Сравниваем искусственный интеллект, машинное и глубокое обучение.
Искусственный интеллект против машинного обучения против глубокого обучения
Проверьте: последние тенденции искусственного интеллекта 2019
План создания подкованной машины ждет с 1300-х годов, однако подлинные достижения были представлены в девятнадцатом и двадцатом веке. Алан Тьюринг рассматривается как отец вычислений и искусственного интеллекта в свете алгоритмических и вычислительных моделей, которые были представлены с его тестовыми моделями Тьюринга. Эта тестовая модель Тьюринга является камнем создания нейронов, которые нейронные системы ИИ, которые мы используем сегодня для подготовки моделей ИИ. Книга под названием "перцептроны", распространенная в 1969 году Марвином Минским, Сеймуром Папертом, очень помогла интеллектуальным исследователям ПК Джону Маккарти и Джеффри Хинтону.
Лучшие Разработчики Программного Обеспечения Для Недвижимости
AI (искусственный интеллект)
Искусственный интеллект-это часть программной инженерии, где проводится инновационная работа по созданию компьютеров и машин, которые обладают способностью интеллектуального мышления, например, делают машины, которые могут выполнять обязательства и принимать решения в одиночку,так же, как мы, люди. Поскольку компьютеры могут выполнять вычисления в огромное количество раз быстрее, чем люди, базовые исследования в области наркотиков, квантовой механики, квантового материаловедения могут быть закончены за год, что, как правило, заняло бы очень много времени.
Проверьте: будущее искусственного интеллекта: Четвертая промышленная революция
Искусственный интеллект может быть создан с помощью двух методик
А. Нейронные Сети
Заботясь о проблеме от начала до ответа на каждый мыслимый шаг, этот вид методологии используется в нейронных системах.
Б. Обогащенное Обучение
Забота о проблеме от начала до ответа для каждой неправильной предварительной структуры отвергается, и для каждого правильного продвижения структура компенсируется эта методология называется укрепленным обучением.
С. Регулируемое Обучение
В тот момент, когда инженеры смогут контролировать поведение обучения ПК, это будет называться управляемое обучение. Например, пользователи могут включать или исключать слово самовнушение из лексикона экранных консолей, которые мы используем в широком диапазоне гаджета, поэтому клиенту разрешается контролировать поведение консольного приложения.
Д. Обучение Без Надзора
Crawler инструмента поиска паутины испытывает большущую информацию доступную на паутине и узнает о уместности посмотрел дознания относительно отображенной информации над паутиной.
Как это действительно очевидно, что ИИ (Искусственный интеллект) подготовка моделей требует огромного количества информации, чтобы закончить проницательный для используемых ситуаций, с которыми мы управляем каждый день в нашей жизни. Машинное обучение-это подмножество искусственного интеллекта, а глубокое обучение-подмножество машинного обучения.
Машинное обучение связано с усиленным обучением, в то время как нейронные системы ИИ связаны с глубоким обучением.
машинное обучение
Машинное обучение-это методология искусственного интеллекта, где старая информация поощряется к этим моделям из прошлых встреч. Эти встречи используются для подготовки моделей ИИ (искусственного интеллекта) для конкретного расположения предприятий, больше информации о подготовке больше точности. Лучшая часть моделей машинного обучения в искусственном интеллекте заключается в том, что эти модели на самом деле не требуют огромных объемов информации, поэтому менее запутанные проблемы могут быть поняты в ограниченной способности фокусировать время.
Проверьте: AI Consumer Insights: какие компании отслеживают?
Глубокое Обучение
Глубокое обучение не просто сосредоточено вокруг одиночного расположения вопросов, а приносит широкий смекалистый уровень и интеллект для ПК. Глубокие наклонные модели готовятся с помощью нейронных систем AI (искусственного интеллекта), где проблема решается любым способом, в котором она очень хорошо может быть освещена, поскольку ПК может сделать это быстрее, чем мы, как таковой рано или поздно ПК может нарисовать пример, где он понимает, как продолжать на последующем этапе эффективно заботиться о проблеме. Представьте себе раунд шахмат, где ПК делает показ с собой для каждого мыслимого хода от соперника на каждой прогрессии, чем в результате разрушения каждой игры ПК понимает, как контролировать соперника в ситуации, когда ПК выигрывает в обязательном порядке.
Проверьте: крестные отцы искусственного интеллекта
Глубокое обучение может быть использовано, чтобы сломать ДНК человека, чтобы знать примеры, которые приводят нас к смертельным инфекциям, так что он может иметь смысл, что должно быть сделано, чтобы сохранить стратегическое расстояние от ситуаций, когда мы получаем смертельные заболевания.
Почему мы не смогли достичь прорывов в ИИ раньше?
Представьте себе супер автомобиль, который использует высокооктановое топливо, автомобиль не может дать свою самую экстремальную выставку без огромного количества поразительного топлива. Например, в 1950 году у нас не было ни суперкара, ни компьютерной разведки, готовящей модели, ни информации для достижения точности при тщательной подготовке. В 2000 - х годах у нас был суперкар, но топливо, например, информация не была ни поразительной, ни в изобилии. Таким образом, тесты, проведенные в это время, не могли привлечь внимания, поскольку результаты требовали точности. В настоящее время быстрые информационные ассоциации, огромные куски информации, накопленные веб-приложениями, независимыми приложениями, универсальными приложениями и усовершенствованными быстрыми ПК, совместно сделали это возможным.