理解人工智慧

人工智慧包括機器和特殊計算機系統模擬人類智慧的過程。人工智慧的例子包括學習、推理和自我糾正。人工智慧的應用包括語音識別、專家系統以及影像識別和機器視覺。

機器學習是人工智慧的一個分支，它處理可以學習任何新資料和資料模式的系統和演算法。

讓我們關注下面提到的維恩圖，以理解機器學習和深度學習的概念。

機器學習包含一部分機器學習，深度學習是機器學習的一部分。遵循機器學習概念的程式能夠提高其對觀察資料的效能。資料轉換的主要動機是提高其知識，以便在未來獲得更好的結果，為特定系統提供更接近預期輸出的輸出。機器學習包括“模式識別”，其中包括識別資料中模式的能力。

應訓練這些模式以以理想的方式顯示輸出。

機器學習可以透過兩種不同的方式進行訓練：

• 監督式訓練
• 無監督式訓練

監督學習

監督學習或監督式訓練包括一個過程，其中訓練集作為輸入提供給系統，其中每個示例都用期望的輸出值標記。此型別的訓練是使用最小化特定損失函式來執行的，該函式表示相對於期望輸出系統的輸出誤差。

訓練完成後，根據與訓練集不相交的示例（也稱為驗證集）測量每個模型的準確性。

說明“監督學習”的最佳示例是提供包含其中資訊的許多照片。在這裡，使用者可以訓練模型來識別新的照片。

無監督學習

在無監督學習或無監督式訓練中，包括訓練示例，這些示例未被系統標記為屬於哪個類別。系統尋找共享共同特徵的資料，並根據內部知識特徵更改它們。這種型別的學習演算法主要用於聚類問題。

說明“無監督學習”的最佳示例是包含大量未包含資訊的圖片，使用者使用分類和聚類訓練模型。這種型別的訓練演算法在沒有提供資訊的情況下進行假設。