Pembelajaran Dalam, kecerdasan buatan dan pembelajaran mesin untuk boneka: dijelaskan dengan contoh

Adakah anda ingin berkilauan dengan intelek anda dalam syarikat rakan sekerja atau memukau rakan anda dalam perbualan mengenai topik teknikal semasa? Sebut "Kecerdasan Buatan" atau "Pembelajaran Mesin" dalam perbualan dan anda sudah selesai. Istilah "Kecerdasan Buatan" kini didengari secara meluas. Pengaturcara mahu belajar AI. Pemimpin mahu melaksanakan AI dalam perkhidmatan mereka. Tetapi dalam amalan, walaupun profesional tidak selalu memahami apa itu "AI". Artikel ini bertujuan untuk membantu anda memahami istilah "kecerdasan buatan" dan "pembelajaran mesin". Anda juga akan mempelajari cara Pembelajaran Dalam, jenis pembelajaran mesin yang paling popular, berfungsi. Dan, apa yang penting, arahan ini ditulis dalam bahasa yang mudah diakses. Matematik di sini tidak akan terlalu sukar untuk difahami.

Asas

Langkah pertama untuk memahami apa itu Pembelajaran Dalam ialah memahami perbezaan antara istilah utama. Gambar: Datanami

Kecerdasan Buatan lwn Pembelajaran Mesin

Kecerdasan buatan (AI atau AI agnl.) ialah percubaan untuk menyalin proses pemikiran manusia oleh komputer. Ketika penyelidikan dalam bidang Kepintaran Buatan baru bermula, saintis cuba menyalin tingkah laku kecerdasan manusia dengan ketat dalam keadaan tertentu, iaitu, untuk mengasahnya untuk menyelesaikan masalah tertentu. Sebagai contoh, supaya mesin boleh bermain permainan. Mereka menetapkan beberapa peraturan yang perlu dipatuhi oleh mesin pengkomputeran. Komputer mempunyai senarai tindakan yang mungkin, dan ia membuat keputusan berdasarkan peraturan dan sekatan yang ditetapkan semasa fasa reka bentuk. ML membolehkan komputer belajar sendiri. Pembelajaran jenis ini mengambil kesempatan daripada teknologi pengkomputeran moden, yang boleh memproses sejumlah besar data dengan mudah.

Pembelajaran diselia vs Pembelajaran tanpa pengawasan

Pembelajaran diselia menggunakan set data berlabel yang terdiri daripada input dan output yang dijangkakan. Apabila anda melatih kecerdasan buatan menggunakan pembelajaran diselia, anda menyediakan data sebagai input dan menentukan output yang sepatutnya. Sekiranya keputusan yang dihasilkan AI berbeza daripada apa yang dijangkakan, maka AI mesti membetulkan pengiraannya. Proses ini diulang berkali-kali pada tatasusunan data selagi AI melakukan kesilapan. Contoh pembelajaran yang diselia ialah Kecerdasan Buatan yang meramalkan cuaca. Ia belajar untuk meramal cuaca menggunakan data sejarah. Data input ialah tekanan, kelembapan dan kelajuan angin, dan sebagai hasilnya kita harus mendapat suhu. Pembelajaran tanpa pengawasan ialah tugas yang terdiri daripada latihan AI menggunakan data tidak berstruktur. Apabila anda melatih kecerdasan buatan menggunakan pembelajaran tanpa pengawasan, anda membolehkan AI membuat klasifikasi data yang logik. Contoh kecerdasan buatan menggunakan pembelajaran mesin tanpa pengawasan ialah peramal robot tingkah laku pelanggan di kedai dalam talian. Ia belajar tanpa menggunakan input dan output yang telah diketahui. Sebaliknya, ia mesti mengklasifikasikan data input itu sendiri. Algoritma harus mengenal pasti dan memberitahu anda jenis pengguna yang lebih suka produk mana.

Cara pembelajaran mesin berfungsi

Jadi, Pembelajaran Dalam adalah salah satu pendekatan kepada pembelajaran mesin. Ia membolehkan anda meramalkan hasil daripada data input yang diberikan. Untuk melatih AI, anda boleh menggunakan kedua-dua pilihan di atas: pembelajaran diselia dan tidak diselia. Kami akan memahami cara Pembelajaran Dalam berfungsi menggunakan contoh yang jelas: katakan kita perlu membangunkan perkhidmatan untuk meramalkan harga untuk perjalanan udara. Kami akan melatih algoritma kami menggunakan kaedah yang diselia. Kami mahu perkhidmatan kami untuk meramalkan harga untuk perjalanan udara meramalkan harga berdasarkan data input berikut (kami tidak mengambil kira penerbangan pergi balik untuk memudahkan pembentangan):

• Lapangan Terbang Pelepasan;
• lapangan terbang ketibaan;
• tarikh berlepas yang dirancang;
• syarikat penerbangan.

Rangkaian saraf Mari kita lihat ke dalam otak kecerdasan buatan. Seperti dalam kes makhluk hidup biologi, peramal kita mempunyai neuron dalam "kepala"nya. Dalam gambar mereka dibentangkan dalam bentuk bulatan. Neuron bersambung antara satu sama lain. Dalam imej, neuron digabungkan menjadi tiga kumpulan lapisan:

• lapisan input;
• lapisan tersembunyi 1 (lapisan tersembunyi 1) dan lapisan tersembunyi 2 (lapisan tersembunyi 2);
• lapisan keluaran.

Sesetengah data memasuki lapisan input. Dalam kes kami, kami mempunyai empat neuron pada lapisan input: lapangan terbang berlepas, lapangan terbang ketibaan, tarikh berlepas, syarikat penerbangan. Lapisan input menghantar data ke lapisan tersembunyi pertama. Lapisan tersembunyi melakukan pengiraan matematik berdasarkan data input yang diterima. Salah satu isu utama apabila membina rangkaian saraf ialah pemilihan bilangan lapisan tersembunyi dan bilangan neuron dalam setiap lapisan. Lapisan keluaran mengembalikan maklumat yang terhasil kepada kami. Dalam kes kami, harga jangkaan penerbangan. Kami telah terlepas perkara yang paling menarik setakat ini: bagaimana sebenarnya harga yang dijangkakan dikira? Di sinilah keajaiban Pembelajaran Dalam bermula. Setiap sambungan antara neuron diberikan berat (pekali) tertentu. Berat ini menentukan kepentingan nilai input. Berat awal ditetapkan secara rawak. Apabila meramalkan kos perjalanan udara, tarikh berlepas paling mempengaruhi harga. Oleh itu, sambungan neuron "tarikh berlepas" mempunyai lebih berat. Setiap neuron mempunyai fungsi pengaktifan yang dilampirkan padanya. Sukar untuk memahami apa fungsi ini tanpa pengetahuan matematik. Jadi mari kita buat beberapa penyederhanaan: titik fungsi pengaktifan adalah untuk "menstandardkan" output daripada neuron. Selepas set data telah melalui semua lapisan rangkaian saraf, ia mengembalikan hasilnya melalui lapisan output. Setakat ini semuanya jelas, bukan?

Latihan rangkaian saraf

Melatih rangkaian saraf adalah bahagian paling sukar dalam Pembelajaran Dalam! kenapa? Kerana anda memerlukan sejumlah besar data. Kerana anda memerlukan lebih banyak kuasa pengkomputeran. Untuk projek kami, kami perlu mencari data tambang penerbangan sejarah. Selain itu, untuk semua kemungkinan gabungan lapangan terbang berlepas dan destinasi, tarikh berlepas dan syarikat penerbangan yang berbeza. Kami memerlukan jumlah data yang sangat besar dengan harga tiket. Kami mesti menyuap data input daripada set kami ke input rangkaian saraf kami dan menyemak sama ada ia sepadan dengan keputusan yang telah kami miliki. Jika keputusan yang diperolehi oleh kecerdasan buatan berbeza daripada yang dijangkakan, ini bermakna ia masih belum cukup terlatih. Sebaik sahaja kami telah menjalankan jumlah penuh data melalui rangkaian saraf kami, kami boleh membina fungsi yang akan menunjukkan betapa berbezanya hasil AI daripada keputusan sebenar dalam set data kami. Fungsi sedemikian dipanggil fungsi kos . Dalam kes yang ideal, yang kami perjuangkan dengan sekuat tenaga, nilai fungsi kos kami adalah sama dengan sifar. Ini bermakna hasil kos yang dipilih oleh rangkaian saraf tidak berbeza daripada kos sebenar tiket dalam set data kami.

Bagaimanakah kita boleh mengurangkan nilai fungsi kos?

Kami menukar berat sambungan antara neuron. Ini boleh dilakukan secara rawak, tetapi pendekatan ini tidak cekap. Sebaliknya, kami akan menggunakan kaedah yang dipanggil Gradient Descent . Algoritma ini berfungsi dengan meningkatkan pemberat secara beransur-ansur selepas setiap lelaran baharu memproses set data kami. Dengan mengira derivatif (atau kecerunan) fungsi kos untuk set pemberat tertentu, kita boleh melihat ke arah mana terletaknya minimum. Dalam gambar: Berat awal - berat awal, Kos minimum global - minimum global fungsi kos. Untuk meminimumkan fungsi kos, kami mesti melakukan pengiraan pada set data kami berkali-kali. Inilah sebabnya mengapa anda memerlukan banyak kuasa pengkomputeran. Pemberat dikemas kini secara automatik menggunakan kaedah penurunan kecerunan. Inilah keajaiban Pembelajaran Dalam! Sebaik sahaja kami telah melatih perkhidmatan ramalan harga penerbangan AI kami, kami boleh menggunakannya dengan selamat untuk meramalkan harga dalam realiti.

Mari kita ringkaskan...

• Pembelajaran mendalam menggunakan rangkaian saraf untuk mensimulasikan kecerdasan.
• Terdapat tiga jenis neuron dalam rangkaian saraf: lapisan input, lapisan tersembunyi, lapisan output.
• Setiap sambungan antara neuron mempunyai beratnya sendiri, menunjukkan kepentingan input itu.
• Neuron menggunakan fungsi pengaktifan untuk "menstandardkan" output daripada neuron.
• Untuk melatih rangkaian saraf, anda memerlukan sejumlah besar data.
• Jika kita memproses tatasusunan data menggunakan rangkaian saraf dan membandingkan data keluaran dengan data sebenar, kita akan mendapat fungsi kos yang menunjukkan betapa salahnya AI.
• Selepas setiap pemprosesan data, pemberat antara neuron diselaraskan menggunakan kaedah penurunan kecerunan untuk mencapai pengurangan dalam fungsi kos.

Pautan ke asal