Разница между машинным обучением, глубоким обучением, наукой о данных и искусственным интеллектом (ИИ)
Представьте себе беспилотный автомобиль, который подбирает пассажиров на оживленной улице, где они могут перемещаться из одного места в другое. Или модель машинного обучения, способная предсказывать шансы человека заболеть раком с минимальной помощью врача. Или чат-боты, способные общаться с покупателями по поводу онлайн-покупок. Или модели, способные дать оценку сложности текстов без необходимости их прочтения человеком.
Все вышеупомянутые приложения возможны с наукой о данных и машинным обучением. Несмотря на множество приложений и областей, в которых используется искусственный интеллект, часто возникает путаница в отношении терминов и их значения. Глубокое понимание этих тем помогает выбрать лучшую карьеру в соответствии со своими интересами. В статье мы обсуждаем сходства и различия между этими терминами.
Что такое искусственный интеллект?
Давайте определим более широкий термин «Искусственный интеллект», так как он включает в себя такие термины, как машинное обучение, глубокое обучение и наука о данных. По сути, искусственный интеллект — это широкая область применения компьютерных наук, связанная с созданием интеллектуальных машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта в соответствии с встроенным. Машинное обучение, с другой стороны, представляет собой ветвь искусственного интеллекта, которая использует данные и алгоритмы для обучения и выполнения задач самостоятельно с минимальным вмешательством человека.
Что такое машинное обучение?
Как определено выше, машинное обучение — это ветвь искусственного интеллекта, которая использует данные для принятия разумных решений в будущем. Другими словами, это разработка программного обеспечения, которое учится самостоятельно принимать решения после обучения на определенных данных. Как можно было бы предположить, очень важно предоставить моделям правильные данные, чтобы они могли принимать разумные решения. Если данные искажены или присутствие определенного класса доминирует над остальными классами, модель будет учиться в основном точно классифицировать по классу большинства из-за наличия большого количества точек данных. Не стесняйтесь взглянуть на статью, которую я написал о способах избежать предубеждений в машинном обучении.
«Почему для моделей машинного обучения так же важно быть справедливыми, как и точными? | Сухас Маддали | ботаник для техники | Середина"
Что такое наука о данных?
Он также является подмножеством искусственного интеллекта (ИИ) и больше относится к статистике, научным методам, анализу данных ивизуализации данных которые используются для извлечения информации и смысла из данных. При выполнении проекта машинного обучения следует сначала изучить данные и понять ключевые тенденции или идеи, которые помогают принимать значимые решения. Например, может быть несколько наборов функций, которые не добавляют особого смысла или не влияют на модель машинного обучения при принятии решения. В этом случае лучше отказаться от этих функций, поскольку они не добавляют много значения и смысла тексту соответственно. Точно так же могут быть другие функции, которые действительно важны для моделей, чтобы классифицировать точки или прогнозировать непрерывную выходную переменную. В этом случае важно использовать эту функцию и для предсказания будущего. Это возможно с помощью исследовательского анализа данных, который соответственно является частью науки о данных.
Что такое глубокое обучение?
Глубокое обучение — это подобласть машинного обучения, где сети спроектированы таким образом, чтобы имитировать способ, которым нейроны человеческого мозга связаны друг с другом. Возьмем, к примеру, шансы предсказать, погасит ли человек кредит. В моделях машинного обучения, как правило, функции принимаются в качестве входных данных, а выходные данные о том, будет ли человек платить кредит или нет, даются в качестве выходных данных. Точно так же функции наделяются глубокими сетями. Однако следует отметить, что эти функции преобразуются в активации по мере их распространения в сети. На последнем уровне прогнозируется результат. Чтобы построить эффективную систему глубокого обучения, необходимо выполнить множество вычислений. Иногда, когда мы используем глубокое обучение, модели могут превосходить данные, что приводит к снижению точности тестового набора. Чтобы узнать больше о переоснащении и недооснащении, не стесняйтесь взглянуть на мою статью, где я четко и конкретно подчеркиваю разницу.
«Что такое переоснащение и недообучение в машинном обучении? | Сухас Маддали | MLearning.ai | Середина"
Заключение
Надеюсь, после прочтения этой статьи вы смогли понять сходства и различия между такими ключевыми терминами, как искусственный интеллект, машинное обучение, наука о данных и глубокое обучение. Не стесняйтесь, дайте мне знать ваши отзывы и информацию, которая, по вашему мнению, может быть полезна в этой статье. Спасибо!
