دستگاه های متصل به اینترنت^(Internet) را دستگاه های هوشمند می نامند. تقریباً هر چیزی که به اینترنت^(Internet) مربوط می شود به عنوان یک دستگاه هوشمند^{(smart device)} شناخته می شود . در این زمینه، کدی که دستگاه‌ها را هوشمندتر می‌کند –^{(SMARTER – )} به طوری که می‌تواند با حداقل یا بدون هیچ دخالت انسانی کار کند – می‌توان گفت که مبتنی بر هوش مصنوعی^{(Artificial Intelligence)} (AI) است. دو مورد دیگر، یعنی: یادگیری ماشینی^{(Machine Learning)} (ML) و یادگیری عمیق^{(Deep Learning)} (DL)، انواع مختلفی از الگوریتم‌ها هستند که برای ارائه قابلیت‌های بیشتر به دستگاه‌های هوشمند ساخته شده‌اند. بیایید AI در مقابل ML در مقابل DL^{(AI vs ML vs DL )} را با جزئیات در زیر ببینیم تا بفهمیم آنها چه کاری انجام می دهند و چگونه به هوش مصنوعی متصل می شوند.

هوش مصنوعی با توجه به ML & DL چیست؟

هوش مصنوعی را می‌توان مجموعه‌ای از فرآیندهای یادگیری ماشینی^{(Machine Learning)} (ML) و فرآیندهای یادگیری عمیق^{(Deep Learning)} (DL) نامید. هوش مصنوعی معمولاً اصطلاحی است که برای ML و DL استفاده می شود. یادگیری عمیق^{(Deep Learning)} دوباره زیرمجموعه ای از یادگیری ماشین^{(Machine Learning)} است (تصویر بالا را ببینید).

برخی استدلال می کنند که یادگیری ماشین^{(Machine Learning)} دیگر بخشی از هوش مصنوعی جهانی نیست. آنها می گویند ML به خودی خود یک علم کامل است و بنابراین نیازی به نامیدن آن با ارجاع به هوش مصنوعی^{(Artificial Intelligence)} نیست. هوش مصنوعی در داده ها رشد می کند: داده های بزرگ^{(Big Data)} . هر چه داده های بیشتری مصرف کند، دقیق تر است. اینطور نیست که همیشه درست پیش بینی کند. پرچم های دروغین نیز وجود خواهد داشت. هوش مصنوعی خودش را روی این اشتباهات آموزش می دهد و در کاری که قرار است انجام دهد - با یا بدون نظارت انسان - بهتر می شود.

هوش مصنوعی را نمی توان به درستی تعریف کرد زیرا تقریباً در تمام صنایع نفوذ کرده است و بر انواع بسیاری از فرآیندها و الگوریتم ها (تجاری) تأثیر می گذارد. می توان گفت که هوش مصنوعی مبتنی^{(Intelligence)} بر علم داده^{(Data Science)} (DS: Big Data ) است و شامل یادگیری ماشینی^{(Machine Learning)} به عنوان بخش متمایز آن است. به همین ترتیب^(Likewise) ، یادگیری عمیق^{(Deep Learning)} بخشی متمایز از یادگیری ماشین^{(Machine Learning)} است.

همانطور که بازار فناوری اطلاعات در حال چرخش است، آینده با دستگاه های هوشمند متصل تحت سلطه خواهد بود که اینترنت اشیا (IoT) نامیده^{(Internet of Things (IoT))} می شود. دستگاه های هوشمند^(Smart) به معنای هوش مصنوعی است: به طور مستقیم یا غیر مستقیم. شما در حال حاضر از هوش مصنوعی (AI) در بسیاری از وظایف زندگی روزمره خود استفاده می کنید. به عنوان مثال، تایپ کردن روی صفحه کلید گوشی هوشمند که در «پیشنهاد کلمات» بهتر می شود. از جمله نمونه‌های دیگری که ندانسته با هوش مصنوعی^{(Artificial Intelligence)} سروکار دارید ، جستجوی چیزها در اینترنت^(Internet) ، خرید آنلاین و البته صندوق‌های ایمیل همیشه هوشمند Gmail و Outlook است.

یادگیری ماشین چیست

یادگیری^(Learning) ماشینی رشته ای از هوش مصنوعی^{(Artificial Intelligence)} است که در آن هدف این است که یک ماشین (یا کامپیوتر یا یک نرم افزار) را بدون برنامه نویسی زیاد یاد بگیرد و آموزش دهد. چنین دستگاه هایی به برنامه نویسی کمتری نیاز دارند زیرا از روش های انسانی برای تکمیل وظایف از جمله یادگیری نحوه عملکرد بهتر استفاده می کنند. در اصل^(Basically) ، ML به معنای برنامه نویسی یک کامپیوتر/دستگاه/نرم افزار و اجازه دادن به آن برای یادگیری به تنهایی است.

چندین روش برای تسهیل یادگیری ماشین^{(Machine Learning)} وجود دارد . از میان آنها، سه مورد زیر به طور گسترده مورد استفاده قرار می گیرند:

1. تحت نظارت،
2. بدون نظارت، و
3. یادگیری تقویتی

یادگیری تحت نظارت در یادگیری ماشینی^{(Machine Learning)}

به این معنا که برنامه نویسان ابتدا داده های برچسب گذاری شده و پاسخ های از قبل پردازش شده را به دستگاه ارائه می دهند. در اینجا، برچسب ها به معنای نام ردیف یا ستون در یک پایگاه داده یا صفحه گسترده است. پس از تغذیه مجموعه های عظیمی از چنین داده هایی به رایانه، آن آماده است تا مجموعه داده های بیشتری را تجزیه و تحلیل کند و نتایج را به تنهایی ارائه دهد. این بدان معناست که شما به رایانه یاد داده اید که چگونه داده های وارد شده به آن را تجزیه و تحلیل کند.

معمولاً با استفاده از قانون 80/20 تأیید می شود. مجموعه عظیمی^(Huge) از داده ها به رایانه ای داده می شود که سعی می کند و منطق پشت پاسخ ها را یاد می گیرد. 80 درصد از داده های یک رویداد همراه با پاسخ ها به رایانه داده می شود. 20 درصد باقیمانده بدون پاسخ تغذیه می شوند تا ببینند آیا رایانه می تواند به نتایج مناسب برسد یا خیر. این 20 درصد برای بررسی متقابل استفاده می شود تا ببینیم کامپیوتر (ماشین) چگونه در حال یادگیری است.

یادگیری ماشینی بدون نظارت

یادگیری بدون نظارت زمانی اتفاق می‌افتد که دستگاه با مجموعه داده‌های تصادفی که برچسب‌گذاری نشده و مرتب نیستند تغذیه شود. ماشین باید نحوه تولید نتایج را بیابد. برای مثال، اگر سافت‌بال‌هایی با رنگ‌های مختلف به آن پیشنهاد می‌دهید، باید بتواند بر اساس رنگ‌ها دسته‌بندی کند. بنابراین، در آینده، هنگامی که دستگاه با یک سافت بال جدید ارائه می شود، می تواند توپ را با برچسب های موجود در پایگاه داده خود شناسایی کند. هیچ داده آموزشی در این روش وجود ندارد. ماشین باید به تنهایی یاد بگیرد.

یادگیری تقویتی

ماشین هایی که می توانند توالی تصمیم گیری کنند در این دسته قرار می گیرند. سپس یک سیستم پاداش وجود دارد. اگر دستگاه در هر کاری که برنامه نویس می خواهد خوب عمل کند، پاداش می گیرد. دستگاه به گونه ای برنامه ریزی شده است که حداکثر پاداش را می طلبد. و برای بدست آوردن آن، با ابداع الگوریتم های مختلف در موارد مختلف، مسائل را حل می کند. این بدان معناست که کامپیوتر هوش مصنوعی از روش های آزمون و خطا برای رسیدن به نتایج استفاده می کند.

به عنوان مثال، اگر ماشین یک وسیله نقلیه خودران است، باید سناریوهای خود را در جاده ایجاد کند. هیچ راهی وجود ندارد که یک برنامه نویس بتواند هر مرحله را برنامه ریزی کند، زیرا وقتی دستگاه در راه است نمی تواند به همه احتمالات فکر کند. اینجاست که Reinforcement Learning وارد می شود. شما همچنین می توانید آن را آزمایش و خطا هوش مصنوعی بنامید.

یادگیری عمیق چه تفاوتی با یادگیری ماشینی دارد ؟^{(Machine Learning)}

یادگیری عمیق^{(Deep Learning)} برای کارهای پیچیده تر است. یادگیری عمیق^{(Deep Learning)} زیر مجموعه ای از یادگیری ماشینی^{(Machine Learning)} است. فقط این که شامل شبکه های عصبی بیشتری است که به ماشین در یادگیری کمک می کند. شبکه های عصبی ساخته دست بشر جدید نیستند . ^(Manmade)آزمایشگاه‌ها^(Labs) در سراسر جهان در تلاش هستند تا شبکه‌های عصبی را بسازند و بهبود بخشند تا ماشین‌ها بتوانند تصمیمات آگاهانه بگیرند. حتماً در مورد سوفیا^(Sophia) ، یک انسان نما در عربستان سعودی^(Saudi) شنیده اید که تابعیت عادی به او داده شد. شبکه های عصبی مانند مغز انسان هستند اما به اندازه مغز پیچیده نیستند.

برخی از شبکه های خوب وجود دارند که یادگیری عمیق بدون نظارت را فراهم می کنند. می توان گفت که یادگیری عمیق^{(Deep Learning)} بیشتر شبکه های عصبی هستند که از مغز انسان تقلید می کنند. با این حال، با داده‌های نمونه کافی، می‌توان از الگوریتم‌های یادگیری عمیق^{(Deep Learning)} برای برداشت جزئیات از داده‌های نمونه استفاده کرد. به عنوان مثال، با یک دستگاه پردازشگر تصویر DL، ایجاد چهره های انسانی با تغییر احساسات با توجه به سؤالاتی که از دستگاه می شود آسان تر است.

موارد فوق هوش مصنوعی در مقابل MI در مقابل DL را به زبان ساده‌تری توضیح می‌دهند. هوش مصنوعی و ML حوزه های وسیعی هستند – که تازه در حال باز شدن هستند و پتانسیل فوق العاده ای دارند. به همین دلیل است که برخی افراد با استفاده از یادگیری ماشینی^{(Machine Learning)} و یادگیری عمیق^{(Deep Learning)} در هوش مصنوعی^{(Artificial Intelligence)} مخالف هستند .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called ѕmart devices. Pretty much everything related to the Internet is known as 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

• SMS Organizer: SMS Application طراحی شده توسط Machine Learning

• آمار و اسطوره ها درباره Artificial Intelligence

• Learning and Neural Network عمیق چیست؟

• Best Free Artificial Intelligence software برای Windows 10

• چگونه به نصب Drupal با استفاده از WAMP در Windows

• قفل از Plex Server and Server Settings؟ در اینجا ثابت است!

• Best Laptop Tables برای خرید آنلاین

• Best Software & Hardware Bitcoin Wallets برای Windows، در iOS، Android

• Explanation and Prevention - Silly Window Syndrome است

• Setup Internet Radio Station رایگان در Windows PC

• Task Management Software رایگان برای مدیریت کار گروهی

• نحوه نصب Windows 95 در ویندوز 10

• را Device خود را (BYOD) Advantages، Best Practices، و غیره

• بهترین ابزار برای ارسال SMS رایگان از کامپیوتر شما

• Automate.io automation tool and IFTTT جایگزین رایگان است

• چه Data Analytics و چه آن را برای استفاده

• 10 بهترین LED USB لامپ برای لپ تاپ ها

• نحوه تبدیل Binary به متن با استفاده از این متن به Binary Converter

• چگونه به رمز عبور محافظت و امن PDf اسناد با LibreOffice

• چگونه به حذف Your LastPass Account