Découvrez comment l'intelligence artificielle permet aux machines d'apprendre en un seul article ?

Dans l'article « Comprendre l'intelligence artificielle (IA) en un seul article », nous avons présenté les problèmes complexes que l'IA peut résoudre. Ces problèmes ne peuvent pas être résolus par des règles fixes et nécessitent que les machines portent des jugements finaux basés sur des évaluations comparatives basées sur des exemples passés. Les machines doivent imiter les humains pour apprendre des choses.

Le processus d'apprentissage humain peut être divisé en les étapes suivantes : perception, mémoire, comparaison et induction, synthèse et pratique.

Perception : Obtenez des informations du monde extérieur grâce à vos propres sens (vision, ouïe, toucher, goût et odorat), observez et expérimentez l'environnement qui vous entoure et ce qui se passe. En plus de l'expérience personnelle, afin d'obtenir des informations plus efficacement, les gens écoutent des histoires, lisent des livres et regardent des vidéos pour comprendre ce qui s'est passé dans le passé.

Mémoire : Lorsque nous acquérons de nouvelles informations, nous nous souviendrons des informations que nous devrons utiliser à l'avenir dans notre cerveau et jeteronsles informations que nous pensons inutiles.

Comparaison et généralisation : La meilleure façon pour les gens de comprendre de nouvelles informations est de les comparer avec les informations dans leur propre mémoire. Comprendre les nouvelles informations et classer différentes informations en comparant leurs similitudes et leurs différences.

Résumé : Les gens intègrent des informations individuelles ensemble et en déduisent les connexions et les modèles entre les informations. Construisez un réseau d’informations pour aider à comprendre les causes et les conséquences des choses.

Pratique : Le sens de l'apprentissage est d'appliquer les connaissances acquises à des situations réelles. Vérifier l'applicabilité et l'exactitude des connaissances lors de la résolution de problèmes. Au cours du processus de vérification, un nouveau cycle de processus de perception est entré.

Schéma schématique du processus d'apprentissage

Dans ces cinq étapes, la mémoire est ce pour quoi les ordinateurs sont les meilleurs. La perception naturelle et humaniste des données est un processus qui nécessite beaucoup de main-d'œuvre. Indicateurs de données qui peuvent être détectés par des instruments. sont La collecte de données peut être automatisée. La comparaison et l'induction dans la troisième étape ainsi que le résumé dans la quatrième étape font partie de la mise en œuvre de l'algorithme. La plus grande différence entre les programmes d’apprentissage automatique et les programmes ordinaires réside dans la partie pratique. Une fois que le logiciel ordinaire a généré les résultats, l’ensemble du processus est terminé. Mais le programme d'apprentissage automatique peut noter chaque résultat, et l'algorithme peut ensuite ajuster le résultat de l'opération en fonction du score.

Étant donné que la machine a besoin du retour des résultats en cours d'exécution pour apprendre, le processus de développement des algorithmes d'apprentissage automatique comprend deux étapes : l'écriture et l'apprentissage des algorithmes. La phase d'apprentissage automatique est également appelée phase de formation, où les données connues sont utilisées pour l'apprentissage et la validation. Les résultats de chaque séance de formation sont évalués et l'algorithme est ajusté. Ce processus d'apprentissage est divisé en deux types : l'apprentissage supervisé et l'apprentissage non supervisé.

L'apprentissage supervisé convient aux problèmes à résoudre avec des attentes claires, et on espère que la machine pourra prédire des problèmes similaires qui surgiront à l'avenir. Les données d'entraînement de l'apprentissage supervisé doivent apparaître par paires, y compris les informations sur les caractéristiques de l'entrée du programme et les informations sur les résultats de la sortie du programme. Lors de la formation par apprentissage supervisé, l'ensemble de formation est divisé de manière aléatoire en deux parties : une partie est utilisée pour entraîner le programme et l'autre partie est utilisée pour vérifier si les résultats de traitement de l'algorithme répondent aux attentes.

L'apprentissage non supervisé est utilisé pour explorer les relations et les modèles entre les données et obtenir les résultats d'un certain problème. Les données de formation de l'apprentissage non supervisé ne contiennent que les informations de fonctionnalité saisies par le programme, et l'intégralité des données est utilisée pour l'apprentissage pendant la formation. Les résultats de formation obtenus par apprentissage non supervisé ne peuvent pas être vérifiés avec l'ensemble de formation et doivent être évalués séparément avant d'ajuster l'algorithme.

Le processus d'apprentissage automatique imite le processus d'apprentissage humain. Dans le processus de compréhension de l'apprentissage automatique, nous apprenons uniquement des connaissances informatiques. Nous pouvons également réfléchir à la manière d'optimiser notre propre processus d'apprentissage.

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!