Nguồn: Edureka

    AI, Machine Learning và Deep Learning, những thuật ngữ này đã khiến rất nhiều người bối rối. Nếu bạn cũng là một trong số đó thì blog này - AI vs Machine Learning vs Deep Learning chắc chắn là dành cho bạn.

1. AI vs Machine Learning vs Deep Learning

    Artificial Intelligence (AI) là chiếc ô rộng hơn mà theo đó Machine Learning (ML) và Deep Learning (DL) ra đời. Và bạn cũng có thể thấy trong sơ đồ rằng ngay cả DL cũng là một tập hợp con của Học máy. Vì vậy, cả ba trong số chúng AI, học máy và học sâu chỉ là tập hợp con của nhau.

2. Overview Artificial Intelligence

    Thuật ngữ Artificial Intelligence lần đầu tiên được đặt ra vào năm 1956, nhưng vì sao AI ngày nay đã trở nên phổ biến hơn? Đó là do sự gia tăng đáng kể về khối lượng dữ liệu, các thuật toán nâng cao và những cải tiến về khả năng tính toán và lưu trữ.

    Dữ liệu chúng tôi có không đủ để dự đoán kết quả chính xác. Nhưng bây giờ có sự gia tăng đáng kể về lượng dữ liệu. Các số liệu thống kê cho thấy đến năm 2020, khối lượng dữ liệu lớn tích lũy sẽ tăng từ 4,4 zettabyte lên khoảng 44 zettabyte hoặc 44 trillion (nghìn tỷ) GB dữ liệu.

    Giờ đây, chúng tôi thậm chí còn có nhiều thuật toán tiên tiến hơn, khả năng tính toán và lưu trữ cao cấp có thể xử lý lượng lớn dữ liệu như vậy. Do đó, dự kiến ​​sẽ có 70% doanh nghiệp triển khai AI trong vòng 12 tháng tới, tăng so với mức 40% của năm 2016 và 51% của năm 2017.

3. Artificial Intelligence?

    "Trí tuệ nhân tạo là một kỹ thuật cho phép máy móc hoạt động giống như con người bằng cách tái tạo hành vi và bản chất của chúng."

    Trí tuệ nhân tạo giúp máy móc có thể học hỏi kinh nghiệm của chúng. Máy điều chỉnh phản ứng của chúng dựa trên các đầu vào mới, do đó thực hiện các tác vụ giống như con người bằng cách xử lý một lượng lớn dữ liệu và nhận dạng các mẫu trong đó.

    AI được giải thích bằng phép tương tự: Xây dựng nhà thờ

    Bạn có thể coi việc xây dựng một trí tuệ nhân tạo giống như việc xây dựng một nhà thờ. Nhà thờ đầu tiên mất nhiều thế hệ để hoàn thành, vì vậy hầu hết các công nhân làm việc trên nó không bao giờ nhìn thấy kết quả cuối cùng. Những người làm việc trên nó tự hào về nghề thủ công của họ, xây gạch và đục đá để được đặt vào Cấu trúc Vĩ đại. Vì vậy, là những nhà nghiên cứu AI, chúng ta nên nghĩ mình là những nhà sản xuất gạch khiêm tốn, có nhiệm vụ nghiên cứu cách xây dựng các thành phần (ví dụ: trình phân tích cú pháp, trình lập kế hoạch, học thuật toán, v.v.) mà một ngày nào đó, ở đâu đó, sẽ tích hợp vào hệ thống thông minh.

    Một số ví dụ về Trí tuệ nhân tạo trong cuộc sống hàng ngày của chúng ta là Siri của Apple, máy tính chơi cờ vua, ô tô tự lái của tesla và nhiều thứ khác. Những ví dụ này dựa trên học sâu và xử lý ngôn ngữ tự nhiên.

    Vâng , đây là về những gì là AI và làm thế nào nó đã đạt được cường điệu của nó. Vì vậy, hãy tiếp tục thảo luận về học máy và xem nó là gì và tại sao nó lại được giới thiệu .

4. Machine Learning?

    Machine Learning ra đời vào cuối những năm 80 và đầu những năm 90. Nhưng những vấn đề xảy ra với con người khiến Máy học ra đời là gì?

    Thống kê (Statistics): Làm thế nào để đào tạo hiệu quả các mô hình phức tạp lớn?

    Khoa học máy tính & Trí tuệ nhân tạo (Computer Science & Artificial Intelligence): Làm thế nào để đào tạo các phiên bản mạnh mẽ hơn của hệ thống AI?

    Khoa học thần kinh (Neuroscience): Làm thế nào để thiết kế các mô hình hoạt động của não?

    Vậy Machine Learning là gì?

    “Học máy là một tập hợp con của trí tuệ nhân tạo. Nó cho phép máy học và đưa ra dự đoán dựa trên kinh nghiệm của nó (dữ liệu) "

    Hiểu về Học máy với một ví dụ

    Giả sử bạn muốn tạo một hệ thống có thể dự đoán cân nặng mong đợi của một người dựa trên chiều cao của nó. Điều đầu tiên bạn làm là thu thập dữ liệu. Hãy để chúng tôi nói rằng đây là cách dữ liệu của bạn trông như thế này:

    Mỗi điểm trên biểu đồ đại diện cho một điểm dữ liệu. Để bắt đầu, chúng ta có thể vẽ một đường đơn giản để dự đoán cân nặng dựa trên chiều cao. Ví dụ, một dòng đơn giản:

    W = H - 100

    Trong đó W là trọng lượng tính bằng kg và H là chiều cao tính bằng cm

    Dòng này có thể giúp chúng tôi đưa ra dự đoán. Mục tiêu chính của chúng tôi là giảm chênh lệch giữa giá trị ước tính và giá trị thực tế. Vì vậy, để đạt được nó, chúng tôi cố gắng vẽ một đường thẳng phù hợp với tất cả các điểm khác nhau này và giảm thiểu sai số và làm cho chúng càng nhỏ càng tốt. Giảm sai số hoặc chênh lệch giữa giá trị thực tế và giá trị ước tính sẽ làm tăng hiệu suất.

    Hơn nữa, chúng tôi thu thập càng nhiều điểm dữ liệu, mô hình của chúng tôi sẽ càng trở nên tốt hơn. Chúng tôi cũng có thể cải thiện mô hình của mình bằng cách thêm nhiều biến hơn (ví dụ: Giới tính) và tạo các dòng dự đoán khác nhau cho chúng. Sau khi đường được tạo, vì vậy trong tương lai, nếu một dữ liệu mới (ví dụ: chiều cao của một người) được cung cấp cho mô hình, nó sẽ dễ dàng dự đoán dữ liệu cho bạn và sẽ cho biết cân nặng dự đoán của anh ta.

    Tôi hy vọng bạn đã hiểu rõ về học máy. Vì vậy, hãy tiếp tục tìm hiểu về Học sâu.

1. Deep learning?

    "Học sâu là một loại học máy cụ thể đạt được sức mạnh và tính linh hoạt tuyệt vời bằng cách học cách đại diện cho thế giới dưới dạng phân cấp lồng ghép của các khái niệm hoặc sự trừu tượng”

    Bạn có thể coi mô hình học sâu như một động cơ tên lửa và nhiên liệu của nó là lượng dữ liệu khổng lồ mà chúng tôi cung cấp cho các thuật toán này.

    Khái niệm học sâu không phải là mới. Nhưng gần đây sự cường điệu của nó đã tăng lên và học sâu đang được chú ý nhiều hơn. Lĩnh vực này là một loại máy học đặc biệt được lấy cảm hứng từ chức năng của các tế bào não của chúng ta được gọi là mạng thần kinh nhân tạo. Nó chỉ đơn giản là lấy các kết nối dữ liệu giữa tất cả các nơron nhân tạo và điều chỉnh chúng theo mẫu dữ liệu. Cần có nhiều nơ-ron hơn nếu kích thước của dữ liệu lớn. Nó tự động có tính năng học ở nhiều cấp độ trừu tượng, do đó cho phép hệ thống học ánh xạ các hàm phức tạp mà không phụ thuộc vào bất kỳ thuật toán cụ thể nào.

    Hiểu về Học sâu với phép tương tự

    Hãy để tôi bắt đầu với một ví dụ đơn giản giải thích cách mọi thứ hoạt động ở cấp độ khái niệm.

    Ví dụ 1:

    Hãy để chúng tôi thử và hiểu cách bạn nhận ra một hình vuông từ các hình dạng khác.

    Việc đầu tiên là kiểm tra xem có 4 dòng liên kết với một hình hay không (khái niệm đơn giản phải không!). Nếu có, chúng tôi kiểm tra thêm, nếu chúng được kết nối và đóng, một lần nữa nếu có, cuối cùng chúng tôi kiểm tra xem nó có vuông góc và tất cả các cạnh của nó bằng nhau hay không ( Đúng!). Chà, đây chẳng qua là một khái niệm phân cấp lồng vào nhau.

    Những gì chúng tôi đã làm, chúng tôi thực hiện một nhiệm vụ phức tạp là xác định một hình vuông trong trường hợp này và chia nó thành các nhiệm vụ đơn giản hơn. Giờ đây, Deep Learning này cũng làm được điều này nhưng ở quy mô lớn hơn.

    Ví dụ 2:

    Hãy lấy một ví dụ về một máy nhận dạng động vật. Nhiệm vụ của máy là nhận biết hình ảnh cho trước là của mèo hay là chó.

    Điều gì sẽ xảy ra nếu chúng tôi được yêu cầu giải quyết vấn đề tương tự bằng cách sử dụng các khái niệm về học máy, chúng tôi sẽ làm gì? Đầu tiên, chúng tôi sẽ xác định các đặc điểm như kiểm tra xem con vật có râu hay không, hoặc kiểm tra xem con vật có tai nhọn hay không hoặc đuôi của nó thẳng hay cong.

    Tóm lại, chúng tôi sẽ xác định các đặc điểm trên khuôn mặt và để hệ thống xác định các đặc điểm nào quan trọng hơn trong việc phân loại một loài động vật cụ thể.

    Bây giờ khi nói đến học sâu. Nó cần phải đi trước một bước. Học sâu tự động tìm ra các tính năng quan trọng để phân loại, so sánh với Học máy nơi chúng tôi phải cung cấp các tính năng theo cách thủ công.