Fahami dalam satu artikel: kaitan dan perbezaan antara AI, pembelajaran mesin dan pembelajaran mendalam

Dalam gelombang perubahan teknologi yang pesat hari ini, Kecerdasan Buatan (AI), Pembelajaran Mesin (ML) dan Pembelajaran Dalam (DL) adalah seperti bintang terang, menerajui gelombang baharu teknologi maklumat. Ketiga-tiga perkataan ini sering muncul dalam pelbagai perbincangan dan aplikasi praktikal yang canggih, tetapi bagi kebanyakan peneroka yang baru dalam bidang ini, makna khusus dan hubungan dalaman mereka mungkin masih diselubungi misteri.

Kalau begitu mari kita lihat gambar ini dahulu.

Dapat dilihat bahawa terdapat korelasi rapat dan hubungan progresif antara pembelajaran mendalam, pembelajaran mesin dan kecerdasan buatan. Pembelajaran mendalam ialah bidang khusus pembelajaran mesin, yang merupakan komponen penting kecerdasan buatan. Hubungan dan promosi bersama antara bidang ini membolehkan pembangunan berterusan dan peningkatan teknologi kecerdasan buatan.

Apakah kecerdasan buatan?

Kecerdasan Buatan (AI) ialah konsep luas yang matlamat utamanya adalah untuk membangunkan sistem pengkomputeran yang boleh mensimulasikan, memanjangkan atau bahkan mengatasi kecerdasan manusia. Ia mempunyai aplikasi khusus dalam banyak bidang, seperti:

• Pengecaman Imej (Pengecaman Imej) ialah cabang penting AI, khusus untuk mengkaji cara membolehkan komputer memperoleh data melalui penderia visual, dan menganalisis berdasarkan data ini untuk mengenal pasti imej dalam imej. Objek, adegan, tingkah laku dan maklumat lain mensimulasikan proses pengecaman dan pemahaman isyarat visual oleh mata dan otak manusia.
• Pemprosesan Bahasa Asli (NLP) ialah keupayaan komputer untuk memahami dan menjana bahasa semula jadi manusia Ia merangkumi pelbagai tugas seperti klasifikasi teks, analisis semantik, terjemahan mesin, dll., dan berusaha untuk mensimulasikan kemahiran manusia dalam mendengar, bertutur, membaca dan menulis, dsb. tingkah laku pintar.
• Penglihatan Komputer (CV) merangkumi pengecaman imej dalam erti kata yang lebih luas Ia juga melibatkan banyak aspek seperti analisis imej, analisis video, dan pembinaan semula tiga dimensi Ia bertujuan untuk membolehkan komputer "melihat" dan mengenali imej daripada dua dimensi atau imej tiga dimensi Memahami dunia adalah tiruan mendalam terhadap sistem visual manusia.
• Graf Pengetahuan (KG) ialah model data berstruktur yang digunakan untuk menyimpan dan mewakili entiti dan hubungan kompleksnya antara satu sama lain Ia mensimulasikan keupayaan manusia untuk mengumpul dan menggunakan pengetahuan dalam proses kognitif, dan proses penaakulan dan pembelajaran pada pengetahuan sedia ada.

Teknologi canggih ini dikaji dan digunakan di sekitar konsep teras "mensimulasikan kecerdasan manusia". Mereka memberi tumpuan kepada pembangunan dimensi persepsi yang berbeza (seperti penglihatan, pendengaran, logik pemikiran, dll.), dan bersama-sama mempromosikan pembangunan berterusan dan kemajuan teknologi kecerdasan buatan.

Apakah pembelajaran mesin?

Pembelajaran Mesin (ML) ialah cabang penting dalam bidang kecerdasan buatan (AI). Ia menggunakan pelbagai algoritma untuk membolehkan sistem komputer mempelajari peraturan dan corak secara automatik daripada data untuk membuat ramalan dan keputusan, dengan itu meningkatkan dan mengembangkan keupayaan kecerdasan manusia.

Sebagai contoh, semasa melatih model pengecaman kucing, proses pembelajaran mesin adalah seperti berikut:

• Prapemprosesan data: Pertama, praproses sejumlah besar imej kucing dan bukan kucing yang dikumpul, termasuk penskalaan, skala kelabu, Normalisasi dan operasi lain dilakukan, dan imej ditukar kepada perwakilan vektor ciri Ciri ini mungkin datang daripada teknik pengekstrakan ciri yang direka secara manual, seperti ciri seperti Haar, corak binari tempatan (LBP) atau deskriptor ciri lain yang biasa digunakan dalam bidang penglihatan komputer. .
• Pemilihan ciri dan pengurangan dimensi: Pilih ciri utama mengikut ciri masalah, alih keluar maklumat yang berlebihan dan tidak berkaitan, dan kadangkala gunakan kaedah pengurangan dimensi PCA, LDA dan lain-lain untuk mengurangkan lagi dimensi ciri dan meningkatkan kecekapan algoritma.
• Latihan model: Kemudian gunakan set data berlabel pra-diproses untuk melatih model pembelajaran mesin yang dipilih, dan mengoptimumkan prestasi model dengan melaraskan parameter model supaya model boleh membezakan kucing daripada bukan kucing berdasarkan ciri-ciri.
• Penilaian dan pengesahan model: Selepas latihan selesai, model dinilai menggunakan set ujian bebas untuk memastikan model mempunyai keupayaan generalisasi yang baik dan boleh digunakan dengan tepat pada sampel baru yang tidak kelihatan.

10 algoritma pembelajaran mesin teratas yang biasa digunakan ialah: pokok keputusan, hutan rawak, regresi logistik, SVM, Naive Bayes, K algoritma jiran terdekat, algoritma K-means, algoritma Adaboost, rangkaian saraf, Markov, dsb.

Apakah pembelajaran mendalam?

Pembelajaran Dalam (DL) ialah satu bentuk pembelajaran mesin khas Ia mensimulasikan cara otak manusia memproses maklumat melalui struktur rangkaian saraf yang mendalam, dengan itu secara automatik mengekstrak perwakilan ciri yang kompleks daripada data.

Sebagai contoh, apabila melatih model pengecaman kucing, proses pembelajaran mendalam adalah seperti berikut:

(1) Prapemprosesan dan penyediaan data:

• Kumpulkan sejumlah besar set data yang mengandungi imej kucing dan bukan kucing, dan lakukan Bersihkan dan labelkan, pastikan setiap gambar mempunyai label yang sepadan (seperti "kucing" atau "bukan kucing").
• Prapemprosesan imej: Laraskan semua imej kepada saiz seragam, lakukan pemprosesan normalisasi, peningkatan data dan operasi lain.

(2) Reka bentuk dan pembinaan model:

• Pilih seni bina pembelajaran mendalam Untuk tugasan pengecaman imej, Convolutional Neural Network (CNN) biasanya digunakan. CNN boleh mengekstrak ciri tempatan imej secara berkesan dan mengabstrakkannya melalui struktur berbilang lapisan.
• Bina lapisan model, termasuk lapisan konvolusi (untuk pengekstrakan ciri), lapisan pengumpulan (untuk mengurangkan pengiraan dan mengelakkan pemasangan berlebihan), lapisan bersambung sepenuhnya (untuk menyepadukan dan mengelaskan ciri), dan lapisan normalisasi kelompok yang mungkin, Fungsi pengaktifan (seperti ReLU, sigmoid, dll.).

(3) Parameter permulaan dan menetapkan hiperparameter:

• Mulakan pemberat dan bias setiap lapisan dalam model, dan anda boleh menggunakan pemulaan rawak atau strategi pemulaan tertentu.
• Tetapkan hiperparameter seperti kadar pembelajaran, pengoptimum (seperti SGD, Adam, dll.), saiz kelompok, tempoh latihan (zaman), dsb.

(4) Rambatan ke hadapan:

• Masukkan imej pra-diproses ke dalam model, dan melalui konvolusi, pengumpulan, transformasi linear dan operasi lain bagi setiap lapisan, taburan kebarangkalian yang diramalkan bagi lapisan keluaran akhirnya diperolehi, bahawa ialah, model Tentukan kebarangkalian bahawa imej input ialah kucing.

(5) Fungsi kehilangan dan perambatan belakang:

• Gunakan fungsi kehilangan entropi silang atau fungsi kehilangan lain yang sesuai untuk mengukur perbezaan antara keputusan ramalan model dan label sebenar.
• Selepas mengira kerugian, laksanakan algoritma perambatan belakang untuk mengira kecerunan kerugian berkenaan dengan parameter model untuk mengemas kini parameter.

(6) Pengoptimuman dan kemas kini parameter:

• Gunakan turunan kecerunan atau algoritma pengoptimuman lain untuk melaraskan parameter model berdasarkan maklumat kecerunan, dengan tujuan meminimumkan fungsi kehilangan.
• Semasa setiap lelaran latihan, model akan terus belajar dan melaraskan parameter, secara beransur-ansur meningkatkan keupayaannya untuk mengecam imej kucing.

(7) Pengesahan dan penilaian:

• Secara kerap menilai prestasi model pada set pengesahan, pantau perubahan dalam ketepatan, ketepatan, penarikan semula dan penunjuk lain untuk membimbing pelarasan hiperparameter dan pembelajaran awal semasa latihan model.

(8) Penyiapan latihan dan ujian:

• Apabila prestasi model pada set pengesahan menjadi stabil atau mencapai keadaan berhenti pratetap, hentikan latihan.
• Akhir sekali, nilaikan keupayaan generalisasi model pada set ujian bebas untuk memastikan model boleh mengenal pasti kucing dengan berkesan pada sampel baharu yang tidak kelihatan.

Perbezaan antara pembelajaran mendalam dan pembelajaran mesin

Perbezaan antara pembelajaran mendalam dan pembelajaran mesin ialah:

1 Kaedah menyelesaikan masalah

Algoritma pembelajaran mesin biasanya bergantung pada kejuruteraan ciri rekaan manusia, iaitu pra. -pengekstrakan berdasarkan pengetahuan latar belakang masalah Ciri utama, dan kemudian bina model berdasarkan ciri ini dan lakukan penyelesaian pengoptimuman.

Pembelajaran mendalam menggunakan kaedah pembelajaran hujung ke hujung, menjana ciri abstrak peringkat tinggi secara automatik melalui transformasi bukan linear berbilang lapisan, dan ciri ini dioptimumkan secara berterusan semasa keseluruhan proses latihan. Tidak perlu memilih dan secara manual membina ciri, yang lebih dekat dengan manusia Gaya pemprosesan kognitif otak.

Sebagai contoh, jika anda ingin menulis perisian untuk mengenali kereta, jika anda menggunakan pembelajaran mesin, anda perlu mengekstrak ciri-ciri kereta secara manual, seperti saiz dan bentuk dan jika anda menggunakan pembelajaran mendalam, maka kecerdasan buatan neural Rangkaian mengekstrak ciri ini sendiri, tetapi memerlukan sejumlah besar imej yang dilabel sebagai kereta untuk dipelajari.

2. Senario aplikasi

Aplikasi pembelajaran mesin dalam bidang pengecaman cap jari, pengesanan objek ciri dan bidang lain pada asasnya telah memenuhi keperluan pengkomersialan.

Pembelajaran mendalam digunakan terutamanya dalam pengecaman teks, teknologi muka, analisis semantik, pemantauan pintar dan bidang lain. Pada masa ini, ia juga digunakan dengan pantas dalam perkakasan pintar, pendidikan, perubatan dan industri lain.

3. Jumlah data yang diperlukan

Algoritma pembelajaran mesin juga boleh menunjukkan prestasi yang baik dalam kes sampel kecil Untuk beberapa tugasan mudah atau masalah di mana ciri mudah diekstrak, kurang data boleh mencapai hasil yang memuaskan.

Pembelajaran mendalam biasanya memerlukan sejumlah besar data beranotasi untuk melatih rangkaian saraf dalam. Kelebihannya ialah ia boleh mempelajari secara langsung corak dan perwakilan yang kompleks daripada data asal, terutamanya apabila saiz data meningkat, peningkatan prestasi model pembelajaran mendalam adalah lebih ketara.

4. Masa pelaksanaan

Semasa fasa latihan, disebabkan lebih banyak lapisan model pembelajaran mendalam dan bilangan parameter yang banyak, proses latihan selalunya memakan masa dan memerlukan sokongan sumber pengkomputeran berprestasi tinggi, seperti Kelompok GPU.

Sebagai perbandingan, algoritma pembelajaran mesin (terutamanya model ringan tersebut) biasanya mempunyai masa latihan yang lebih kecil dan keperluan sumber pengkomputeran, dan lebih sesuai untuk lelaran pantas dan pengesahan percubaan.