Học máy và Học sâu trong trí tuệ nhân tạo là gì

Các thiết bị kết nối Internet được gọi là thiết bị thông minh. Khá nhiều thứ liên quan đến Internet được biết đến như một thiết bị thông minh(smart device) . Trong bối cảnh này, mã làm cho các thiết bị THÔNG MINH hơn -(SMARTER – ) để nó có thể hoạt động với mức tối thiểu hoặc không có bất kỳ sự can thiệp nào của con người - có thể nói là dựa trên Trí tuệ nhân tạo(Artificial Intelligence) (AI). Hai thuật toán còn lại, cụ thể là: Học máy(Machine Learning) (ML) và Học sâu(Deep Learning) (DL), là các loại thuật toán khác nhau được xây dựng để mang lại nhiều khả năng hơn cho các thiết bị thông minh. Hãy cùng xem AI vs ML vs DL chi tiết dưới đây để hiểu chúng làm gì và kết nối với AI như thế nào.

Trí tuệ nhân tạo liên quan đến ML & DL là gì

Học máy và Học sâu trong trí tuệ nhân tạo

AI có thể được gọi là một tập hợp các quy trình Máy học(Machine Learning) (ML) và các quy trình Học sâu(Deep Learning) (DL). AI thường là một thuật ngữ chung được sử dụng cho ML và DL. Deep Learning lại là một tập hợp con của Học máy(Machine Learning) (xem hình trên).

Một số người cho rằng Học máy(Machine Learning) không còn là một phần của trí tuệ nhân tạo toàn cầu. Họ nói ML là một ngành khoa học hoàn chỉnh theo đúng nghĩa của nó và do đó, không cần thiết phải gọi nó với tên gọi Trí tuệ nhân tạo(Artificial Intelligence) . AI phát triển mạnh trên dữ liệu: Dữ liệu lớn(Big Data) . Nó tiêu thụ càng nhiều dữ liệu thì nó càng chính xác. Nó không phải là nó sẽ luôn luôn dự đoán chính xác. Sẽ có cả cờ giả. AI tự đào tạo những sai lầm này và trở nên tốt hơn những gì nó được cho là phải làm - có hoặc không có sự giám sát của con người.

Trí tuệ nhân tạo không thể được định nghĩa một cách chính xác vì nó đã thâm nhập vào hầu hết các ngành công nghiệp và ảnh hưởng đến quá nhiều loại quy trình và thuật toán (kinh doanh). Chúng ta có thể nói rằng Trí tuệ nhân tạo dựa(Intelligence) trên Khoa học dữ liệu(Data Science) (DS: Big Data ) và chứa Máy học(Machine Learning) như một phần riêng biệt của nó. Tương tự như vậy(Likewise) , Học sâu(Deep Learning) là một phần khác biệt của Học máy(Machine Learning) .

Cách thị trường CNTT đang nghiêng, tương lai sẽ bị thống trị bởi các thiết bị thông minh được kết nối, được gọi là Internet of Things (IoT) . Thiết bị thông minh(Smart) có nghĩa là trí tuệ nhân tạo: trực tiếp hoặc gián tiếp. Bạn đang sử dụng trí thông minh nhân tạo (AI) trong nhiều nhiệm vụ trong cuộc sống hàng ngày của mình. Ví dụ: gõ trên bàn phím điện thoại thông minh tiếp tục tốt hơn với "gợi ý từ". Trong số các ví dụ khác mà bạn vô tình đang xử lý Trí tuệ nhân tạo(Artificial Intelligence) là tìm kiếm mọi thứ trên Internet , mua sắm trực tuyến và tất nhiên, hộp thư đến email GmailOutlook luôn thông minh .

Học máy là gì

Học(Learning) máy là một lĩnh vực Trí tuệ nhân tạo(Artificial Intelligence) với mục đích là làm cho một cỗ máy (hoặc máy tính hoặc một phần mềm) tự học và đào tạo mà không cần lập trình nhiều. Các thiết bị như vậy cần ít lập trình hơn vì chúng áp dụng các phương pháp của con người để hoàn thành nhiệm vụ, bao gồm cả việc học cách hoạt động tốt hơn. Về cơ bản(Basically) , ML có nghĩa là lập trình máy tính / thiết bị / phần mềm một chút và cho phép nó tự học.

Có một số phương pháp để tạo điều kiện cho Học máy(Machine Learning) . Trong số đó, ba cách sau được sử dụng rộng rãi:

  1. Được giám sát,
  2. Không được giám sát và
  3. Học tăng cường.

Học có giám sát trong Học máy(Machine Learning)

Được giám sát theo nghĩa là người lập trình trước tiên cung cấp cho máy dữ liệu được gắn nhãn và các câu trả lời đã được xử lý. Ở đây, nhãn có nghĩa là tên hàng hoặc cột trong cơ sở dữ liệu hoặc bảng tính. Sau khi cung cấp những bộ dữ liệu khổng lồ như vậy vào máy tính, nó sẵn sàng phân tích các bộ dữ liệu khác và tự đưa ra kết quả. Điều đó có nghĩa là bạn đã dạy máy tính cách phân tích dữ liệu được cung cấp cho nó.

Thông thường, nó được xác nhận bằng cách sử dụng quy tắc 80/20. Tập hợp dữ liệu khổng lồ(Huge) được cung cấp cho một máy tính để thử và học logic đằng sau các câu trả lời. 80 phần trăm dữ liệu từ một sự kiện được đưa vào máy tính cùng với các câu trả lời. 20 phần trăm còn lại được cho ăn mà không có câu trả lời để xem liệu máy tính có thể đưa ra kết quả thích hợp hay không. 20 phần trăm này được sử dụng để kiểm tra chéo để xem máy tính (máy) đang học như thế nào.

Học máy không giám sát

Học không được giám sát xảy ra khi máy được cung cấp các tập dữ liệu ngẫu nhiên không được gắn nhãn và không theo thứ tự. Máy phải tìm ra cách tạo ra kết quả. Ví dụ: nếu bạn cung cấp cho nó những quả bóng mềm có nhiều màu sắc khác nhau, nó sẽ có thể phân loại theo màu sắc. Do đó, trong tương lai, khi máy được giới thiệu một quả bóng mềm mới, nó có thể xác định quả bóng với các nhãn hiện có trong cơ sở dữ liệu của nó. Không có dữ liệu đào tạo trong phương pháp này. Máy phải tự học.

Học tăng cường

Máy có thể đưa ra một chuỗi các quyết định thuộc loại này. Sau đó, có một hệ thống phần thưởng. Nếu máy làm tốt bất cứ điều gì mà lập trình viên muốn, nó sẽ nhận được phần thưởng. Máy được lập trình theo cách mà nó khao khát phần thưởng tối đa. Và để có được nó, nó giải quyết các vấn đề bằng cách đưa ra các thuật toán khác nhau trong các trường hợp khác nhau. Điều đó có nghĩa là máy tính AI sử dụng các phương pháp thử và sai để đưa ra kết quả.

Ví dụ, nếu máy là một phương tiện tự lái, nó phải tự tạo ra các tình huống trên đường. Không có cách nào mà một lập trình viên có thể lập trình từng bước vì họ không thể nghĩ ra tất cả các khả năng khi máy chạy trên đường. Đó chính là lúc Reinforcement Learning ra đời. Bạn cũng có thể gọi nó là AI thử và sai.

Học sâu khác với Học máy như thế nào(Machine Learning)

Học sâu(Deep Learning) dành cho các nhiệm vụ phức tạp hơn. Học sâu(Deep Learning) là một tập hợp con của Học máy(Machine Learning) . Chỉ có điều nó chứa nhiều mạng nơ-ron hơn giúp máy học. Mạng nơ-ron nhân tạo không phải là mới . (Manmade)Các phòng thí nghiệm(Labs) trên khắp thế giới đang cố gắng xây dựng và cải thiện mạng nơ-ron để máy móc có thể đưa ra quyết định sáng suốt. Bạn chắc hẳn đã nghe nói về Sophia , một hình người ở Ả Rập Xê Út(Saudi) được cấp quyền công dân thường xuyên. Mạng lưới thần kinh giống như bộ não của con người nhưng không phức tạp như bộ não.

Có một số mạng tốt cung cấp cho học sâu không giám sát. Bạn có thể nói rằng Deep Learning là nhiều mạng lưới thần kinh mô phỏng bộ não con người hơn. Tuy nhiên, với đủ dữ liệu mẫu, các thuật toán Học sâu(Deep Learning) có thể được sử dụng để thu thập thông tin chi tiết từ dữ liệu mẫu. Ví dụ, với máy DL xử lý hình ảnh, việc tạo khuôn mặt người với cảm xúc thay đổi theo câu hỏi của máy sẽ dễ dàng hơn.

Ở trên giải thích AI vs MI vs DL bằng ngôn ngữ dễ hiểu hơn. AI và ML là những lĩnh vực rộng lớn - đang mở ra và có tiềm năng to lớn. Đây là lý do khiến một số người chống lại việc sử dụng Học máy(Machine Learning) và Học sâu(Deep Learning) trong Trí tuệ nhân tạo(Artificial Intelligence) .



About the author

Tôi có kiến ​​thức nền tảng về kỹ thuật máy tính và công nghệ thông tin, điều này đã cho tôi một góc nhìn độc đáo về nền tảng Windows 10 và 11. Đặc biệt, tôi được trải nghiệm với cả "Trải nghiệm máy tính để bàn" của Windows 10 và trình duyệt Microsoft Edge. Kinh nghiệm của tôi với hai nền tảng này giúp tôi hiểu sâu sắc về cách chúng hoạt động và kiến ​​thức chuyên môn của tôi trong các lĩnh vực này cho phép tôi đưa ra lời khuyên đáng tin cậy về cách cải thiện chúng.



Related posts