what is artificial intelligence
Preberite, kaj je umetna inteligenca (AI), elementi inteligence in podpolja umetne inteligence, kot so strojno učenje, globoko učenje, NLP itd.:
Sistem računalniškega omrežja je izboljšal človeški življenjski slog z zagotavljanjem različnih vrst pripomočkov in naprav, ki zmanjšujejo človeški fizični in duševni napor pri opravljanju različnih nalog. Umetna inteligenca je naslednji korak v tem procesu, da postane učinkovitejša z uporabo logičnih, analitičnih in bolj produktivnih tehnologij.
Ta vadnica vam bo s pomočjo različnih primerov razložila, kaj je umetna inteligenca, njene opredelitve in komponente. Raziskovali bomo tudi razliko med človeško in strojno inteligenco.
kako dodati celo število v polje v javi
Kaj se boste naučili:
Kaj je umetna inteligenca (AI)?
Za opis umetne inteligence so na voljo različne tehnične opredelitve, vendar so vse zelo zapletene in zmedene. Za vaše boljše razumevanje bomo to definicijo obdelali s preprostimi besedami.
Ljudje veljajo za najbolj inteligentne vrste na tej zemlji, saj lahko s svojimi veščinami, kot so analitično razmišljanje, logično sklepanje, statistično znanje in matematična ali računska inteligenca, rešijo kateri koli problem in analizirajo velike podatke.
Ob upoštevanju vseh teh kombinacij veščin je umetna inteligenca razvita za stroje in robote, ki nalagajo sposobnost reševanja zapletenih problemov v strojih, podobnih tistim, ki jih lahko počnejo ljudje.
Umetna inteligenca je uporabna na vseh področjih, vključno z medicino, avtomobili, aplikacijami za vsakdanji življenjski slog, elektroniko, komunikacije in računalniške mreže.
Torej tehnično AI v povezavi z računalniškimi omrežji je mogoče opredeliti kot računalniške naprave in omrežni sistem, ki lahko natančno razume neobdelane podatke, zbere koristne informacije iz teh podatkov in nato te ugotovitve uporabi za dosego končne rešitve in dodelitev problema s prilagodljivim pristopom in lahko prilagodljivimi rešitvami.
Obveščevalni elementi
# 1) Razlogi: To je postopek, ki nam olajša, da zagotovimo osnovna merila in smernice za presojo, napovedovanje in odločanje o katerem koli problemu.
Utemeljitev je lahko dve vrsti, ena je splošna argumentacija, ki temelji na splošnih opaženih incidencah in izjavah. Zaključek je v tem primeru včasih lahko napačen. Drugi je logično sklepanje, ki temelji na dejstvih, številkah in konkretnih izjavah ter na specifičnih, omenjenih in opaženih incidentih. Tako je sklep v tem primeru pravilen in logičen.
# 2) Učenje: To je postopek pridobivanja znanja in razvoja spretnosti iz različnih virov, kot so knjige, resnični dogodki v življenju, izkušnje, poučevanje nekaterih strokovnjakov itd. Učenje krepi človekovo znanje na področjih, ki se jih ne zaveda.
Sposobnosti učenja ne pokažejo samo ljudje, temveč tudi nekatere živali in umetni inteligentni sistemi imajo to spretnost.
Učenje je različnih vrst, kot je navedeno spodaj:
- Učenje zvočnega govora temelji na postopku, ko nek učitelj drži predavanje, nato ga slišni učenci slišijo, si ga zapomnijo in nato uporabijo za pridobivanje znanja iz njega.
- Linearno učenje temelji na zapomnitvi vrste dogodkov, s katerimi se je oseba srečala in se iz njih naučila.
- Opazovalno učenje pomeni učenje z opazovanjem vedenja in mimike drugih oseb ali bitij, kot so živali. Na primer, majhen otrok se nauči govoriti z oponašanjem staršev.
- Percepcijsko učenje temelji na učenju tako, da prepozna in razvrsti vizualne elemente in predmete ter si jih zapomni.
- Relacijsko učenje temelji na učenju iz preteklih dogodkov in napak ter si prizadevamo, da bi jih improvizirali.
- Prostorsko učenje pomeni, da se učimo iz vizualnih vsebin, kot so slike, videoposnetki, barve, zemljevidi, filmi itd., Kar bo ljudem pomagalo pri ustvarjanju podobe tistih, ki mislijo, kadar koli bo to potrebno za nadaljnjo uporabo.
# 3) Reševanje težav: To je postopek ugotavljanja vzroka težave in iskanja možnega načina za rešitev problema. To se naredi z analizo problema, odločanjem in nato iskanjem več rešitev za dosego končne in najprimernejše rešitve problema.
Končno geslo tukaj je najti najboljšo rešitev med razpoložljivimi za doseganje najboljših rezultatov reševanja problemov v minimalnem času.
# 4) Zaznavanje: Gre za pojav pridobivanja, sklepanja, izbire in sistematizacije uporabnih podatkov iz surovega vnosa.
Pri ljudeh zaznavanje izhaja iz izkušenj, čutnih organov in situacijskih razmer v okolju. Kar pa zadeva zaznavanje umetne inteligence, jo mehanski senzorski mehanizem pridobi v povezavi s podatki na logičen način.
# 5) Jezikovna inteligenca: To je pojav zmožnosti uvajanja, ugotavljanja, branja in pisanja besed v različnih jezikih. Je osnovna komponenta načina komunikacije med dvema ali več posamezniki in potrebna tudi za analitično in logično razumevanje.
Razlika med človeško in strojno inteligenco
Naslednje točke pojasnjujejo razlike:
# 1) Zgoraj smo razložili komponente človeške inteligence, na podlagi katerih človek opravlja različne vrste zapletenih nalog in rešuje različne vrste posebnih problemov v različnih situacijah.
#two) Človek razvija stroje z inteligenco, tako kot ljudje, in tudi v resnici dajejo rezultate zapletenemu problemu, tako kot ljudje.
# 3) Ljudje ločujejo podatke po vizualnih in zvočnih vzorcih, preteklih situacijah in okoliščinah, medtem ko umetno inteligentni stroji prepoznajo težavo in jo rešijo na podlagi vnaprej določenih pravil in zaostankov.
# 4) Ljudje si zapomnimo podatke preteklosti in si jih zapomnimo, ko so se jih naučili in hranili v možganih, vendar bodo stroji podatke preteklosti našli z iskanjem algoritmov.
# 5) Z jezikovno inteligenco lahko ljudje celo prepoznajo izkrivljeno podobo in oblike ter manjkajoče vzorce glasu, podatkov in slik. Toda stroji nimajo te inteligence in uporabljajo metodologijo računalniškega učenja in postopek globokega učenja, ki spet vključuje različne algoritme za dosego želenih rezultatov.
# 6) Ljudje vedno sledijo svojemu instinktu, viziji, izkušnjam, okoliščinam, okoliškim informacijam, vizualnim in surovim razpoložljivim podatkom in tudi stvarem, ki so jih jih nekateri učitelji ali starešine naučili analizirati, rešiti kateri koli problem in doseči nekaj učinkovitih in pomembnih rezultatov katere koli izdaje.
Po drugi strani pa umetno inteligentni stroji na vseh ravneh uporabljajo različne algoritme, vnaprej določene korake, zaostanke podatkov in strojno učenje, da dosežejo nekaj koristnih rezultatov.
# 7) Čeprav je postopek, ki mu sledijo stroji, zapleten in vključuje veliko postopkov, vendar daje najboljše rezultate v primeru analize velikega vira zapletenih podatkov in kadar mora natančno in hkrati natančno opravljati posebne naloge različnih področij. natančno in v danem časovnem okviru.
Stopnja napak v teh primerih strojev je veliko manjša kot pri ljudeh.
Podpolja umetne inteligence
# 1) Strojno učenje
Strojno učenje je značilnost umetne inteligence, ki računalniku omogoča, da samodejno zbira podatke in se uči na podlagi izkušenj s težavami ali primeri, ki so jih imeli, namesto da bi bili posebej programirani za izvajanje dane naloge ali dela.
Strojno učenje poudarja rast algoritmov, ki lahko natančno pregledujejo podatke in jih napovedujejo. Glavna uporaba tega je v zdravstveni industriji, kjer se uporablja za diagnozo bolezni, razlago medicinskih pregledov itd.
Prepoznavanje vzorcev je podkategorija strojnega učenja. Lahko ga opišemo kot samodejno prepoznavanje načrta iz neobdelanih podatkov z uporabo računalniških algoritmov.
Vzorec je lahko trajna vrsta podatkov skozi čas, ki se uporablja za napovedovanje zaporedja dogodkov in trendov, določenih značilnosti lastnosti slik za prepoznavanje predmetov, ponavljajoče se kombinacije besed in stavkov za jezikovno pomoč ter je lahko posebna zbiranje dejanj ljudi v kateri koli mreži, ki lahko kažejo na neko družbeno dejavnost in še veliko več.
Postopek prepoznavanja vzorca vključuje več korakov. Ti so razloženi na naslednji način:
(i) Zajem in zaznavanje podatkov: To vključuje zbiranje surovih podatkov, kot so fizične spremenljivke itd., In merjenje frekvence, pasovne širine, ločljivosti itd. Podatki so dveh vrst: podatki o vadbi in učni podatki.
Podatki o usposabljanju so tisti, pri katerih ni nabora podatkov za označevanje, sistem pa jih razvrsti v skupine. Medtem ko imajo učni podatki dobro označen nabor podatkov, tako da jih je mogoče neposredno uporabiti s klasifikatorjem.
(ii) Predobdelava vhodnih podatkov :To vključuje filtriranje neželenih podatkov, kot je šum iz vhodnega vira, in to prek obdelave signala. Na tej stopnji se za nadaljnje reference opravi tudi filtriranje že obstoječih vzorcev v vhodnih podatkih.
(iii) Izvleček lastnosti :Različni algoritmi se izvajajo kot algoritem za ujemanje vzorcev, da se poišče ustrezni vzorec, kot je zahtevano glede na lastnosti.
(iv) Razvrstitev :Na podlagi rezultatov izvedenih algoritmov in različnih modelov, ki so se naučili dobiti ujemajoči se vzorec, je razred dodeljen vzorcu.
(v) naknadna obdelava :Tu je predstavljen končni rezultat in zagotovljeno bo, da bo doseženi rezultat skoraj tako verjetno potreben.
Model za prepoznavanje vzorca:
(slika vir )
Kot je prikazano na zgornji sliki, bo ekstraktor funkcij izvlekel funkcije iz vhodnih surovih podatkov, kot so zvok, slika, video, zvok itd.
Zdaj bo klasifikator prejel x kot vhodno vrednost in bo vhodni vrednosti dodal različne kategorije, kot so razred 1, razred 2…. razred C. na podlagi razreda podatkov se opravi nadaljnje prepoznavanje in analiza vzorca.
Primer prepoznavanja oblike trikotnika s tem modelom:
Prepoznavanje vzorcev se uporablja v procesorjih za identifikacijo in preverjanje pristnosti, kot sta glasovno prepoznavanje in preverjanje pristnosti obraza, v obrambnih sistemih za prepoznavanje ciljev in vodenje po njih ter v avtomobilski industriji.
# 2) Globoko učenje
Gre za proces učenja z obdelavo in analizo vhodnih podatkov na več načinov, dokler naprava ne odkrije enega želenega izhoda. Znano je tudi kot samostojno učenje strojev.
Naprava poganja različne naključne programe in algoritme za preslikavo vhodnega surovega zaporedja vhodnih podatkov na izhod. Z uvajanjem različnih algoritmov, kot so nevroevolucija in drugi pristopi, kot je gradientni spust na nevronski topologiji, se rezultat y končno dvigne iz neznane vhodne funkcije f (x), ob predpostavki, da sta x in y korelirana.
Tu je zanimivo, da je naloga nevronskih mrež ugotoviti pravilno funkcijo f.
Poglobljeno učenje bo priča vsem možnim človeškim značilnostim in vedenjskim bazam podatkov ter bo izvajalo nadzorovano učenje. Ta postopek vključuje:
- Odkrivanje različnih vrst človeških čustev in znakov.
- Prepoznajte človeka in živali po slikah, na primer po posebnih znakih, znakih ali lastnostih.
- Prepoznavanje glasu različnih zvočnikov in si jih zapomnite.
- Pretvorba videa in glasu v besedilne podatke.
- Prepoznavanje pravilnih ali napačnih kretenj, razvrščanje neželenih vsebin in primerov goljufij (kot so zahtevki za goljufije).
Vse druge značilnosti, vključno z zgoraj omenjenimi, se uporabljajo za pripravo umetnih nevronskih mrež z globokim učenjem.
Napovedna analiza: Po zbiranju in učenju ogromnih podatkovnih nizov se združevanje podobnih vrst podatkovnih nizov izvede s približevanjem razpoložljivih naborov modelov, kot je primerjava podobnih vrst govornih nizov, slik ali dokumentov.
Ker smo opravili klasifikacijo in združevanje podatkovnih nizov, se bomo napovedi prihodnjih dogodkov, ki temeljijo na primerih sedanjih dogodkov, približali z ugotavljanjem korelacije med obema. Ne pozabite, da napovedna odločitev in pristop ni časovno omejen.
Edina točka, ki jo je treba upoštevati pri napovedovanju, je, da mora biti rezultat smiseln in logičen.
S ponavljajočimi se ponovitvami in samoanalizo bomo s tem dosegli rešitev težav za stroje. Primer globokega učenja je prepoznavanje govora v telefonih, ki pametnim telefonom omogoča, da razumejo drugačen naglas zvočnika in ga pretvorijo v smiseln govor.
# 3) Nevronske mreže
Nevronske mreže so možgani umetne inteligence. So računalniški sistemi, ki so kopija nevronskih povezav v človeških možganih. Umetni ustrezni možganski nevroni so znani kot perceptron.
Sklop različnih perceptronov, ki se povezujejo, ustvarja umetne nevronske mreže v strojih. Preden dajo želene rezultate, nevronske mreže pridobijo znanje z obdelavo različnih primerov usposabljanja.
Z uporabo različnih učnih modelov bo ta postopek analiziranja podatkov tudi rešitev za številne povezane poizvedbe, ki prej niso bile odgovorjene.
Poglobljeno učenje v povezavi z nevronskimi mrežami lahko razkrije več plasti skritih podatkov, vključno z izhodno plastjo zapletenih problemov, in je pripomoček za podpolja, kot so prepoznavanje govora, obdelava naravnega jezika in računalniški vid itd.
(slika vir )
Prejšnje vrste nevronskih mrež so bile sestavljene iz enega vhoda in enega izhoda ter skoraj samo ene skrite plasti ali ene same plasti perceptrona.
Globoke nevronske mreže so sestavljene iz več kot ene skrite plasti med vhodno in izhodno plastjo. Zato je za razkritje skritih slojev podatkovne enote potreben globok učni proces.
Pri globokem učenju nevronskih mrež je vsaka plast usposobljena za edinstven nabor atributov, ki temelji na izhodnih lastnostih prejšnjih slojev. Bolj ko vstopite v nevronsko mrežo, vozlišče dobi sposobnost prepoznavanja bolj zapletenih atributov, ko napovedujejo in rekombinirajo izhode vseh prejšnjih plasti, da ustvarijo bolj jasen končni rezultat.
Celoten postopek se imenuje hierarhija lastnosti in znana tudi kot hierarhija zapletenih in nematerialnih naborov podatkov. Izboljšuje sposobnost globokih nevronskih mrež za obdelavo zelo velikih in širokih dimenzijskih podatkovnih enot, ki imajo milijarde omejitev, skozi linearne in nelinearne funkcije.
kaj so storitve ekip visual studio
Glavno vprašanje, s katerim se trudi rešiti strojna inteligenca, je ravnanje z neoznačenimi in nestrukturiranimi podatki na svetu, ki so razpršeni po vseh področjih in državah, ter upravljati z njimi. Zdaj imajo nevronske mreže zmožnost obvladovanja zakasnitve in kompleksnih lastnosti teh podnaborov podatkov.
Poglobljeno učenje v povezavi z umetnimi nevronskimi mrežami je neimenovane in surove podatke, ki so bili v obliki slik, besedila, zvoka itd., Razvrstilo in označilo v organizirano relacijsko bazo podatkov z ustreznim označevanjem.
Na primer, poglobljeno učenje bo kot vhod vzelo na tisoče surovih slik in jih nato razvrstilo na podlagi njihovih osnovnih lastnosti in značajev, kot so vse živali, kot so psi na eni strani, nežive stvari, kot je pohištvo na enem vogalu in vse fotografije vaše družine na tretja stran pa tako dopolni celotno fotografijo, ki je znana tudi kot pametni foto albumi.
Še en primer, upoštevajmo primer besedilnih podatkov kot vhodnih podatkov, kjer imamo na tisoče elektronskih sporočil. Tu bodo poglobljena učenja razvrstila e-poštna sporočila v različne kategorije, kot so primarna, socialna, promocijska in neželena e-poštna sporočila glede na njihovo vsebino.
Povratne nevronske mreže: Cilj uporabe nevronskih mrež je doseči končni rezultat z minimalno napako in visoko stopnjo natančnosti.
Ta postopek vključuje veliko korakov, vsaka od stopenj pa vključuje napovedovanje, obvladovanje napak in posodobitve teže, kar je majhen prirastek k koeficientu, saj se bo počasi premikal do želenih lastnosti.
Na izhodišču nevronskih mrež ne ve, katere uteži in podnabori podatkov bodo pretvorili vhod v najbolj primerne napovedi. Tako bo vse vrste podskupin podatkov in uteži obravnaval kot modele za zaporedno napovedovanje, da bi dosegel najboljši rezultat, in se vsakič uči na svoji napaki.
Na primer, z nevronskimi mrežami lahko z majhnimi otroki povemo, da ko se rodijo, ne vedo ničesar o svetu okoli sebe in nimajo inteligence, a ko se starajo, se iz svojih življenjskih izkušenj in napak učijo, da postanejo boljši človek in intelektualec.
Arhitektura povratnega omrežja je spodaj prikazana z matematičnim izrazom:
Vhod * teža = napoved
Potem,
Prizemna resnica - napoved = napaka
Potem,
Napaka * teža prispevka k napaki = prilagoditev
To je tukaj mogoče razložiti, vhodni nabor podatkov jih bo preslikal s koeficienti, da bo dobil več napovedi za omrežje.
Zdaj se napoved primerja z osnovnimi dejstvi, ki so vzeta iz realnih časovnih scenarijev, dejstva in izkušnje najdemo stopnjo napak. Prilagoditve se izvedejo za odpravo napake in povezovanje prispevka uteži vanjo.
Te tri funkcije so trije temeljni gradniki nevronskih mrež, ki točkovajo vhodne podatke, ocenjujejo izgubo in uvajajo nadgradnjo modela.
Tako je povratna zanka, ki bo nagradila koeficiente, ki podpirajo pravilne napovedi, in zavrgla koeficiente, ki vodijo do napak.
Prepoznavanje rokopisa, prepoznavanje obraza in digitalnega podpisa, prepoznavanje manjkajočih vzorcev so nekateri primeri nevronskih mrež v realnem času.
# 4) Kognitivno računalništvo
Namen te komponente umetne inteligence je sprožiti in pospešiti interakcijo za dokončanje zapletenih nalog in reševanje problemov med ljudmi in stroji.
Med delom z različnimi nalogami z ljudmi se stroji učijo in razumejo človeško vedenje, čustva v različnih značilnih razmerah in v računalniškem modelu poustvarijo miselni proces ljudi.
S tem vadbo naprava pridobi sposobnost razumevanja človeškega jezika in odsevov slike. Tako lahko kognitivno razmišljanje skupaj z umetno inteligenco naredi izdelek, ki bo imel človeška dejanja in ima lahko tudi zmogljivosti za obdelavo podatkov.
Kognitivno računalništvo je sposobno sprejemati natančne odločitve v primeru zapletenih težav. Tako se uporablja na področju, ki mora izboljšati rešitve z optimalnimi stroški, in ga pridobijo z analizo učenja naravnega jezika in na dokazih.
Na primer, Google Assistant je zelo velik primer kognitivnega računalništva.
# 5) Obdelava naravnega jezika
S to funkcijo umetne inteligence lahko računalniki razlagajo, prepoznavajo, locirajo in obdelujejo človeški jezik in govor.
Koncept uvedbe te komponente je omogočiti nemoteno interakcijo med stroji in človeškim jezikom, zato bodo računalniki sposobni zagotavljati logične odzive na človeški govor ali poizvedbe.
Osredotočenost obdelave naravnega jezika na besedni in pisni del človeških jezikov pomeni tako aktivni kot pasivni način uporabe algoritmov.
Generacija naravnega jezika (NLG) bo obdelala in dekodirala stavke in besede, ki so jih ljudje govorili (ustna komunikacija), medtem ko bo NaturalLanguage Understanding (NLU) poudaril pisni besednjak za prevod jezika v besedilo ali slikovne pike, ki jih lahko razume stroji.
Aplikacije strojev, ki temeljijo na grafičnem uporabniškem vmesniku (GUI), so najboljši primer obdelave naravnega jezika.
Različne vrste prevajalcev, ki pretvorijo en jezik v drugega, so primeri sistema za obdelavo naravnega jezika. Primer tega je tudi Googlova funkcija glasovnega asistenta in glasovnega iskalnika.
# 6) Računalniški vid
Računalniški vid je zelo pomemben del umetne inteligence, saj olajša računalniku samodejno prepoznavanje, analizo in interpretacijo vizualnih podatkov iz resničnih slik in vizualnih elementov, tako da jih zajame in prestreže.
Vključuje veščine globokega učenja in prepoznavanja vzorcev za pridobivanje vsebine slik iz vseh podanih podatkov, vključno s slikami ali video datotekami v dokumentu PDF, Wordovem dokumentu, PPT dokumentu, XL datoteki, grafih in slikah itd.
Recimo, da imamo zapleteno podobo snopa stvari, potem pa le videti sliko in si jo zapomniti ni mogoče enostavno vsem. Računalniški vid lahko vključuje vrsto transformacij slike, da izvleče bit in bajtne podrobnosti o njej, kot so ostri robovi predmetov, nenavaden dizajn ali uporabljena barva itd.
To se naredi z uporabo različnih algoritmov z uporabo matematičnih izrazov in statistik. Roboti uporabljajo tehnologijo računalniškega vida, da vidijo svet in delujejo v realnem času.
Uporaba te komponente se zelo pogosto uporablja v zdravstveni industriji za analizo zdravstvenega stanja pacienta z uporabo magnetno-magnetne resonance, rentgenskih slik itd. Uporablja se tudi v avtomobilski industriji za delo z računalniško vodenimi vozili in brezpilotnimi letali.
Zaključek
V tej vadnici smo najprej razložili različne elemente inteligence z diagramom in njihov pomen za uporabo inteligence v resničnih situacijah, da bi dobili želene rezultate.
Nato smo s pomočjo matematičnih izrazov, aplikacij v realnem času in različnih primerov podrobno raziskali različna podpolja umetne inteligence in njihov pomen v strojni inteligenci in resničnem svetu.
Podrobno smo se naučili tudi o strojnem učenju, prepoznavanju vzorcev in konceptih nevronske mreže umetne inteligence, ki igrajo zelo pomembno vlogo pri vseh aplikacijah umetne inteligence.
V naslednjem delu te vadnice bomo podrobno preučili uporabo umetne inteligence.
Priporočeno branje
- Data Mining Vs Machine Learning Vs Umetna inteligenca Vs Poglobljeno učenje
- 10+ NAJBOLJ obetavnih podjetij z umetno inteligenco (AI) (2021 Selective)
- 10 najboljših programov za umetno inteligenco (pregledi programske opreme AI leta 2021)
- Popoln vodnik po umetni nevronski mreži v strojnem učenju
- Štirje koraki do testiranja poslovne inteligence (BI): Kako preizkusiti poslovne podatke
- Vadnica za strojno učenje: Uvod v ML in njegove aplikacije
- 25 najboljših orodij za poslovno inteligenco (najboljša orodja za BI v letu 2021)
- Vrste strojnega učenja: nadzorovano in nenadzorovano učenje