Важно! Нажмите кнопку «Прослушать» и «Слушать». Это лучше, чем читать
Итак, что вы думаете об ИИ. Просто искусственный интеллект? Да, но НИКОГДА!!! Так что наше будущее может быть полно роботов и ИИ. Вы можете получить друга-робота. Прежде всего, каково ваше представление об ИИ в вашем уме. Это хэви-метал, который смотрит тебе в лицо? НИКОГДА!!! Искусственный интеллект такой же, как в его названии. У него искусственный мозг, который мы можем сделать только голыми руками. Хорошо, давайте сразу перейдем к этой теме.
КАК РАБОТАЕТ DL?
Как работает DL?, руками или ногами? Дерьмо!! Никогда!!! Он работает с помощью паутины, похожей на структуру, называемую нейронной сетью.
Итак, нейронная сеть – это метод искусственного интеллекта, который учит компьютеры принимать или обрабатывать данные, как человеческий мозг. Знаете что, он не учит по принципу «А для Apple, Б для буйволов». Нейронная сеть — это нервная система робота с искусственным интеллектом. Итак, давайте посмотрим больше об ИИ. Знаете что, используется несколько типов ИИ. Но как создается ИИ? По ML и DL. Давайте узнаем больше о машинном обучении (ML) и глубоком обучении (DL).
ЧТО ТАКОЕ машинное обучение? И ЕЕ ВИДЫ
Машинное обучение (ML) — это тип искусственного интеллекта (AI), который позволяет программным приложениям становиться более точными при прогнозировании с помощью наиболее часто используемого метода вызова Train and Test. Существует 5 типов машинного обучения (ML). Обучение с учителем, обучение без учителя и обучение с подкреплением.
ОБУЧЕНИЕ С КОНТРОЛЕМ И БЕЗ КОНТРОЛЯ
Предсказание вещей с теми же вещами раньше. Не могу понять? ок Давайте сделаем это просто. Например: даны несколько яблок, и мы пометили их как яблоки, и мы даем другое такое же яблоко, спрашивая, что это такое для модели машинного обучения. И он проверяет помеченное, думает и предсказывает, что это яблоко. Это контролируемое обучение. Теперь это слишком просто, верно? Если все еще не понятно, проверьте это на Youtube.
Прогнозирование материала с тем же материалом, что и раньше, но без маркировки. Я знаю, что это тоже не может быть понятно, но глупый ум ультра про макс сказал мне написать это. Хорошо, вернемся к теме. Теперь, например: мы даем несколько яблок и бананов модели, и теперь в неконтролируемом обучении эта модель разделяет похожие вещи и сохраняет их. А теперь, когда спросите, что это такое, дав ему банан в качестве входа. Он показывает нам вкладку банана, которую он сохранил ранее. Да, теперь оба очищены, не так ли?
ПОМОЩЬ ОБУЧЕНИЯ
Теперь будет объяснено самое главное. Ок, нет кинематографии.
Итак, прежде всего обратите внимание на картинку выше. Что из этого можно понять…. Ничего???? Да, я столкнулся с тем же, когда я увидел это в первый раз. НЕВАЖНО!!! Что такое обучение с подкреплением. Это метод, как ИИ учится на ошибках, как практический для ИИ. Теперь проясню все ваши сомнения на примере: Итак, возьмите агента в качестве водителя, которого нужно научиться правильно водить. Окружающая среда так же, как это звучит, Дорога. Под состоянием понимается местонахождение, состояние дороги и местонахождение других транспортных средств. У агента есть некоторые действия, например, он может двигаться влево, вправо, двигаться задним ходом и ускоряться. Таким образом, цель агента - доехать от дома до школы, и он получает вознаграждение всякий раз, когда приближается к своей цели. И он продолжает терпит неудачу или становится неудержимым, но учится, делая ошибки с помощью метода, называемого методом проб и ошибок. Это называется обучением с подкреплением.
И OpenAI — это огромный веб-сайт и модуль с открытым исходным кодом, и он даже делает многих бесполезными, потому что это все в одном, и я не буду больше рассказывать об этом в этом блоге, но наш следующий блог определенно будет OpenAI.
КАК РАБОТАЕТ НЕЙРОННАЯ СЕТЬ?
Итак, мы видели, что такое нейронная сеть во введении, верно? Теперь, как работает нейронная сеть? Давайте посмотрим на это тоже на примере: трем детям дали бумагу, чтобы написать на ней цифру 4. первый был аккуратным, второй был вроде в порядке, а третий был худшим. Теперь, когда мы передаем их в нейронную сеть, вы знаете, что сначала она вычисляет общий размер бумаги в пикселях. Это 28х28 это 784 пикселя. Первый слой нейронной сети Хранит даже отдельные пиксели в виде нейронов первого слоя. Это формирует входной слой. С другой стороны, у нас есть Выходные слои. он содержит каждый нейрон, представляющий цифру. Данные передаются от входного слоя к выходному слою через скрытые слои с помощью проводной структуры, называемой каналами.
ЗАКЛЮЧЕНИЕ
Итак, с помощью этого блога мы получили базовое представление об искусственном интеллекте, машинном обучении и глубоком обучении. Прочитав этот блог, мы видим, что искусственный интеллект, машинное обучение и глубокое обучение являются важными темами в области компьютерных наук. Все они взаимосвязаны и могут использоваться для решения различных задач. Каждый из них имеет свои сильные и слабые стороны, поэтому важно выбрать правильный для поставленной задачи. В конце концов, мы можем сказать, что AI, ML и Deep Learning — это мощные инструменты, которые могут помочь нам во многих отношениях. С помощью этих инструментов мы можем сделать нашу жизнь проще и лучше. Мы также можем использовать их для создания новых вещей и улучшения того, что у нас уже есть.
