亚博ios彩票什么是机器学习?

5.
www.yabovip4
Image credit:Flickr / Peter Kurdulija

This article is part of贬低艾..,一系列帖子(尝试)消除术语周围的术语和神话。

当我第一次尝试编程时,我九岁了,并爱上了艺术品(是的,我认为编程和科学一样多的艺术)。我很快就迷住了如何通过设置逻辑规则和条件来控制我的程序流程,if…elsestatements, switches, loops and more.

In later years, I learned to remove clutter from my code by creating modules and abstracting pieces of code into functions and classes. I enhanced my software development skills with object oriented analysis and design (OOA/D). I learned code reuse and design patterns. I learned to express my program in UML charts and diagrams. And I learned to apply those principles in nearly a dozen programming languages.

但是编程的经验法则仍然是相同的:定义规则和逻辑。其余的只是帮助促进这些规则的实施和维护的技巧。

几十年来,基于规则的编码主导了我们创建软件的方式。我们分析了问题或一系列问题,指定边界,实体,进程,关系,以及将那些转化为定义软件应该工作方式的规则。

虽然这种方法很好,但它导致了“愚蠢的”软件,除非人类程序员以某种方式更新逻辑,否则永远不会改变其行为的程序。既不适合规则不清晰切割的情况,例如识别图像中的对象,或在网络流量中找到恶意活动或在不均匀地形上导航机器人。

机器学习,基石现代人工智能www.yabovip4,是既上代传统编程模型的科学。机器学习有助于创建可以修改和提高其性能的软件,而无需人类如何向其解释如何完成任务。这是落后的技术很多创新我们今天直接使用,并在地平线上看到,包括您在网站,数字助理,无人驾驶汽车中看到的令人默认的聪明建议,analytics software和更多。

亚博ios彩票什么是机器学习?

机器学习是从示例中学习的软件。您没有编码机器学习算法。你训练他们大量相关数据。例如,而不是尝试解释一只猫如何看起来像ML算法,你提供了数百万的猫的照片。该算法在这些图像中找到了重复的模式,并且本身如何定义猫的外观。之后,当您向程序显示一张新图片时,它可以区分它是否包含一只猫。

许多人认为人工机器学习intelligence. However, AI is one of loose term, which can be applied to anything ranging between complex rule-based software to human level intelligence that hasn’t been invented yet. In reality, machine learning is a specialized subset of AI, which has to do with creating programs based on data as opposed to rules.

什么是监督,无人监督和加强学习?

www.yabovip4人工智能绘图

有几种机器学习算法。其中一个最普遍的是“监督学习”,您可以使用标记的数据训练算法,并将一组输入映射到一组输出。来自上面的猫实例是监督学习的一个例子。另一个例子是语音识别,在那里您提供了具有声波形的算法及其对应的书写。

您提供监督学习算法的样本越多,在分类新数据时越精确。其中在于监督学习的主要挑战。创建标记样本的大型数据集非常耗时并且需要extensive human effort。亚马逊机械土耳其人等一些平台提供数据标签服务。

在“无人监督的学习”中,另一个机器学习分支,没有参考数据。一切都是未标记的。换句话说,您提供输入,但不是输出。算法摄取未标记的数据并绘制推断并找到模式。无监督的学习对于人类无法定义的隐藏模式的情况特别有用。

For instance, you let a machine learning algorithm monitor your network activity. It then sets a baseline for normal network activity based on the patterns it finds. From there, whenever it will probe for and flag outlier activity.

与监督学习相比,无监督的学习是一个更接近机器自己的一步。然而,无监督学习的问题是结果往往是不可预测的。这就是为什么它通常combined with human intuition当它自己学习时,将其朝向正确的方向转向。例如,在上面说明的网络安全示例中,网络活动有许多原因偏离规范,而不会导致恶意意图。但是一台机器学习算法将不知道在开始,人类分析师将不得不纠正其决定,直到它学会例外并做出更好的决定。

另一个较小的机器学习领域是“加强学习”。在钢筋学习中,程序员定义了状态,所需的目标,允许的动作和约束。该算法通过尝试允许操作的不同组合来介绍如何实现目标。当您知道目标是什么时,这种方法特别有效,但无法定义到达它的路径。

钢筋学习用于许多设置。更有着名的案例中是谷歌深度的alphago,机器学习计划掌握了复杂的棋盘游戏。该公司现在正在使用相同的方法improve the efficiency of UK’s power grid。Uber is using the same technique to teach AI agents to play Grand Theft Auto (or more precisely, let them learn by themselves).

亚博ios彩票什么是深入学习?

使用ifftoany转换图像
使用ifftoany转换图像

While machine learning is a subset of artificial intelligence, deep learning is a specialized subset of machine learning. Deep learning uses neural networks, an artificial replication of the structure and functionality of the brain.

Deep learning fixes one of the major problems present in older generations of learning algorithms. As datasets grow, the efficiency and performance of machine learning algorithms plateaus. However, deep learning algorithms continue to improve as they are fed more data.

Instead of directly mapping input to output, deep learning algorithms rely on several layers of processing units. Each layer passes on its output to the next layer, which processes it and passes it onto the next. In some models, the computations might flow back and forth between processing layers several times.

深入学习已被证明在各种任务中非常有效,包括图像标题,语音识别和语言翻译。

What are the challenges of machine learning?

虽然机器学习极为重要,但对未来应用的发展非常重要,但它并非没有自己的挑战。

对于一件事,机器学习算法的开发和部署严重依赖大量的计算和存储资源来执行其任务。这非常依赖性使其执行限于云服务器和大型数据集。最后,在边缘执行它们相当具有挑战性。

机器学习的另一个问题 - 特别是深度学习 - 是不透明度。随着算法变得更加复杂,它变成了harder to explain the decisions they make。在许多情况下,这可能不是问题。但是,当您想向算法赋予关键决策时,重要的是,他们变得透明和不言自明。

还有the issue of bias。机器学习算法倾向于挑选嵌入在他们接受培训的数据中的习惯和趋势。虽然在某些情况下,发现和生根偏见很容易,但在其他情况下,它深深嵌入而且难以点。

However, none of these challenges are likely to prevent AI and machine learning from becoming the通用技术of our era, a term that has been previously used for inventions such as steam engine and electricity. Where we are going, machine learning will be defining and disrupting things like never before.

1 COMMENT

Leave a Reply

本网站使用AkisMet减少垃圾邮件。Learn how your comment data is processed