インターネットに接続された機器をスマートデバイスと呼びます。インターネットに関連するほぼすべてのものは、スマートデバイス。この文脈では、デバイスを作成するコードは、よりスマート –最小限の、または人間の介入なしで動作できるようにするため–に基づいていると言えます人工知能(AI)。残りの 2 つ、つまり:機械学習(ML)、およびディープラーニング(DL) は、スマート デバイスにより多くの機能を提供するために構築されたさまざまな種類のアルゴリズムです。見てみましょうAI 対 ML 対 DLこれらが何をするのか、そしてどのように AI に接続されているのかを理解するには、以下で詳しく説明します。
ML および DL に関する人工知能とは何ですか
AI は、機械学習 (ML) プロセスと深層学習 (DL) プロセスのスーパーセットと呼ぶことができます。 AI は通常、ML と DL を総称して使用されます。深層学習も ML のサブセットです (上の画像を参照)。
機械学習はもはや普遍的な AI の一部ではないと主張する人もいます。彼らは、ML はそれ自体が完全な科学であるため、人工知能を参照して呼ぶ必要はない、と主張しています。 AI はデータ、つまりビッグデータに基づいて成長します。消費するデータが多ければ多いほど、精度は高くなります。常に正確に予測できるわけではありません。偽旗も出てくるだろう。 AI はこれらの間違いに対して自らを訓練し、人間の監視の有無にかかわらず、本来の動作をより良くできるようになります。
人工知能ほぼすべての業界に浸透し、あまりにも多くの種類の（ビジネス）プロセスとアルゴリズムに影響を与えるため、適切に定義することはできません。人工知能はデータサイエンスに基づいていると言えます (DS:ビッグデータ) であり、その独特の部分として機械学習があります。同様に、深層学習は機械学習の別個の部分です。
IT 市場が傾いていることから、将来は接続されたスマート デバイスが主流となるでしょう。モノのインターネット (IoT)。スマートデバイスとは、直接的または間接的に人工知能を意味します。皆さんはすでに日常生活の多くのタスクで人工知能 (AI) を使用しています。たとえば、スマートフォンのキーボードでの入力は、「単語の提案」で上達し続けています。知らず知らずのうちに人工知能を扱っている例としては、インターネットでの検索、オンライン ショッピング、そしてもちろん、常にスマートになっている Gmail や Outlook の電子メール受信箱などがあります。
機械学習とは
機械学習 (ML) は人工知能の分野であり、その目的は、多くのプログラミングを行わずに機械 (またはコンピューター、またはソフトウェア) に学習とトレーニングをさせることです。このようなデバイスは、より良いパフォーマンスを発揮する方法の学習などのタスクを完了するために人間の方法を適用するため、プログラミングの必要性が少なくなります。 ML とは、コンピューター/デバイス/ソフトウェアを少しプログラミングして、それ自体で学習できるようにすることを意味します。
機械学習を促進する方法はいくつかあります。そのうち、次の 3 つが広く使用されています。
- 監修、
- 監督されていない、そして
- 強化学習。
機械学習における教師あり学習
プログラマーが最初にラベル付けされたデータとすでに処理された回答をマシンに提供するという意味での監視。ここでのラベルは、データベースまたはスプレッドシート内の行または列の名前を意味します。このような膨大なデータセットをコンピューターに供給すると、コンピューターはさらにデータセットを分析し、独自に結果を提供できるようになります。つまり、与えられたデータの分析方法をコンピューターに教えたということになります。
通常、80/20 ルールを使用して確認されます。膨大なデータセットがコンピューターに供給され、答えの背後にあるロジックを学習しようとします。イベントからのデータの 80% が回答とともにコンピューターに入力されます。残りの 20% には、コンピュータが適切な結果を出せるかどうかを確認するために、回答なしで入力されます。この 20% は、コンピュータ (マシン) がどのように学習しているかを確認するためのクロスチェックに使用されます。
教師なし機械学習
教師なし学習は、ラベルが付けられていない、順序どおりではないランダムなデータセットがマシンに供給されたときに発生します。マシンは結果を生み出す方法を見つけ出す必要があります。たとえば、さまざまな色のソフトボールを提供した場合、色ごとに分類できるはずです。したがって、将来、マシンに新しいソフトボールが提示されると、データベースにすでに存在するラベルでボールを識別できます。このメソッドにはトレーニング データはありません。機械は自ら学習する必要があります。
強化学習
一連の意思決定を行うことができるマシンは、このカテゴリに分類されます。それから報酬制度もあります。マシンがプログラマーの望むことを何でもうまくやれば、報酬が得られます。このマシンは最大限の報酬を求めるようにプログラムされています。そしてそれを実現するために、さまざまなケースでさまざまなアルゴリズムを考案することで問題を解決します。つまり、AI コンピューターは試行錯誤して結果を導き出します。
たとえば、機械が自動運転車の場合、道路上で独自のシナリオを作成する必要があります。プログラマーは、マシンが走行中にすべての可能性を考えることはできないため、すべてのステップをプログラムすることはできません。そこで強化学習の出番です。試行錯誤型 AI とも言えます。
ディープラーニングは機械学習とどう違うのか
ディープラーニングはより複雑なタスクに使用されます。ディープラーニングは機械学習のサブセットです。ただ、機械の学習を助けるニューラル ネットワークがさらに含まれているというだけです。人工ニューラル ネットワークは新しいものではありません。世界中の研究室は、機械が情報に基づいた意思決定を行えるように、ニューラル ネットワークを構築および改善しようとしています。聞いたことがあるはずですソフィア、サウジで正規市民権を与えられた人型生物。ニューラル ネットワークは人間の脳に似ていますが、脳ほど洗練されていません。
教師なし深層学習を提供する優れたネットワークがいくつかあります。ディープラーニングは、人間の脳を模倣したニューラルネットワークであると言えます。それでも、十分なサンプル データがあれば、深層学習アルゴリズムを使用してサンプル データから詳細を取得できます。たとえば、画像処理装置 DL マシンを使用すると、質問に応じて感情が変化する人間の顔を簡単に作成できます。
上記では、AI 対 MI 対 DL をより簡単な言葉で説明しています。 AI と ML は広大な分野であり、まさに開拓されつつあり、大きな可能性を秘めています。これが、一部の人々が人工知能における機械学習と深層学習の使用に反対する理由です。
