Уређаји повезани на Интернет^(Internet) називају се паметни уређаји. Готово све што је повезано са Интернетом^(Internet) познато је као паметни уређај^{(smart device)} . У овом контексту, може се рећи да је код који уређаје чини ПАМЕТНИЈИМ –^{(SMARTER – )} тако да могу да раде са минималном или без икакве људске интервенције – заснован на вештачкој интелигенцији^{(Artificial Intelligence)} (АИ). Друга два, наиме: машинско учење^{(Machine Learning)} (МЛ) и дубоко учење^{(Deep Learning)} (ДЛ), су различите врсте алгоритама направљених да донесу више могућности паметним уређајима. Хајде да погледамо АИ наспрам МЛ вс ДЛ^{(AI vs ML vs DL )} детаљно у наставку да бисмо разумели шта раде и како су повезани са АИ.

Шта је вештачка интелигенција у односу на МЛ & ДЛ

АИ се може назвати суперскупом процеса машинског учења^{(Machine Learning)} (МЛ) и процеса дубоког учења^{(Deep Learning)} (ДЛ). АИ је обично кровни термин који се користи за МЛ и ДЛ. Дубоко учење^{(Deep Learning)} је опет подскуп машинског учења^{(Machine Learning)} (погледајте слику изнад).

Неки тврде да машинско учење^{(Machine Learning)} више није део универзалне вештачке интелигенције. Кажу да је МЛ потпуна наука сама по себи и стога не треба да се зове у вези са вештачком интелигенцијом^{(Artificial Intelligence)} . АИ напредује на подацима: Велики подаци^{(Big Data)} . Што више података троши, то је тачније. Није да ће увек тачно предвидети. Биће и лажних застава. АИ се тренира на овим грешкама и постаје боља у ономе што треба да ради – са или без надзора људи.

Вештачка интелигенција се не може правилно дефинисати јер је продрла у скоро све индустрије и утиче на превише типова (пословних) процеса и алгоритама. Можемо рећи да је вештачка интелигенција^{(Intelligence)} заснована на науци о подацима^{(Data Science)} (ДС: Биг Дата^{(Big Data)} ) и да садржи машинско учење^{(Machine Learning)} као свој посебан део. Исто тако^(Likewise) , дубоко учење^{(Deep Learning)} је посебан део машинског учења^{(Machine Learning)} .

Како се ИТ тржиште нагиње, будућношћу би доминирали повезани паметни уређаји, названи Интернет ствари (ИоТ)^{(Internet of Things (IoT))} . Паметни^(Smart) уређаји значе вештачку интелигенцију: директно или индиректно. Већ користите вештачку интелигенцију (АИ) у многим задацима у свом свакодневном животу. На пример, куцање на тастатури паметног телефона која постаје све боље на „предлог речи“. Између осталих примера у којима несвесно имате посла са вештачком интелигенцијом^{(Artificial Intelligence)} су тражење ствари на Интернету^(Internet) , онлајн куповина и, наравно, увек паметни Гмаил^(Gmail) и Оутлоок^(Outlook) сандучићи е-поште.

Шта је машинско учење

Машинско учење^(Learning) је област вештачке интелигенције^{(Artificial Intelligence)} где је циљ да се машина (или рачунар, или софтвер) научи и обучи без много програмирања. Таквим уређајима је потребно мање програмирања јер примењују људске методе за обављање задатака, укључујући учење како да раде боље. У основи^(Basically) , МЛ значи мало програмирати рачунар/уређај/софтвер и дозволити му да учи сам.

Постоји неколико метода за олакшавање машинског учења^{(Machine Learning)} . Од њих, следећа три се широко користе:

1. под надзором,
2. Без надзора, и
3. Учење са појачањем.

Учење под надзором у машинском учењу^{(Machine Learning)}

Надгледано у смислу да програмери прво дају машини означене податке и већ обрађене одговоре. Овде ознаке означавају називе редова или колона у бази података или табели. Након што рачунару унесе огромне скупове таквих података, он је спреман да анализира даље скупове података и сам даје резултате. То значи да сте научили рачунар како да анализира податке који му се шаљу.

Обично се потврђује помоћу правила 80/20. Огромни^(Huge) скупови података се достављају рачунару који покушава и учи логику иза одговора. 80 процената података са догађаја се доставља рачунару заједно са одговорима. Преосталих 20 процената се храни без одговора да би се видело да ли рачунар може дати одговарајуће резултате. Ових 20 процената се користи за унакрсну проверу како би се видело како рачунар (машина) учи.

Машинско учење без надзора

Учење без надзора се дешава када се машина напаја насумичним скуповима података који нису означени и нису у реду. Машина мора да смисли како да произведе резултате. На пример, ако му понудите софтбаллс различитих боја, требало би да буде у стању да се категорише по бојама. Тако, у будућности, када машина буде представљена са новом софтболом, она може да идентификује лопту са већ присутним ознакама у својој бази података. У овој методи нема података о обуци. Машина мора сама да учи.

Учење са појачањем

Машине које могу донети низ одлука спадају у ову категорију. Затим постоји систем награђивања. Ако машина ради добро у ономе што програмер жели, добија награду. Машина је програмирана на начин да жуди за максималним наградама. А да би га добио, решава проблеме осмишљавањем различитих алгоритама у различитим случајевима. То значи да АИ рачунар користи методе покушаја и грешака да би дошао до резултата.

На пример, ако је машина самовозеће возило, она мора да креира сопствене сценарије на путу. Не постоји начин на који програмер може да програмира сваки корак јер он или она не могу да смисле све могућности када је машина на путу. Ту долази учење^{(Reinforcement Learning)} за појачавање. Можете га назвати и АИ покушаја и грешака.

По чему се дубоко учење разликује од машинског учења^{(Machine Learning)}

Дубоко учење^{(Deep Learning)} је за компликованије задатке. Дубоко учење^{(Deep Learning)} је подскуп машинског учења^{(Machine Learning)} . Само што садржи више неуронских мрежа које помажу машини у учењу. Неуронске^(Manmade) мреже које је направио човек нису нове. Лабораторије^(Labs) широм света покушавају да изграде и побољшају неуронске мреже како би машине могле да доносе одлуке на основу информација. Сигурно сте чули за Софију^(Sophia) , хуманоиду у Саудијској Арабији^(Saudi) која је добила редовно држављанство. Неуронске мреже су попут људског мозга, али нису тако софистициране као мозак.

Постоје неке добре мреже које омогућавају дубоко учење без надзора. Можете рећи да је дубоко учење^{(Deep Learning)} више неуронских мрежа које имитирају људски мозак. Ипак, са довољно узорака података, алгоритми дубоког учења^{(Deep Learning)} могу се користити за прикупљање детаља из података узорка. На пример, са ДЛ машином са процесором слике, лакше је креирати људска лица са емоцијама које се мењају у складу са питањима која се постављају машини.

Горе наведено објашњава АИ наспрам МИ вс ДЛ једноставнијим језиком. АИ и МЛ су огромна поља – која се тек отварају и имају огроман потенцијал. Ово је разлог зашто су неки људи против коришћења машинског учења^{(Machine Learning)} и дубоког учења^{(Deep Learning)} у вештачкој интелигенцији^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are сalled smart devices. Pretty much everythіng related to the Internet is known aѕ a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• СМС Организатор: СМС апликација коју покреће машинско учење

• Чињенице, митови, дебата о вештачкој интелигенцији

• Шта је дубоко учење и неуронска мрежа

• Најбољи бесплатни софтвер за вештачку интелигенцију за Виндовс 10

• Како инсталирати Друпал користећи ВАМП на Виндовс-у

• Зип датотека је превелика грешка при преузимању датотека са ДропБок-а

• Како затворити свој Паионеер налог?

• Најбољи ранац за лаптопове за мушкарце и жене

• Шта су велики подаци - једноставно објашњење са примером

• Како да креирате самопотписане ССЛ сертификате у оперативном систему Виндовс 11/10

• Закључани сте из подешавања Плек сервера и сервера? Ево поправке!

• Мицрософт Идентити Манагер: карактеристике, преузимање

• Партнер за поправку се није повезао са грешком рутера у ТеамВиевер-у на Виндовс 10

• Како заштитити лозинком и обезбедити пдф документе помоћу ЛибреОффице-а

• Апликација за размену порука у сесији нуди јаку сигурност; Није потребан број телефона!

• Како инсталирати Виндовс 95 на Виндовс 10

• 10 најбољих УСБ ЛЕД лампи за лаптопове

• Донесите свој сопствени уређај (БИОД) предности, најбоље праксе итд.

• Шта су „чип и ПИН“ или ЕМВ кредитне картице

• Етикета за видео конференције, савети и правила која треба да се придржавате