из альтернативных методов машинного обучения называется обучение с подкреплением. В этом методе компьютер выполняет задачу и затем оценивает ее результат. Если, например, компьютер побеждает в шахматы, то он присваивает выигрышное значение серии ходов, которые использует во время игры. Сыграв миллионы игр, система может определить, какие шаги, скорее всего, приведут к победе, основываясь на результатах предыдущих игр.

DL - подмножество машинного обучения. Оно использует некоторые методы машинного обучения для решения реальных задач, используя нейронные сетей, которые могут имитировать человеческое принятие решений. Глубокое обучение часто дорогостоящее и требует огромных массивов данных для обучения. Причина - огромное количество параметров, которые необходимо настроить для алгоритмов обучения, чтобы избежать ложных срабатываний. Если хотите дать указание “узнать”, как выглядит кошка, то вам потребуется огромное количество изображений для того, чтобы научиться различать мельчайшие детали, которые позволяют отличить кошку от собаки, лисы и прочих животных

Комментарии: