Несмотря на то, что ИИ можно достичь разными способами, почему машинное обучение имеет большее преимущество перед другими? (Обязательно к прочтению для начинающих) Почему это называется машинным обучением?
Я не верю в слепое изучение вещей, поэтому мы начнем с того, почему все используют машинное обучение в ИИ для лучшего понимания.
Теперь предположим, что мы можем закодировать все свойства для идентификации фруктов, где каждая функция содержит свойства, перечисленные как в традиционном программировании.
Продолжайте, перечислите свойства. Вот некоторые из обычно перечисленных свойств:
- Цвет: «Красный» - «Оранжевый ”
- Форма: «Не полностью круг» - «круг ”
- «Стебель присутствует» - «Стебель отсутствует»
и многое другое, верно ?? (если у вас есть другие свойства, перечислите их сейчас в уме или на бумаге)
Теперь подумайте, если изображение ниже, что, если изображение черно-белое ??? (первое указанное свойство сейчас бесполезно)
Рассмотрим теперь только яблоко.
Легко узнаваемое право ??? ЯБЛОКО 100%
Не так быстро…
Значит, все перечисленные вами свойства в настоящее время действительны ???
Таким образом, невозможно или, другими словами, непрактично перечислять все свойства во всех возможных измерениях каждого и всего, что необходимо идентифицировать.
Некоторые люди могут задавать такие вопросы, как будто они слишком похожи на классификацию, что дает нам гораздо более простую задачу классификации ...
Хорошо, посмотри…
Довольно легко классифицировать, правда ???
Все ли мы согласны с тем, что существует потребность в гораздо более эффективных методах, чем традиционные списки свойств в функциях. Итак, теперь возникает необходимость в другом методе кодирования, и нам на помощь приходит машинное обучение.
Поскольку мы все согласны с необходимостью машинного обучения, давайте начнем с машинного обучения.
Что такое ML?
Хотя это расплывчатая версия того, что такое машинное обучение, черный ящик можно рассматривать как наш мозг, в который нам нужно вводить данные (изображения) апельсина, яблока, кошки. , собака, швабра и т. д., а также расскажите о выходе этих изображений и обучите его.
Точно так же, как ребенок учится, видя картинки, на которых мы учим ребенка, что такое объект, вместо того, чтобы сразу сообщать свойства. Когда дается совершенно другое изображение, которого не было в обучающих входных данных, он все равно должен идентифицировать его соответствующим образом.
В случае «Собака против швабры» при идентификации учитывается по 10 000 изображений каждого, предоставленных ему и показанных как собака и швабра соответственно. Теперь после обучения, если выдается новое изображение, которого полностью нет в 10 000 обучающих изображений, он все равно должен правильно его идентифицировать.
Здесь ответ (вывод) показан для каждого изображения (ввода), но когда дается новое изображение, оно все равно должно правильно идентифицировать его как человека.
Дети также после многократного просмотра изображений собак, когда они видят новое порода собаки до сих пор идентифицирует ее как собаку, в этом вся концепция.
Как видно выше, свойство идентифицировать каждое изображение выполняется самим алгоритмом, а не его программированием вручную. «Машина учится сама» здесь, где мы просто предоставляем данные для обучения.
Так вы еще не заинтересованы в машинном обучении ?? понял, почему это называется машинным обучением ??
Здесь мы могли видеть, что эта модель потерпела неудачу в двух случаях из 8, но позвольте нам немного расслабиться, нам даже трудно их определить, поэтому она неплохо справилась с выявлением, не так ли?
Кредиты: Google Keynote для AI.
Далее у меня будет Пример реализации машинного обучения за 5 минут. Не забудьте подписаться на меня в medium, linkedin, twitter, Instagram. , чтобы получать больше обновлений.
Присоединяйтесь к нашему сообществу WhatsApp здесь.
