Εφαρμογές Ιστού

Τι είναι η Μηχανική Μάθηση;

30 Οκτωβρίου 2021

Πίνακας περιεχομένων

Εισαγωγή στη Μηχανική Μάθηση

Οι ερευνητές ονειρευόντουσαν από καιρό να κατασκευάσουν ευφάνταστες μηχανές. Όταν εφευρέθηκαν για πρώτη φορά οι προγραμματιζόμενοι υπολογιστές, οι άνθρωποι αναρωτιόντουσαν αν τέτοια μηχανήματα κάποια μέρα γίνονται έξυπνα όπως οι άνθρωποι και μπορούν να κάνουν εργασίες όπως οι άνθρωποι. Σήμερα, η Τεχνητή Νοημοσύνη είναι μια αναδυόμενη τεχνολογία με μεγάλη ποικιλία εφαρμογών σε διαφορετικούς τομείς. Η ιδέα της τεχνητής νοημοσύνης είναι η προσομοίωση της ανθρώπινης νοημοσύνης σε τεχνητές μηχανές έτσι ώστε οι μηχανές να είναι σε θέση να σκέφτονται και να εκτελούν εργασίες όπως οι άνθρωποι.

Γιατί χρειαζόμαστε οποιαδήποτε τεχνολογία που λειτουργεί όπως οι άνθρωποι από όλες τις απόψεις;

Οι άνθρωποι έχουν πολύ καλή ακρίβεια στην εκτέλεση της εργασίας, αλλά η αποτελεσματικότητα στην εργασία δεν είναι ικανοποιητική και υπάρχει πάντα ένα όριο για την επιτάχυνση της εργασίας από τους ανθρώπους, αλλά αυτό δεν συμβαίνει με τις μηχανές και επίσης η εργασία που γίνεται από τις μηχανές είναι πολύ ακριβής, ομοιόμορφη και κλιμακούμενος.

Τον δέκατο ένατο αιώνα, έλαβε χώρα η επανάσταση του Λογισμικού για να ξεπεραστούν αυτά τα προβλήματα, ωστόσο δεν επαρκεί για την αντιμετώπιση αυτών των προβλημάτων. Το λογισμικό είναι σε θέση να εκτελέσει την εργασία που ορίζεται επίσημα σε ένα σύνολο κανόνων έτσι ώστε να είναι σε θέση να γράψει ένα πρόγραμμα από τον προγραμματιστή λαμβάνοντας υπόψη αυτούς τους κανόνες.

Για παράδειγμα, ο υπολογισμός του αθροίσματος δύο δεδομένων αριθμών. Στον σημερινό κόσμο, όσον αφορά την ταχύτητα και την ακρίβεια, οι υπολογιστές μπορούν να νικήσουν οποιονδήποτε άνθρωπο σε αυτό το έργο. Αλλά τα προβλήματα που δεν έχουν ένα σύνολο επίσημων κανόνων και απαιτούν ανθρώπινη νοημοσύνη, τότε ένα τέτοιο πρόβλημα είναι πολύ δύσκολο να λυθεί από τους υπολογιστές.

Για παράδειγμα, για να αναγνωρίσουν πρόσωπα, οι άνθρωποι είναι σε θέση να αναγνωρίσουν πρόσωπα πολύ εύκολα, αλλά είναι πολύ δύσκολο για τους υπολογιστές να αναγνωρίσουν επειδή είναι πολύ περίπλοκο να γράψουν επίσημους κανόνες προσώπων. Έτσι, η πραγματική πρόκληση της τεχνητής νοημοσύνης είναι να λύσει τις εργασίες που είναι εύκολο να εκτελεστούν από τον άνθρωπο, αλλά δύσκολο για τους ανθρώπους να περιγραφούν επίσημα.

Ας πάρουμε ένα παράδειγμα του συστήματος παιχνιδιού σκακιού Deep Blue που αναπτύχθηκε από την IBM. Οι σκακιστικοί κανόνες μπορούν να οριστούν πλήρως από ένα σύνολο επίσημων κανόνων. Έτσι αυτοί οι κανόνες μετατράπηκαν εύκολα στο πρόγραμμα από τον προγραμματιστή και παρασχέθηκαν εκ των προτέρων από τον προγραμματιστή.

Η τεχνητή νοημοσύνη προσπαθεί να αντιμετωπίσει αυτή την πρόκληση μεταφέροντας την ανθρώπινη νοημοσύνη σε μηχανές με ασύγκριτες υπολογιστικές δυνατότητες.

Στην καθημερινή ζωή, ένας άνθρωπος απαιτεί τη γνώση για τον κόσμο για να λύσει την εργασία του και αυτή η γνώση είναι υποκειμενική και διαισθητική, επομένως είναι δύσκολο για τον προγραμματιστή να αρθρώσει σε ένα σύνολο κανόνων.

Επομένως, από εδώ μπορούμε να καταλάβουμε ότι, για να συμπεριφέρονται σαν άνθρωποι ή με άλλα λόγια να συμπεριφέρονται με έξυπνο τρόπο, οι υπολογιστές απαιτούν παρόμοια γνώση. Επομένως, η βασική πρόκληση στην τεχνητή νοημοσύνη είναι να βάλουμε αυτές τις άτυπες ή υποκειμενικές πληροφορίες στον υπολογιστή και στους ερευνητές στο Τεχνητό Το πεδίο νοημοσύνης, βασικά προσπαθεί να επιτύχει αυτόν τον στόχο.

Οι ερευνητές είχαν ανακαλύψει τον πολύ βασικό τρόπο για την επίτευξη αυτού του στόχου. Έχουν χρησιμοποιήσει μια προσέγγιση βασισμένη στη γνώση. Σε αυτή την προσέγγιση οι ερευνητές κωδικοποιούν σκληρά τη γνώση για τον κόσμο σε επίσημες γλώσσες.

Οι υπολογιστές μπορούν να συλλογιστούν αυτόματα τις δηλώσεις σε αυτές τις επίσημες γλώσσες χρησιμοποιώντας λογικούς κανόνες συμπερασμάτων. Δεδομένου ότι αυτή είναι η πολύ βασική, απλή και αφελής προσέγγιση, το έργο χρησιμοποιεί αυτή την προσέγγιση δεν είναι επιτυχημένη επειδή οι ερευνητές αγωνίζονται να επινοήσουν επίσημους κανόνες με αρκετή πολυπλοκότητα για να επινοήσουν με ακρίβεια τον κόσμο. Ένα παράδειγμα τέτοιου έργου είναι το Cyc. Κυκλ είναι μια μηχανή συμπερασμάτων.

Η δυσκολία που αντιμετωπίζουν τα παραπάνω έργα (με βάση την προσέγγιση βασισμένη στη γνώση) βασίζεται σε σκληρά κωδικοποιημένη γνώση. Για να ξεπεράσουν λοιπόν αυτή τη δυσκολία, τα συστήματα τεχνητής νοημοσύνης χρειάζονται την ικανότητα να αποκτούν τη δική τους γνώση από τον κόσμο, εξάγοντας μοτίβα από ακατέργαστα δεδομένα. Αυτή η ικανότητα είναι γνωστή ως Machine Learning.

Μηχανική Μάθηση

Η εισαγωγή της Μηχανικής Μάθησης δίνει στους υπολογιστές τη δυνατότητα να αποκτούν τη γνώση του πραγματικού κόσμου και να λαμβάνουν αποφάσεις που φαίνονται υποκειμενικές. Με αυτόν τον τρόπο, η Μηχανική Μάθηση είναι σε θέση να ξεπεράσει τους περιορισμούς της προσέγγισης που βασίζεται στη γνώση.

Σύμφωνα με τη Wikipedia

Η Μηχανική Μάθηση είναι η μελέτη αλγορίθμων υπολογιστών που βελτιώνεται αυτόματα μέσω της εμπειρίας.

Σύμφωνα με τον Μίτσελ

Ένα πρόγραμμα υπολογιστή λέγεται ότι μαθαίνει από την εμπειρία E σε σχέση με κάποια κατηγορία Tasks T και το μέτρο απόδοσης P, εάν η απόδοσή του στην εργασία στο T, όπως μετράται από το P, βελτιώνεται με την εμπειρία E

Υπάρχουν πολλοί τύποι αλγορίθμων Μηχανικής Μάθησης που υπάρχουν στη βιβλιογραφία. Εδώ η ομαδοποίηση των αλγορίθμων γίνεται με βάση το μαθησιακό στυλ. Η ευρεία ομαδοποίηση αλγορίθμων των αλγορίθμων Μηχανικής Μάθησης φαίνεται στο Σχήμα 1. Ας δούμε αναλυτικά ένα προς ένα.

μηχανική μάθηση

Ομαδοποίηση Αλγόριθμου Μηχανικής Μάθησης με βάση το στυλ μάθησης

Εποπτευόμενη μάθηση

Η εποπτευόμενη μάθηση όπως υποδηλώνει το όνομα είναι η παρουσία ενός επόπτη ως εκπαιδευτικού. Στην εποπτευόμενη μάθηση εκπαιδεύουμε το μηχάνημά μας χρησιμοποιώντας δεδομένα με ετικέτα. Τα δεδομένα με ετικέτα σημαίνει ότι για κάθε είσοδο υπάρχει μια καλά επισημασμένη έξοδος.

Κατά τη διαδικασία της εκπαίδευσης, οι μηχανές αποκτούν Γνώση του κόσμου από δεδομένα με ετικέτα. Μετά την εκπαίδευση, παρέχεται στο μηχάνημα ένα νέο σύνολο δεδομένων για την πρόβλεψη του αποτελέσματος. Ο στόχος είναι να κάνουν τις μηχανές να μαθαίνουν από κάποιο παρόμοιο είδος μοτίβων που λαμβάνονται από το σύνολο δεδομένων εκπαίδευσης και να εφαρμόζουν τη γνώση που αποκτήθηκε στο σύνολο δεδομένων που δοκιμάστηκε για την πρόβλεψη της πραγματικής αξίας παραγωγής.

Ας πάρουμε ένα παράδειγμα ενός συνόλου δεδομένων Iris για να κατανοήσουμε καλύτερα. Το σύνολο δεδομένων Iris είναι μια συλλογή μετρήσεων διαφορετικών τμημάτων 150 φυτών ίριδας. Κάθε παράδειγμα σε ένα σύνολο δεδομένων αποτελείται από τη μέτρηση κάθε μέρους του φυτού, όπως μήκος σέπαλου, πλάτος σέπαλου, μήκος πετάλου, πλάτος πετάλου. Το σύνολο δεδομένων καταγράφει επίσης σε ποιο είδος ανήκει κάθε φυτό. Υπάρχουν τρία διαφορετικά είδη που υπάρχουν στο σύνολο δεδομένων. Έτσι, όπως βλέπουμε εδώ στο σύνολο δεδομένων Iris, κάθε φυτό Iris επισημαίνεται με το είδος του.

Δείτε επίσης Top 15 Best Software Management Sales

Οι αλγόριθμοι εποπτευόμενης μάθησης μπορούν να μελετήσουν αυτό το σύνολο δεδομένων και να μάθουν να ταξινομούν το φυτό Iris σε τρία διαφορετικά είδη με βάση τις μετρήσεις τους

Ο όρος εποπτευόμενη μάθηση σημαίνει βασικά ότι ο στόχος y παρέχεται από έναν δάσκαλο που δείχνει στη μηχανή τι να κάνει.

Η εποπτευόμενη μάθηση ταξινομείται σε δύο κατηγορίες αλγορίθμων όπως φαίνεται στο σχήμα:2.

Εποπτευόμενη μάθηση

Οπισθοδρόμηση

Οι αλγόριθμοι παλινδρόμησης προβλέπουν το συνεχές αποτέλεσμα (στόχο) με βάση μία ή περισσότερες τιμές εισόδου ή προβλέψεων. Με απλά λόγια, η τιμή εξόδου είναι μια πραγματική τιμή όπως τα βάρη.

Υπάρχουν διάφορα είδη αλγορίθμων παλινδρόμησης. Οι τύποι διαφορετικών αλγορίθμων παλινδρόμησης εξαρτώνται από τον αριθμό των ανεξάρτητων μεταβλητών, το σχήμα της γραμμής παλινδρόμησης και τον τύπο της εξαρτημένης μεταβλητής. Ας δούμε μερικούς τύπους τεχνικών παλινδρόμησης.

Η γραμμική παλινδρόμηση είναι ένας από τους πιο βασικούς και δημοφιλείς αλγόριθμους παλινδρόμησης για την πρόβλεψη Συνεχούς τιμής. Εδώ υποθέτει τη γραμμική σχέση μεταξύ εισόδου (πρόβλεψης) και εξόδου.

Αλγόριθμος Γραμμικής Παλινδρόμησης

Τα ονόματα της γραμμικής παλινδρόμησης υποδηλώνουν ότι είναι ικανή να λύσει προβλήματα παλινδρόμησης. Ο στόχος αυτών των αλγορίθμων είναι να χτίσουν ένα σύστημα που μπορεί να πάρει ένα διάνυσμα x και να προβλέψει τη βαθμωτή τιμή y ως έξοδο. Με απλά λόγια, αυτός ο αλγόριθμος καθορίζει τη σχέση μεταξύ εισόδου και εξόδου χρησιμοποιώντας μια ευθεία γραμμή που ταιριάζει καλύτερα.

y=wTx

Εδώ το w είναι το διάνυσμα των παραμέτρων. Οι παράμετροι είναι οι τιμές που ελέγχουν τη συμπεριφορά του συστήματος.

Μπορούμε να σκεφτούμε το «w» ως ένα σύνολο βαρών που καθορίζουν πώς κάθε χαρακτηριστικό επηρεάζει την έξοδο. Το χαρακτηριστικό δεν είναι παρά χαρακτηριστικό της εισαγωγής.

Για παράδειγμα

Ας υποθέσουμε ότι θέλουμε να έχουμε ένα σύστημα που να μπορεί να προβλέψει την τιμή των μεταχειρισμένων αυτοκινήτων. Εδώ τα χαρακτηριστικά είναι χαρακτηριστικά αυτοκινήτου που πιστεύουμε ότι επηρεάζουν την αξία ενός αυτοκινήτου, όπως η μάρκα, το έτος, η απόδοση του κινητήρα, η χωρητικότητα, τα χιλιόμετρα και πολλές άλλες πληροφορίες.

y=w0 * χωρητικότητα+w1 * χιλιόμετρα +w3 * απόδοση κινητήρα

αν αυτά τα χαρακτηριστικά λάβουν θετικά βάρη wi τότε αυξάνονται σε αυτά τα βάρη αυξάνεται η αξία της πρόβλεψής μας αυξάνεται και αντίστροφα. Εάν τα βάρη «wi» είναι μεγάλα σε μέγεθος, τότε έχει μεγάλη επίδραση στην πρόβλεψη. Εάν ένα βάρος «wi» είναι 0, τότε δεν έχει καμία επίδραση στην πρόβλεψη.

Ταξινόμηση

Η ταξινόμηση είναι μια εποπτευόμενη μαθησιακή έννοια που προσπαθεί να προβλέψει κατηγορίες στις οποίες ανήκει η είσοδος. Για την επίλυση του προβλήματος ταξινόμησης, οι αλγόριθμοι εκμάθησης θα προσπαθήσουν να παράγουν τη συνάρτηση κάτι σαν f:R-{1,2,…k}. Με απλά λόγια, όταν η έξοδος είναι μεταβλητή είναι μια κατηγορία όπως ασθένεια ή μη ασθένεια, δηλαδή σε αυτό το πρόβλημα η έξοδος είναι διακριτή. Για παράδειγμα, στο σύνολο δεδομένων Iris, πρέπει να προβλέψουμε τρεις κατηγορίες ειδών με τρία χαρακτηριστικά (μήκος σέπαλο(sl), πλάτος σέπαλο(sw), μήκος πετάλου(pl), πλάτος πετάλου(pw)) σε μια είσοδο.

Ας πάρουμε ένα άλλο παράδειγμα αναγνώρισης αντικειμένων για να το κατανοήσουμε ξεκάθαρα

Εδώ η είσοδος είναι μια εικόνα και η έξοδος είναι ένας αριθμητικός κωδικός που προσδιορίζει το αντικείμενο στην εικόνα.

Υπάρχει μια σειρά από αλγόριθμους ταξινόμησης. Οι αλγόριθμοι ταξινόμησης περιλαμβάνουν λογιστική παλινδρόμηση μηχανών υποστήριξης διανυσμάτων, δέντρο αποφάσεων, τυχαίο δάσος κ.λπ. Ας δούμε μερικούς αλγόριθμους λεπτομερώς.

Υποστήριξη διανυσματική μηχανή

Μια μηχανή διανυσμάτων υποστήριξης είναι ένας εποπτευόμενος αλγόριθμος εκμάθησης που μπορεί να χρησιμοποιηθεί τόσο για προβλήματα ταξινόμησης όσο και για προβλήματα παλινδρόμησης, αλλά κυρίως χρησιμοποιείται για προβλήματα ταξινόμησης.

Με δεδομένο ένα σύνολο δεδομένων εκπαίδευσης, το καθένα χαρακτηρισμένο ως η μία ή η άλλη από δύο κλάσεις, ένας αλγόριθμος εκπαίδευσης SVM δημιουργεί ένα μοντέλο που εκχωρεί νέα παραδείγματα στη μία ή στην άλλη κατηγορία, καθιστώντας το έναν μη πιθανολογικό δυαδικό γραμμικό ταξινομητή.

Βασικά αυτός ο αλγόριθμος προσπαθεί να βρει το βέλτιστο υπερεπίπεδο σε ένα σημείο ν-διάστατων που ταξινομεί νέα παραδείγματα. Σε δισδιάστατο χώρο (όταν ο αριθμός των χαρακτηριστικών εισόδου είναι δύο) αυτό το υπερεπίπεδο δεν είναι παρά η γραμμή που χωρίζει το επίπεδο σε δύο μέρη όπως φαίνεται στο σχήμα 3.

Σύμφωνα με wikipedia

Ένα μοντέλο SVM είναι μια αναπαράσταση των παραδειγμάτων ως σημεία στο χώρο, χαρτογραφημένα έτσι ώστε τα παραδείγματα των ξεχωριστών κατηγοριών να διαιρούνται με ένα σαφές κενό που είναι όσο το δυνατόν ευρύτερο. Στη συνέχεια, τα νέα παραδείγματα χαρτογραφούνται στον ίδιο χώρο και προβλέπεται ότι ανήκουν σε μια κατηγορία με βάση την πλευρά του κενού στην οποία εμπίπτουν.

img 617dd7d8dd962

Εικόνα 3

Το SVM προσπαθεί να μεγιστοποιήσει το περιθώριο μεταξύ των δύο κλάσεων. Το μέγιστο περιθώριο επιτυγχάνεται από το υπερπλάνο που έχει τη μεγαλύτερη απόσταση από το πλησιέστερο σημείο εκπαίδευσης-δεδομένων οποιασδήποτε κατηγορίας.

Αυτό είναι πολύ διαισθητικό για να το καταλάβεις. Μπορούμε να δούμε στο σχήμα, όλα τα σημεία δεδομένων που εμπίπτουν στο πλάι της γραμμής θα χαρακτηριστούν ως μία κατηγορία και τα σημεία που εμπίπτουν στην άλλη πλευρά της γραμμής θα χαρακτηριστούν ως δεύτερη κατηγορία. Τώρα, όπως βλέπουμε στο σχήμα 3, υπάρχει άπειρος αριθμός γραμμών που περνούν ανάμεσά τους.

Πώς ξέρουμε λοιπόν ποια γραμμή έχει καλύτερη απόδοση; Αυτός ο αλγόριθμος προσπαθεί να επιλέξει μια γραμμή που όχι μόνο χωρίζει τις δύο κλάσεις, αλλά παραμένει όσο το δυνατόν πιο μακριά από τα πλησιέστερα δείγματα όπως φαίνεται στο Σχήμα 3.

Εκμάθηση χωρίς επίβλεψη

Στην εποπτευόμενη μάθηση, ο στόχος είναι να μάθουμε τη χαρτογράφηση από την είσοδο στην έξοδο των οποίων οι σωστές τιμές παρέχονται από τον επόπτη. Στην μάθηση χωρίς επίβλεψη, δίνονται μόνο δεδομένα εισόδου και δεν υπάρχει τέτοιος επόπτης. Ο στόχος είναι να βρεθούν οι κανονικότητες των εισροών.

Υπάρχει μια δομή στον χώρο εισόδου τέτοια ώστε ορισμένα από τα μοτίβα εμφανίζονται περισσότερο από άλλα.

Δείτε επίσης 9 Διορθώσεις για το πρόβλημα εκτέλεσης πολλών διεργασιών του Google Chrome

Υπάρχουν δύο κύριες μέθοδοι που χρησιμοποιούνται στη μάθηση χωρίς επίβλεψη είναι η ανάλυση συστάδων και η κύρια συνιστώσα.

Στην ανάλυση συστάδων, ο στόχος είναι να βρεθεί η ομαδοποίηση των εισροών.

Ας πάρουμε ένα παράδειγμα για να καταλάβουμε ξεκάθαρα

Όλες οι εταιρείες έχουν πολλά δεδομένα πελατών. Τα στοιχεία πελατών περιέχουν δημογραφικά στοιχεία καθώς και την προηγούμενη συναλλαγή με την εταιρεία. Η εταιρεία μπορεί να ενδιαφέρεται να δει τη διανομή του προφίλ της εταιρείας της, για να δει τι είδους πελάτης εμφανίζεται συχνά. Σε τέτοια σενάρια, η ομαδοποίηση κατανέμει πελάτες παρόμοιους ως προς τα χαρακτηριστικά τους στην ίδια ομάδα. Αυτές οι ομαδοποιημένες ομάδες μπορεί να βοηθήσουν στον καθορισμό των στρατηγικών της εταιρείας, για παράδειγμα, υπηρεσίες και προϊόντα, ειδικά για διαφορετικές ομάδες.

Ένας δημοφιλής αλγόριθμος για την πραγματοποίηση αυτής της ανάλυσης ομαδοποίησης είναι η ομαδοποίηση K-means. Ας συζητήσουμε το K-means με περισσότερες λεπτομέρειες.

K-σημαίνει Ομαδοποίηση

Η ομαδοποίηση K-means είναι ένας από τους δημοφιλέστερους και απλούστερους αλγόριθμους μάθησης χωρίς επίβλεψη.

Το K-means είναι ένας αλγόριθμος βασισμένος σε κέντρο, όπου υπολογίζουμε τις αποστάσεις δεδομένων σημείων από το κέντρο για να αντιστοιχίσουμε ένα σημείο σε ένα σύμπλεγμα. Στο K-Means, κάθε σύμπλεγμα σχετίζεται με ένα κέντρο.

Αυτός ο αλγόριθμος λειτουργεί ως εξής:

  1. Αρχικά αρχικοποιήστε k σημεία που ονομάζονται τυχαία μέσα
  2. Μετά από αυτό, κατηγοριοποιήστε κάθε στοιχείο στον πλησιέστερο μέσο όρο του και ενημερώστε τις συντεταγμένες του μέσου όρου, που είναι οι μέσοι όροι των στοιχείων που έχουν κατηγοριοποιηθεί σε αυτόν τον μέσο όρο μέχρι στιγμής.
  3. Επαναλάβετε αυτά τα βήματα για έναν δεδομένο αριθμό επαναλήψεων και μετά από τον δεδομένο αριθμό επαναλήψεων, έχουμε τα συμπλέγματά μας.
μηχανική μάθηση

Εικόνα:4

Ημι-εποπτευόμενος αλγόριθμος

Στην εποπτευόμενη μάθηση, έχουμε δει ότι το σύνολο δεδομένων πρέπει να επισημαίνεται χειροκίνητα από ανθρώπους. Αυτή η διαδικασία είναι πολύ δαπανηρή επειδή ο όγκος του συνόλου δεδομένων είναι πολύ μεγάλος. Στην μάθηση χωρίς επίβλεψη, δεν απαιτείται ένα επισημασμένο σύνολο δεδομένων, αλλά το φάσμα εφαρμογής του είναι περιορισμένο.

Για την αντιμετώπιση αυτών των περιορισμών, εισάγεται η έννοια της ημι-εποπτευόμενης μάθησης. Σε αυτό το στυλ μάθησης, ο αλγόριθμος εκπαιδεύεται με έναν συνδυασμό μικρής ποσότητας δεδομένων με ετικέτα και μεγάλης ποσότητας δεδομένων χωρίς ετικέτα. Η ημι-εποπτευόμενη μάθηση εμπίπτει μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μάθησης.

Για να γίνει οποιαδήποτε χρήση δεδομένων χωρίς ετικέτα, ο ημι-εποπτευόμενος αλγόριθμος προϋποθέτει την ακόλουθη σχέση σχετικά με τα δεδομένα –

    Συνέχεια :Υποθέτει ότι τα σημεία που είναι πιο κοντά το ένα στο άλλο είναι πιο πιθανό να μοιράζονται την ίδια ετικέτα εξόδου.Συστάδα :Εάν τα δεδομένα μπορούν να χωριστούν σε διακριτές συστάδες, τότε τα σημεία στο ίδιο σύμπλεγμα είναι πιο πιθανό να μοιράζονται μια ετικέτα.Πολλαπλούς:Τα δεδομένα βρίσκονται περίπου σε μια πολλαπλή πολύ μικρότερης διάστασης από τον χώρο εισόδου. Αυτή η υπόθεση επιτρέπει τη χρήση αποστάσεων και πυκνοτήτων που ορίζονται στο α πολλαπλούς .

Μπορούμε να κατανοήσουμε αυτούς τους τρεις τύπους μαθησιακών στυλ, δηλαδή την εποπτευόμενη μάθηση, την μάθηση χωρίς επίβλεψη και την ημι-εποπτευόμενη μάθηση σε σχέση με τον πραγματικό κόσμο.

Επίβλεψη μάθησης όπου ο μαθητής βρίσκεται υπό την επίβλεψη του δασκάλου. Σε μάθηση χωρίς επίβλεψη, όπου ο μαθητής πρέπει να καταλάβει μόνος του μια έννοια. Ημι-εποπτευόμενη μάθηση όπου ένας δάσκαλος διδάσκει μερικές έννοιες στην τάξη και δίνει ερωτήσεις ως εργασία για το σπίτι που βασίζονται σε παρόμοιες έννοιες.

Ενισχυτική Μάθηση

Η ενισχυτική μάθηση είναι η μάθηση μέσω της αλληλεπίδρασης με ένα περιβάλλον. Η διαδικασία μάθησης περιλαμβάνει έναν ηθοποιό, ένα περιβάλλον και ένα σήμα ανταμοιβής. Ο ηθοποιός επιλέγει να αναλάβει δράση σε ένα περιβάλλον για το οποίο ο ηθοποιός ανταμείβεται ανάλογα. Εδώ η έξοδος του συστήματος είναι μια ακολουθία ενεργειών.

Σε μια τέτοια περίπτωση, μια μεμονωμένη ενέργεια δεν είναι σημαντική, εδώ είναι σημαντική μια σειρά διορθωτικών ενεργειών για την επίτευξη του στόχου. Αυτό λέγεται και πολιτική. Ο ηθοποιός θέλει να αυξήσει την ανταμοιβή που λαμβάνει και ως εκ τούτου πρέπει να μάθει μια βέλτιστη και καλή πολιτική αλληλεπίδρασης με το περιβάλλον. Ένα καλό παράδειγμα είναι τα παιχνίδια. Στο παιχνίδι, μια κίνηση από μόνη της δεν είναι σημαντική, απαιτεί μια σειρά από σωστές κινήσεις που είναι καλή (δηλαδή οι κινήσεις οδηγούν στη νίκη)

Ρύθμιση Ενισχυτικής Εκμάθησης

Εικόνα 5: Ρύθμιση Ενισχυτικής Εκμάθησης

«Η ενισχυτική μάθηση είναι πολύ διαφορετική από άλλους τύπους μάθησης που έχουμε καλύψει μέχρι τώρα. Όπως έχουμε δει στην εποπτευόμενη μάθηση, μας δίνονται δεδομένα και ετικέτες και έχουμε την αποστολή να προβλέψουμε δεδομένα εξόδου. Στην μάθηση χωρίς επίβλεψη, μας δίνονται μόνο δεδομένα και μας ανατίθεται να βρούμε την υποκείμενη δομή στα δεδομένα. Ως ενίσχυση, δεν μας δίνονται ούτε στοιχεία ούτε ετικέτες.

Εφαρμογές της ενισχυτικής μάθησης είναι

  1. Αυτοοδηγούμενο αυτοκίνητο
  2. Ρομποτικός έλεγχος κινητήρα
  3. Έλεγχος κλιματισμού
  4. Βελτιστοποίηση τοποθέτησης διαφημίσεων
  5. Στρατηγικές συναλλαγών στο χρηματιστήριο
  6. Παίζοντας παιχνίδι

Βαθιά Μάθηση

Όταν αναλύουμε την εικόνα ενός αυτοκινήτου, τότε το μεμονωμένο pixel στην εικόνα του κόκκινου αυτοκινήτου είναι πολύ κοντά στο μαύρο τη νύχτα. Αυτό το παράδειγμα μπορεί να σας δώσει μια εικόνα για τη δυσκολία που αντιμετωπίζουν πολλές εφαρμογές τεχνητής νοημοσύνης. Είναι πολύ δύσκολο να εξαχθούν τόσο υψηλού επιπέδου και αφηρημένα χαρακτηριστικά γιατί απαιτεί κατανόηση σε ανθρώπινο επίπεδο.

Το Deep Learning αντιμετωπίζει αυτό το πρόβλημα δημιουργώντας σύνθετες λειτουργίες από ένα απλό. Το πιο βασικό παράδειγμα ενός μοντέλου βαθιάς μάθησης είναι το Multilayer Perceptron. Το Multilayer Perceptron είναι απλώς μια μαθηματική συνάρτηση που αντιστοιχίζει τις τιμές εισόδου σε τιμές εξόδου. Αυτή η συνάρτηση αποτελείται από πολλές απλούστερες συναρτήσεις.

Η βαθιά μάθηση είναι ένα συγκεκριμένο είδος μηχανικής μάθησης που επιτυγχάνει μεγάλη ισχύ και ευελιξία αντιπροσωπεύοντας τον κόσμο ως μια ένθετη ιεραρχία εννοιών. Κάθε έννοια ορίζεται σε σχέση με απλούστερες έννοιες, και πιο αφηρημένες αναπαραστάσεις που υπολογίζονται σε σχέση με λιγότερο αφηρημένες.

Αλγόριθμοι βαθιάς μάθησης όπως το Deep Neural Network, το Deep trust network, το Convolutional Neural Network, το Recurrent Neural Network έχουν εφαρμοστεί σε πεδία όπως η όραση υπολογιστή, η αναγνώριση ομιλίας, η επεξεργασία φυσικής γλώσσας και πολλά άλλα

Βαθύ Νευρωνικό Δίκτυο

Το Deep Neural Network είναι εμπνευσμένο από τη λειτουργία του ανθρώπινου εγκεφάλου και τον τρόπο λειτουργίας του. Το βασικό δομικό στοιχείο των βαθιών νευρωνικών δικτύων είναι οι κόμβοι. Οι κόμβοι είναι ακριβώς όπως οι νευρώνες του ανθρώπινου εγκεφάλου. Όταν το ερέθισμα τα χτυπήσει, λαμβάνει χώρα μια διαδικασία στον κόμβο. Γενικά, οι κόμβοι ομαδοποιούνται σε επίπεδα όπως φαίνεται στο σχήμα 6.

Βαθύ Νευρωνικό Δίκτυο

Εικόνα 6 : Βαθύ νευρωνικό δίκτυο

Υπάρχουν διάφοροι τύποι βαθιάς νευρωνικών δικτύων και οι διαφορές μεταξύ τους έγκεινται στις αρχές λειτουργίας τους, το σχήμα των ενεργειών και τους τομείς εφαρμογών.

    Συνελικτικά νευρωνικά δίκτυα (CNN): Χρησιμοποιείται ως επί το πλείστον για την αναγνώριση εικόνων επειδή δεν χρειάζεται να ελέγχετε όλα τα pixel ένα προς ένα. Τα CNN αποτελούνται από ένα επίπεδο εισόδου, ένα επίπεδο εξόδου και κρυφά επίπεδα. Τα κρυφά στρώματα αποτελούνται συνήθως από συνελικτικά στρώματα, στρώματα συγκέντρωσης και πλήρως συνδεδεμένα στρώματα. Τα επίπεδα συνέλιξης και μέγιστης συγκέντρωσης λειτουργούν ως εξολκέας χαρακτηριστικών και πλήρως συνδεδεμένο στρώμα που εκτελεί μη γραμμικούς μετασχηματισμούς των εξαγόμενων χαρακτηριστικών και ενεργεί ως ταξινομητής. Τα συνελικτικά επίπεδα εφαρμόζουν μια λειτουργία συνέλιξης στην είσοδο. Το στρώμα συγκέντρωσης χρησιμοποιείται αμέσως μετά το συνελικτικό στρώμα για τη μείωση του χωρικού μεγέθους (μόνο πλάτος και ύψος, όχι βάθος). Αυτό μειώνει τον αριθμό των παραμέτρων και ως εκ τούτου ο υπολογισμός μειώνεται καθώς και βοηθά να γίνουν οι ανιχνευτές χαρακτηριστικών πιο αμετάβλητοι στη θέση τους στην είσοδο. Είναι εύκολο να κατανοήσετε τη λειτουργία συνέλιξης με αυτό το κινούμενο σχέδιο
μηχανική μάθηση
    Επαναλαμβανόμενο νευρωνικό δίκτυο (RNN):Τα επαναλαμβανόμενα νευρωνικά δίκτυα είναι μια κατηγορία νευρωνικών δικτύων που επιτρέπουν προηγούμενες εξόδους να χρησιμοποιηθούν ως είσοδοι στο μοντέλο. Παρουσιάστηκε για πρώτη φορά τη δεκαετία του 1980. Τα RNN διαφέρουν από τα νευρωνικά δίκτυα τροφοδοσίας, επειδή αξιοποιούν έναν ειδικό τύπο νευρωνικού δικτύου, γνωστό ως επαναλαμβανόμενο επίπεδο. Η κύρια ιδέα πίσω από το Recurrent Neural Network είναι η χρήση διαδοχικών πληροφοριών. Σε ένα παραδοσιακό νευρωνικό δίκτυο όπως το CNN, έχουμε υποθέσει ότι όλες οι είσοδοι και οι έξοδοι είναι ανεξάρτητες η μία από την άλλη. Αλλά για πολλές εργασίες που δεν είναι πολύ καλή ιδέα να το αναλάβουμε. Ας υποθέσουμε ότι, εάν θέλουμε να προβλέψουμε την επόμενη λέξη σε μια πρόταση, τότε είναι καλύτερο να γνωρίζουμε ποιες λέξεις προηγήθηκαν. Τα RNN ονομάζονται επαναλαμβανόμενα επειδή εκτελούν την ίδια εργασία για κάθε στοιχείο μιας ακολουθίας, με την έξοδο να εξαρτάται από τους προηγούμενους υπολογισμούς. Με απλά λόγια, τα RNN έχουν μια μνήμη που συλλαμβάνει πληροφορίες σχετικά με το τι έχει υπολογιστεί μέχρι τώρα. Θεωρητικά, τα RNN είναι σε θέση να χρησιμοποιούν πληροφορίες σε μεγάλες αλληλουχίες, αλλά στην πράξη, περιορίζονται στο να κοιτάζουν πίσω μόνο μερικά βήματα.
Δείτε επίσης Μπορούν τα iPhone να αποκτήσουν ιούς: Πώς να ελέγξετε και να αφαιρέσετε ιούς

Ας δούμε τη σχέση μεταξύ AI, Machine Learning και Deep Learning χρησιμοποιώντας το Διάγραμμα Venn

μηχανική μάθηση

Εικόνα 7: Αυτό το σχήμα δείχνει τη σχέση μεταξύ Deep Learning, Machine Learning και Τεχνητής Νοημοσύνης.

Εφαρμογές Τεχνητής Νοημοσύνης

Υπάρχουν πολλά διαφορετικά πεδία όπου χρησιμοποιείται η τεχνητή νοημοσύνη. Τα πεδία περιλαμβάνουν Μάρκετινγκ, Τράπεζες, Οικονομικά, Γεωργία, Υγεία, Παιχνίδια, Εξερεύνηση Διαστήματος, Αυτόνομα Οχήματα, chatbots, Τεχνητή Δημιουργικότητα κ.λπ.

Ας εξερευνήσουμε τον τομέα του Μάρκετινγκ και των Τραπεζών.

Εμπορία

Τις πρώτες μέρες (όταν η τεχνητή νοημοσύνη δεν είναι σε εφαρμογή. Υπάρχει μόνο στα βιβλία), αν θέλουμε να αγοράσουμε κάποιο προϊόν από το ηλεκτρονικό κατάστημα, τότε πρέπει να ψάξουμε το προϊόν με το ακριβές όνομά του. Επομένως, είναι πολύ δύσκολο να βρούμε ένα προϊόν εάν δεν γνωρίζουμε το ακριβές όνομα του προϊόντος.

Αλλά στις μέρες μας, όταν αναζητούμε οποιοδήποτε αντικείμενο σε οποιοδήποτε κατάστημα ηλεκτρονικού εμπορίου, λαμβάνουμε όλα τα πιθανά αποτελέσματα που σχετίζονται με το αντικείμενο. Δεν χρειάζεται να ασχολούμαστε με την ακριβή ορθογραφία ή το όνομα του προϊόντος για να βρούμε το προϊόν. Ένα άλλο παράδειγμα είναι η εύρεση των κατάλληλων ταινιών στο Netflix.

Η εφαρμογή δεν περιορίζεται στην εύρεση του κατάλληλου προϊόντος. Η εξέλιξη της τεχνητής νοημοσύνης είναι σε θέση να προτείνει το προϊόν με βάση τα ενδιαφέροντά σας, αναλύοντας την προηγούμενη συναλλαγή σας και τη γεύση των αγορών σας. Σύμφωνα με αυτά τα δεδομένα, η τεχνητή νοημοσύνη είναι σε θέση να γνωρίζει ποιος τύπος προϊόντος είναι σχετικός με εσάς και βάσει αυτού θα φιλτράρει το προϊόν και θα σας το προτείνει.

Με αυτόν τον τρόπο, η τεχνητή νοημοσύνη διαδραματίζει σημαντικό ρόλο στο μάρκετινγκ και στην αύξηση της διαδικτυακής πώλησης προϊόντων και, ως εκ τούτου, σε εταιρείες ηλεκτρονικού εμπορίου όπως το Flipkart, Αμαζόνα , ή εταιρείες όπως το Netflix αξιοποιούν τη δύναμη της τεχνητής νοημοσύνης για να πουλήσουν τα προϊόντα τους με μεγάλη ευκολία και να αποκομίσουν κέρδος.

ΤΡΑΠΕΖΙΚΕΣ ΕΡΓΑΣΙΕΣ

Στον τραπεζικό τομέα, το σύστημα AI αναπτύσσεται ταχύτερα. Πολλές τράπεζες έχουν ήδη υιοθετήσει το σύστημα AI για την παροχή διαφόρων υπηρεσιών όπως υποστήριξη πελατών, ανίχνευση ανωμαλιών, απάτες με πιστωτικές κάρτες.

Ας πάρουμε ένα παράδειγμα τράπεζας HDFC. Έχουν αναπτύξει ένα chatbot που βασίζεται σε AI που ονομάζεται Electronic Virtual Assistant (EVA). Αυτό το chatbot έχει ήδη απαντήσει σε περισσότερα από 3 εκατομμύρια ερωτήματα πελατών. Η Εύα μπορεί να δώσει απλές απαντήσεις σε λιγότερο από 0,4 δευτερόλεπτα. Η Bank of America έχει το όνομα chatbot Erica. Η American Express χρησιμοποιεί τα chatbot AmEX για να ωφελήσει τους πελάτες της.

Η MasterCard και η RBS WorldPay έχουν χρησιμοποιήσει τεχνητή νοημοσύνη και βαθιά εκμάθηση για τον εντοπισμό δόλιων συναλλαγών και την πρόληψη της απάτης με κάρτες. Αυτό το σύστημα AI εξοικονόμησε εκατομμύρια δολάρια. Οι αλγόριθμοι ανίχνευσης απάτης με βάση το AI είναι πιο ακριβείς στον εντοπισμό απάτης με ακρίβεια μεγαλύτερη από 95%. Έχουν την ικανότητα να προσαρμόζονται γρήγορα για να ανιχνεύουν νέες απόπειρες απάτης σε πραγματικό χρόνο.

Η πιο σημαντική εφαρμογή της τεχνητής νοημοσύνης στον τραπεζικό τομέα είναι η διαχείριση κινδύνων, επειδή οι εκτιμήσεις δείχνουν ότι κατά μέσο όρο η απώλεια εμπόρων λόγω επιθέσεων απάτης είναι το 1,5% των ετήσιων εσόδων τους. Η JPMorgan άρχισε επίσης να χρησιμοποιεί τεχνικές AI για την ανάπτυξη ενός συστήματος έγκαιρης προειδοποίησης που εντοπίζει κακόβουλο λογισμικό, Trojans και ιούς. Αυτό το σύστημα ανίχνευσης φέρεται να εντοπίζει ύποπτες συμπεριφορές πολύ πριν σταλούν πραγματικά μηνύματα ηλεκτρονικού ταχυδρομείου για απάτη στους υπαλλήλους.

Προτεινόμενα άρθρα

  • Τι είναι το Unsecapp.Exe και είναι ασφαλέςΤι είναι το Unsecapp.exe και είναι ασφαλές;
  • 15 Το καλύτερο εργαλείο και λογισμικό διαγραμμάτων UML15 Το καλύτερο εργαλείο και λογισμικό διαγραμμάτων UML
  • [ΔΙΟΡΘΩΘΗΚΕ] Τα Windows δεν έχουν πρόσβαση στην καθορισμένη συσκευή, διαδρομή ή σφάλμα αρχείου[ΔΙΟΡΘΩΘΗΚΕ] Τα Windows δεν έχουν πρόσβαση στην καθορισμένη συσκευή, διαδρομή ή σφάλμα αρχείου
  • 16 Διορθώσεις για το Windows Update που δεν λειτουργεί στα Windows16 Διορθώσεις για το Windows Update που δεν λειτουργεί στα Windows
  • 4 Διορθώσεις για τις ρυθμίσεις Radeon της AMD που κερδήθηκαν4 Διορθώσεις για το AMD Radeon Οι ρυθμίσεις δεν θα ανοίξουν
  • Εργαλείο Zoom Screenshot: Συμβουλές και κόλπαΕργαλείο Zoom Screenshot: Συμβουλές και κόλπα