Quelle est la relation entre l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond ?

L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle qui comprend des techniques permettant aux ordinateurs de détecter des problèmes dans les données et de fournir des applications d'intelligence artificielle. L'apprentissage profond est un sous-ensemble de l'apprentissage automatique qui permet aux ordinateurs de résoudre des problèmes plus complexes.

L'environnement d'exploitation de ce tutoriel : système Windows 7, ordinateur Dell G3.

1. Intelligence artificielle

Intelligence artificielle (Artificial Intelligence), l'abréviation anglaise est AI. Il s'agit d'une nouvelle science technique qui étudie et développe des théories, des méthodes, des technologies et des systèmes d'application pour simuler, étendre et développer l'intelligence humaine.

L'intelligence artificielle est une branche de l'informatique qui tente de comprendre la nature de l'intelligence et de produire une nouvelle machine intelligente capable de répondre d'une manière similaire à l'intelligence humaine. La recherche dans ce domaine comprend la reconnaissance vocale, la reconnaissance d'images, robots, traitement du langage naturel, recherche intelligente et systèmes experts, etc.

L'intelligence artificielle peut simuler le processus d'information de la conscience et de la pensée humaines. L’intelligence artificielle n’est pas l’intelligence humaine, mais elle peut penser comme les humains et peut même dépasser l’intelligence humaine.

2. Data Mining

Le Data Mining, comme son nom l'indique, consiste à « extraire » des informations cachées à partir de données massives. Selon le manuel, les données ici sont « volumineuses et incomplètes ». Données d'application pratique bruyantes, floues, aléatoires", l'information désigne "des informations et des connaissances implicites, régulières, inconnues à l'avance des personnes, mais potentiellement utiles et finalement compréhensibles". Dans un environnement professionnel, les entreprises espèrent que les données stockées dans la base de données puissent « parler » et aider à la prise de décision. Par conséquent, l’exploration de données est davantage orientée vers les applications.

L'exploration de données est généralement liée à l'informatique et atteint les objectifs ci-dessus grâce à de nombreuses méthodes telles que les statistiques, le traitement analytique en ligne, la récupération de renseignements, l'apprentissage automatique, les systèmes experts (s'appuyant sur des règles empiriques passées) et la reconnaissance de formes.

3. Apprentissage automatique

L'apprentissage automatique fait référence à l'utilisation de certains algorithmes pour guider les ordinateurs à utiliser des données connues pour dériver des modèles appropriés et à utiliser ce modèle pour prédire de nouvelles situations.

L'idée de l'apprentissage automatique n'est pas compliquée. Il s'agit simplement d'une simulation du processus d'apprentissage dans la vie humaine. Dans tout ce processus, la chose la plus critique, ce sont les données.

Toute recherche connexe sur les algorithmes d'apprentissage formés à l'aide de données appartient à l'apprentissage automatique, y compris de nombreuses technologies développées depuis de nombreuses années, telles que la régression linéaire, les K-means et la méthode d'agrégation de fonctions objectives basée sur des prototypes. ), Arbres de décision (Arbres de décision, une méthode graphique utilisant l'analyse de probabilité), Random Forest (Random Forest, une méthode graphique utilisant l'analyse de probabilité), PCA (Principal Component Analysis, analyse en composantes principales), SVM (Support Vector Machine, machine à vecteurs de support ) et ANN (Artificial Neural Networks, réseau de neurones artificiels).

4. Deep Learning

Le concept d'apprentissage profond (Deep Learning) est né de la recherche des réseaux de neurones artificiels. Un perceptron multicouche avec plusieurs couches cachées est une structure d'apprentissage en profondeur. L'apprentissage profond découvre les représentations de caractéristiques distribuées des données en combinant des caractéristiques de bas niveau pour former des catégories ou des caractéristiques d'attributs de représentation de haut niveau plus abstraites.

L'apprentissage profond est un nouveau domaine de recherche sur l'apprentissage automatique. Sa motivation est de construire et de simuler des réseaux neuronaux pour l'analyse et l'apprentissage du cerveau humain. Il imite le mécanisme du cerveau humain pour interpréter des données, telles que des images. , des sons et du texte.

5. La relation entre l'intelligence artificielle, l'apprentissage automatique et l'apprentissage profond

À proprement parler, l'intelligence artificielle et l'apprentissage automatique ne sont pas directement liés, mais actuellement les méthodes d'apprentissage automatique sont largement utilisées. problème de l'intelligence artificielle. À l'heure actuelle, l'apprentissage automatique est une méthode de mise en œuvre de l'intelligence artificielle, et c'est également la méthode de mise en œuvre la plus importante.

Les premiers apprentissages automatiques appartenaient en fait aux statistiques, pas à l'informatique ; et l'intelligence artificielle classique d'avant les années 1990 n'avait rien à voir avec l'apprentissage automatique. L’IA et le ML d’aujourd’hui se chevauchent donc beaucoup, mais il n’y a pas d’affiliation stricte.

Cependant, si l’on regarde uniquement le département informatique, le ML appartient à l’IA. L’IA est devenue aujourd’hui un sujet très vaste.

L'apprentissage profond est actuellement une direction populaire dans l'apprentissage automatique. Il est lui-même un dérivé de l'algorithme du réseau neuronal et a obtenu de très bons résultats dans la classification et la reconnaissance de médias riches tels que les images et la parole.

Ainsi, si l'intelligence artificielle et l'apprentissage automatique sont considérés comme deux disciplines, la relation entre les trois est la suivante :

Si l'apprentissage est considéré comme est devenu une sous-discipline de l'intelligence artificielle La relation entre les trois est la suivante :

6. La relation entre l'exploration de données et l'apprentissage automatique

L'exploration de données utilise principalement la technologie fournie par la communauté d'apprentissage automatique pour analyser des données massives, et utilise la technologie fournie par la communauté des bases de données pour gérer des données massives.

L'apprentissage automatique est une méthode importante d'exploration de données, mais l'apprentissage automatique est une autre discipline et n'est pas subordonné à l'exploration de données. Les deux se complètent.

Supplément :

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

Le processus d'apprentissage automatique est effectué à l'aide les étapes suivantes Définition :

1. Identifier les ensembles de données pertinents et les préparer pour l'analyse.

2. Sélectionnez le type d'algorithme à utiliser.

3. Construisez un modèle analytique basé sur l'algorithme utilisé.

4. Effectuez une formation de modèle basée sur l'ensemble de données de test et modifiez le modèle si nécessaire.

5. Exécutez le modèle pour générer les résultats des tests.

La différence entre l'apprentissage automatique et l'apprentissage profond

Volume de données :

Machine. L'apprentissage peut s'adapter à divers volumes de données, en particulier aux scénarios comportant de petits volumes de données. En revanche, si la quantité de données augmente rapidement, l’effet du deep learning sera plus important. La figure ci-dessous montre les niveaux de performances de l'apprentissage automatique et de l'apprentissage profond pour différentes quantités de données.

2. Dépendance matérielle :

Contrairement aux algorithmes d'apprentissage automatique traditionnels, les algorithmes d'apprentissage profond sont fortement dépendants d'équipements haut de gamme . Les algorithmes d’apprentissage profond doivent effectuer un grand nombre d’opérations de multiplication matricielle et nécessitent donc des ressources matérielles suffisantes pour les prendre en charge.

3. Ingénierie des fonctionnalités :

L'ingénierie des fonctionnalités est le processus consistant à intégrer des connaissances spécifiques à un domaine dans des fonctionnalités spécifiées, dans le but de réduire le niveau de complexité des données et de générer des données qui peut être utilisé pour l’apprentissage du mode algorithmes.

Exemple : les modèles d'apprentissage automatique traditionnels se concentrent sur la recherche de pixels et d'autres attributs requis dans l'ingénierie des fonctionnalités. Les algorithmes d'apprentissage profond se concentrent sur d'autres fonctionnalités de haut niveau des données, réduisant ainsi la charge de travail réelle de l'extracteur de fonctionnalités pour chaque nouveau problème.

4. Méthodes de résolution de problèmes

Les algorithmes d'apprentissage automatique traditionnels suivent des procédures standard pour résoudre les problèmes. Il divise le problème en parties, les résout séparément, puis combine les résultats pour obtenir la réponse souhaitée. Le Deep Learning résout les problèmes de manière centralisée sans diviser le problème.

5. Temps d'exécution

Le temps d'exécution fait référence au temps nécessaire pour entraîner l'algorithme. L’apprentissage profond prend beaucoup de temps à s’entraîner car il contient plus de paramètres, donc l’investissement en temps dans la formation est également plus important. Relativement parlant, le temps d’exécution des algorithmes de machine learning est relativement court.

6. Interprétabilité

L'interprétabilité est l'une des principales différences entre les algorithmes d'apprentissage automatique et d'apprentissage profond - les algorithmes d'apprentissage profond ne sont souvent pas interprétables. Pour cette raison, l’industrie réfléchira toujours à deux fois avant d’utiliser le deep learning.

Applications pratiques de l'apprentissage automatique et de l'apprentissage profond :

1. Réaliser le pointage des présences grâce aux empreintes digitales, à la reconnaissance faciale ou à la numérisation de plaques d'immatriculation Vision par ordinateur technologie pour les numéros de plaque d'immatriculation.
2. Fonctions de récupération d'informations dans les moteurs de recherche, telles que la recherche de texte et la recherche d'images.
3. Marketing par e-mail automatisé avec identification de cible spécifique.
4. Diagnostic médical en oncologie du cancer ou identification d'un autre statut anormal de maladie chronique.
5. Applications de traitement du langage naturel telles que le marquage de photos. Facebook fournit de telles fonctionnalités pour améliorer l'expérience utilisateur.
6. Publicité en ligne.

Tendance de développement future :

1. Alors que l'industrie utilise de plus en plus la science des données et la technologie d'apprentissage automatique, la chose la plus importante pour les organisations est d'introduire des solutions d'apprentissage automatique dans leurs processus métier existants.
2. L'importance du deep learning dépasse progressivement l'apprentissage automatique. Les faits ont prouvé que le deep learning est actuellement l’une des solutions techniques les plus avancées et les plus efficaces.
3. Le Machine Learning et le Deep Learning prouveront leur énorme pouvoir dans les domaines de la recherche et du monde universitaire.

Pour plus d'articles connexes, veuillez visiter le Site Web PHP chinois ! !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!