Welche Beziehung besteht zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning?

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz, die Techniken umfasst, die es Computern ermöglichen, Probleme in Daten zu finden und Anwendungen der künstlichen Intelligenz bereitzustellen. Deep Learning ist eine Teilmenge des maschinellen Lernens, die es Computern ermöglicht, komplexere Probleme zu lösen.

Die Betriebsumgebung dieses Tutorials: Windows 7-System, Dell G3-Computer.

1. Künstliche Intelligenz

Künstliche Intelligenz (Artificial Intelligence), die englische Abkürzung ist AI. Es handelt sich um eine neue technische Wissenschaft, die Theorien, Methoden, Technologien und Anwendungssysteme zur Simulation, Erweiterung und Erweiterung der menschlichen Intelligenz untersucht und entwickelt.

Künstliche Intelligenz ist ein Zweig der Informatik, der versucht, das Wesen der Intelligenz zu verstehen und eine neue intelligente Maschine zu entwickeln, die auf ähnliche Weise wie die menschliche Intelligenz reagieren kann. Die Forschung in diesem Bereich umfasst Spracherkennung, Bilderkennung, Roboter und natürliche Sprache Datenverarbeitung, intelligente Such- und Expertensysteme etc.

Künstliche Intelligenz kann den Informationsprozess des menschlichen Bewusstseins und Denkens simulieren. Künstliche Intelligenz ist keine menschliche Intelligenz, aber sie kann wie Menschen denken und möglicherweise sogar die menschliche Intelligenz übertreffen.

2. Data Mining

Beim Data Mining geht es, wie der Name schon sagt, um das „Mining“ versteckter Informationen aus riesigen Datenmengen. Laut Lehrbuch sind die Daten hier „groß, unvollständig, verrauscht und unscharf“, zufällige praktische Anwendung „Daten“ beziehen sich auf „Informationen und Wissen, die implizit, regelmäßig, den Menschen im Voraus unbekannt, aber potenziell nützlich und letztendlich verständlich“ sind. Im Geschäftsumfeld hoffen Unternehmen, dass die in der Datenbank gespeicherten Daten „sprechen“ und die Entscheidungsfindung unterstützen können. Daher ist Data Mining eher anwendungsorientiert.

Data Mining hängt normalerweise mit der Informatik zusammen und erreicht die oben genannten Ziele durch viele Methoden wie Statistik, analytische Online-Verarbeitung, Informationsabruf, maschinelles Lernen, Expertensysteme (basierend auf früheren Faustregeln) und Mustererkennung.

3. Maschinelles Lernen

Maschinelles Lernen (maschinelles Lernen) bezieht sich auf den Prozess der Verwendung bestimmter Algorithmen, um Computer anzuleiten, bekannte Daten zu nutzen, um geeignete Modelle abzuleiten und dieses Modell zu verwenden, um Urteile über neue Situationen zu fällen.

Die Idee des maschinellen Lernens ist nicht kompliziert, es ist lediglich eine Simulation des Lernprozesses im menschlichen Leben. In diesem gesamten Prozess sind Daten das Wichtigste.

Jede verwandte Forschung zu Lernalgorithmen, die durch Daten trainiert werden, gehört zum maschinellen Lernen, einschließlich vieler Technologien, die seit vielen Jahren entwickelt werden, wie z. B. lineare Regression (lineare Regression), K-Mittel (K-Mittel, prototypbasiertes Zielfunktionsclustering). Methode), Entscheidungsbäume (Entscheidungsbäume, eine grafische Methode mit Wahrscheinlichkeitsanalyse), Random Forest (Random Forest, eine grafische Methode mit Wahrscheinlichkeitsanalyse), PCA (Hauptkomponentenanalyse, Hauptkomponentenanalyse), SVM (Support Vector Machine, Support Vector Maschinen) und ANN (Artificial Neural Networks, künstliche neuronale Netze).

4. Deep Learning

Das Konzept des Deep Learning hat seinen Ursprung in der Erforschung künstlicher neuronaler Netze. Ein mehrschichtiges Perzeptron mit mehreren verborgenen Schichten ist eine Deep-Learning-Struktur. Deep Learning entdeckt verteilte Merkmalsdarstellungen von Daten, indem es Merkmale auf niedriger Ebene kombiniert, um abstraktere Darstellungsattributkategorien oder -merkmale auf hoher Ebene zu bilden.

Deep Learning ist ein neues Feld in der maschinellen Lernforschung. Seine Motivation besteht darin, das neuronale Netzwerk des menschlichen Gehirns für die Analyse und das Lernen aufzubauen. Es imitiert den Mechanismus des menschlichen Gehirns, Daten wie Bilder, Töne usw. zu interpretieren Text.

5. Die Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen und tiefem Lernen

Genau genommen hängen künstliche Intelligenz und maschinelles Lernen nicht direkt zusammen, aber derzeit werden Methoden des maschinellen Lernens häufig zur Lösung von Problemen mit künstlicher Intelligenz eingesetzt. Derzeit ist maschinelles Lernen eine Implementierungsmethode künstlicher Intelligenz und gleichzeitig die wichtigste Implementierungsmethode.

Frühes maschinelles Lernen gehört eigentlich zur Statistik, nicht zur Informatik, und die klassische künstliche Intelligenz vor den 1990er Jahren hat nichts mit maschinellem Lernen zu tun. Die heutige KI und ML weisen also viele Überschneidungen auf, es gibt jedoch keine strikte Zugehörigkeit.

Aber wenn wir nur die Computerabteilung betrachten, gehört ML zur KI. KI ist heute zu einem sehr breiten Thema geworden.

Deep Learning ist derzeit eine beliebte Richtung im maschinellen Lernen. Es ist selbst eine Ableitung des neuronalen Netzwerkalgorithmus und hat sehr gute Ergebnisse bei der Klassifizierung und Erkennung von Rich Media wie Bildern und Sprache erzielt.

Wenn Sie also künstliche Intelligenz und maschinelles Lernen als zwei Disziplinen betrachten, ist die Beziehung zwischen den dreien wie in der folgenden Abbildung dargestellt:

Wenn Sie Deep Learning als eine Unterdisziplin der künstlichen Intelligenz betrachten , die Beziehung zwischen den drei Die Beziehung ist in der folgenden Abbildung dargestellt:

6. Die Beziehung zwischen Data Mining und maschinellem Lernen

Data Mining nutzt hauptsächlich die von der Community für maschinelles Lernen bereitgestellte Technologie, um große Datenmengen zu analysieren nutzt die von der Datenbank-Community bereitgestellte Technologie zur Verwaltung riesiger Datenmengen.

Maschinelles Lernen ist eine wichtige Methode des Data Mining, aber maschinelles Lernen ist eine andere Disziplin und dem Data Mining nicht untergeordnet. Die beiden ergänzen sich.

Ergänzung:

Quelle: http://m.elecfans.com/article/691751.html

Der maschinelle Lernprozess wird anhand der folgenden Schritte definiert:

1. Identifizieren Sie relevante Datensätze und bereiten Sie sie vor Analyse.

2. Wählen Sie den Typ des zu verwendenden Algorithmus aus.

3. Erstellen Sie ein Analysemodell basierend auf dem verwendeten Algorithmus.

4. Führen Sie ein Modelltraining basierend auf dem Testdatensatz durch und ändern Sie das Modell nach Bedarf.

5. Führen Sie das Modell aus, um Testergebnisse zu generieren.

Der Unterschied zwischen maschinellem Lernen und Deep Learning

1 Datenvolumen:

Maschinelles Lernen kann sich an verschiedene Datenmengen anpassen, insbesondere an Szenarien mit kleinen Datenmengen. Wenn andererseits die Datenmenge schnell zunimmt, wird der Effekt von Deep Learning stärker zum Tragen kommen. Die folgende Abbildung zeigt die Leistungsniveaus von maschinellem Lernen und Deep Learning bei unterschiedlichen Datenmengen.

2. Hardwareabhängigkeit:

Im Gegensatz zu herkömmlichen Algorithmen für maschinelles Lernen sind Deep-Learning-Algorithmen konstruktionsbedingt stark von High-End-Geräten abhängig. Deep-Learning-Algorithmen müssen eine große Anzahl von Matrixmultiplikationsoperationen ausführen und benötigen daher ausreichende Hardwareressourcen, um diese zu unterstützen.

3. Feature Engineering:

Feature Engineering ist der Prozess, bei dem domänenspezifisches Wissen in bestimmte Features umgesetzt wird, mit dem Ziel, die Datenkomplexität zu reduzieren und Muster zu generieren, die in Lernalgorithmen verwendet werden können.

Beispiel: Das traditionelle Modell des maschinellen Lernens konzentriert sich auf die Suche nach Pixeln und anderen Attributen, die für die Feature-Entwicklung erforderlich sind. Deep-Learning-Algorithmen konzentrieren sich auf andere übergeordnete Merkmale der Daten und reduzieren so die tatsächliche Arbeitsbelastung des Merkmalsextraktors für jedes neue Problem.

4. Problemlösungsansatz

Traditionelle Algorithmen für maschinelles Lernen folgen Standardverfahren, um Probleme zu lösen. Es zerlegt das Problem in Teile, löst sie separat und kombiniert dann die Ergebnisse, um die gewünschte Antwort zu erhalten. Deep Learning löst Probleme zentral, ohne das Problem aufzuteilen.

5. Ausführungszeit

Die Ausführungszeit bezieht sich auf die Zeit, die zum Trainieren des Algorithmus benötigt wird. Das Training von Deep Learning nimmt viel Zeit in Anspruch, da es mehr Parameter enthält, sodass auch der Zeitaufwand für das Training größer ist. Relativ gesehen ist die Ausführungszeit von Algorithmen für maschinelles Lernen relativ kurz.

6. Interpretierbarkeit

Erklärbarkeit ist einer der Hauptunterschiede zwischen maschinellen Lern- und Deep-Learning-Algorithmen – Deep-Learning-Algorithmen sind oft nicht interpretierbar. Aus diesem Grund wird die Branche den Einsatz von Deep Learning immer zweimal überlegen.

Praktische Anwendungen von maschinellem Lernen und Deep Learning:

1. Computer-Vision-Technologie, die Fingerabdrücke verwendet, um Anwesenheitskontrolle, Gesichtserkennung oder Nummernschilderkennung durch Scannen von Nummernschildern zu realisieren.
2. Funktionen zum Abrufen von Informationen in Suchmaschinen, z. B. Textsuche und Bildsuche.
3. Automatisiertes E-Mail-Marketing mit gezielter Zielgruppenidentifizierung.
4. Medizinische Diagnose von Krebs, Onkologie oder anderer chronischer Erkrankungen, Identifizierung des anormalen Status.
5. Anwendungen zur Verarbeitung natürlicher Sprache wie Foto-Tagging. Facebook stellt solche Funktionen bereit, um das Benutzererlebnis zu verbessern.
6. Online-Werbung.

Zukünftiger Entwicklungstrend:

1. Da die Branche zunehmend Datenwissenschaft und maschinelle Lerntechnologie einsetzt, ist es für jedes Unternehmen am wichtigsten, Lösungen für maschinelles Lernen in seine bestehenden Geschäftsprozesse einzuführen.
2. Die Bedeutung des Deep Learning übertrifft nach und nach das maschinelle Lernen. Fakten belegen, dass Deep Learning derzeit eine der fortschrittlichsten und effektivsten technischen Lösungen ist.
3. Maschinelles Lernen und Deep Learning werden ihre enorme Leistungsfähigkeit in der Forschung und im akademischen Bereich unter Beweis stellen.

Wenn Sie weitere verwandte Artikel lesen möchten, besuchen Sie bitte die Chinesische PHP-Website! !

Das obige ist der detaillierte Inhalt vonWelche Beziehung besteht zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!