Машины сургалт ба гүн гүнзгий суралцах - Гол ялгаа

Хиймэл оюун ухаан (AI), Machine Learning (ML), Deep Learning гэх мэт нэр томьёо өнөө үед шуугиан тарьж байна. Гэсэн хэдий ч хүмүүс эдгээр нэр томъёог ихэвчлэн сольж хэрэглэдэг. Хэдийгээр эдгээр нэр томъёо нь хоорондоо маш их холбоотой боловч тэдгээр нь өвөрмөц онцлогтой, тодорхой хэрэглээний тохиолдолтой байдаг.

AI нь хүний ​​танин мэдэхүйн чадварыг дуурайлган асуудлыг шийдэж, шийдвэр гаргадаг автомат машинуудтай ажилладаг. Машины сургалт ба гүнзгий суралцах нь хиймэл оюун ухааны дэд домайн юм. Machine Learning бол хүний ​​хамгийн бага оролцоотойгоор таамаглал дэвшүүлж чаддаг хиймэл оюун ухаан юм. Харин гүнзгий суралцах нь хүний ​​оюун ухааны мэдрэлийн болон танин мэдэхүйн үйл явцыг дуурайж шийдвэр гаргахдаа мэдрэлийн сүлжээг ашигладаг машин сургалтын дэд хэсэг юм.

Дээрх зураг нь шатлалыг харуулж байна. Бид машин суралцах болон гүнзгий суралцах хоёрын ялгааг үргэлжлүүлэн тайлбарлах болно. Энэ нь мөн түүний хэрэглээ, анхаарлын талбарт үндэслэн тохирох арга зүйг сонгоход тусална. Энэ талаар дэлгэрэнгүй ярилцъя.

Товчхондоо машин сургалт

Машины сургалт нь мэргэжилтнүүдэд асар их мэдээллийн багцад дүн шинжилгээ хийх замаар машиныг "сургах" боломжийг олгодог. Машин илүү их өгөгдөлд дүн шинжилгээ хийх тусам үл үзэгдэх үйл явдал эсвэл хувилбаруудын талаар шийдвэр гаргах, урьдчилан таамаглах замаар илүү үнэн зөв үр дүнг гаргаж чадна.

Машин сургалтын загваруудад үнэн зөв таамаглал, шийдвэр гаргахын тулд бүтэцлэгдсэн өгөгдөл хэрэгтэй. Хэрэв өгөгдлийг шошголож, цэгцлэхгүй бол машин сургалтын загварууд үүнийг үнэн зөв ойлгож чадахгүй бөгөөд энэ нь гүнзгий суралцах домэйн болж хувирдаг.

Байгууллагад асар их мэдээллийн хэмжээ байгаа нь машин сурахыг шийдвэр гаргах салшгүй бүрэлдэхүүн хэсэг болгосон. Зөвлөмжийн хөдөлгүүрүүд нь машин сургалтын загваруудын төгс жишээ юм. Netflix зэрэг OTT үйлчилгээнүүд нь таны контентын тохиргоог судалж, хайлтын зуршил, үзвэрийн түүхэнд тулгуурлан ижил төстэй контент санал болгодог.

Ойлгох машин сургалтын загваруудыг хэрхэн сургадаг, эхлээд ML-ийн төрлүүдийг харцгаая.

Машин сургалтын дөрвөн төрлийн арга зүй байдаг.

• Хяналттай сургалт - Үнэн зөв үр дүнг өгөхийн тулд шошготой өгөгдөл хэрэгтэй. Үр дүнг сайжруулахын тулд илүү их мэдээлэл, үе үе тохируулга хийх шаардлагатай болдог.
• Хагас хяналттай – Энэ нь хоёр домэйны функцийг харуулдаг хяналттай болон хяналтгүй сургалтын хоорондох дунд шат юм. Энэ нь хэсэгчилсэн шошготой өгөгдөл дээр үр дүнг өгөх боломжтой бөгөөд үнэн зөв үр дүнг өгөхийн тулд байнгын тохируулга шаарддаггүй.
• Хяналтгүй суралцах – Хүний оролцоогүйгээр өгөгдлийн багц дахь хэв маяг, ойлголтыг олж илрүүлж, үнэн зөв үр дүнг өгдөг. Кластер нь хяналтгүй сургалтын хамгийн түгээмэл хэрэглээ юм.
• Бататгах сургалт – Бататгах сургалтын загвар нь үнэн зөв үр дүнд хүрэхийн тулд шинэ мэдээлэл ирэх үед байнгын санал хүсэлт эсвэл бататгалыг шаарддаг. Энэ нь мөн хүссэн үр дүнг шагнах, буруу үр дүнг шийтгэх замаар өөрөө суралцах боломжийг олгодог "Шагнал функц"-ийг ашигладаг.

Товчхондоо гүнзгий суралцах

Машины сургалтын загварт нарийвчлалыг сайжруулахын тулд хүний ​​оролцоо шаардлагатай. Эсрэгээр, гүнзгий суралцах загварууд нь хүний ​​хяналтгүйгээр үр дүн бүрийн дараа өөрийгөө сайжруулдаг. Гэхдээ энэ нь ихэвчлэн илүү нарийвчилсан, урт хэмжээний өгөгдөл шаарддаг.

Гүнзгий суралцах арга зүй нь хүний ​​оюун ухаанаас сэдэвлэсэн мэдрэлийн сүлжээнд суурилсан сургалтын боловсронгуй загвар зохион бүтээдэг. Эдгээр загварууд нь нейрон гэж нэрлэгддэг алгоритмын олон давхаргатай байдаг. Тэд дадлага, дахин үзэх, цаг хугацааны явцад байнга сайжирч, хөгжиж байдаг танин мэдэхүйн оюун ухаан шиг хүний ​​оролцоогүйгээр сайжирсаар байна.

Гүнзгий сургалтын загварыг голчлон ангилах, шинж чанарыг задлахад ашигладаг. Жишээлбэл, гүний загварууд нь царай таних өгөгдлийн багц дээр тэжээгддэг. Энэхүү загвар нь нүүрний онцлог бүрийг пиксел болгон цээжлэхийн тулд олон хэмжээст матрицуудыг үүсгэдэг. Та түүнээс өөрт нь өртөөгүй хүний ​​зургийг танихыг хүсэхэд энэ нь нүүрний хязгаарлагдмал онцлогтой тааруулж хялбархан таньдаг.

• Convolutional Neural Networks (CNN) – Convolution гэдэг нь зургийн янз бүрийн объектуудад жинг хуваарилах үйл явц юм. Эдгээр оноогдсон жин дээр үндэслэн CNN загвар үүнийг таньдаг. Үр дүн нь эдгээр жин нь галт тэрэгний багц хэлбэрээр тэжээгддэг объектын жинд хэр ойрхон байгааг харгалзан үздэг.
• Давтагдах мэдрэлийн сүлжээ (RNN) - CNN-ээс ялгаатай нь RNN загвар нь өмнөх үр дүн, өгөгдлийн цэгүүдийг дахин нягталж, илүү үнэн зөв шийдвэр, таамаглал дэвшүүлдэг. Энэ бол хүний ​​танин мэдэхүйн үйл ажиллагааны бодит хуулбар юм.
• Generative Adversarial Networks (GANs) – GAN дахь генератор ба ялгаварлагч гэсэн хоёр ангилагч нь ижил өгөгдөлд ханддаг. Генератор нь ялгаварлагчийн санал хүсэлтийг нэгтгэн хуурамч өгөгдөл үүсгэдэг. Ялгаварлагч нь өгөгдсөн өгөгдлийг бодит эсвэл хуурамч эсэхийг ангилахыг оролддог.

Анхааралтай ялгаа

Зарим мэдэгдэхүйц ялгааг доор харуулав.

Машины сургалт ба гүн гүнзгий суралцах - Аль нь илүү дээр вэ?

Машины сургалт ба гүнзгий суралцах хоёрын хоорондох сонголт нь тэдний хэрэглээний тохиолдлуудад тулгуурладаг. Хоёуланг нь хүний ​​ойролцоо оюун ухаантай машин үйлдвэрлэхэд ашигладаг. Хоёр загварын нарийвчлал нь холбогдох KPI болон өгөгдлийн шинж чанаруудыг ашиглаж байгаа эсэхээс хамаарна.

Машины сургалт, гүнзгий суралцах нь салбар даяар бизнесийн ердийн бүрэлдэхүүн хэсэг болно. Ойрын ирээдүйд хиймэл оюун ухаан нь нисэх онгоц, дайн байлдаан, автомашин зэрэг салбарын үйл ажиллагааг бүрэн автоматжуулах нь дамжиггүй.

Хэрэв та хиймэл оюун ухаан, энэ нь бизнесийн үр дүнд хэрхэн тасралтгүй хувьсал авчирдаг талаар илүү ихийг мэдэхийг хүсвэл дараах нийтлэлийг уншина уу. unite.ai.