Tensorflow-understanding-artificial-intelligence
人工知能を理解する
人工知能には、機械および特殊なコンピューターシステムによる人間の知能のシミュレーションプロセスが含まれます。 人工知能の例には、学習、推論、自己修正が含まれます。 AIのアプリケーションには、音声認識、エキスパートシステム、画像認識、マシンビジョンが含まれます。
機械学習は、新しいデータとデータパターンを学習できるシステムとアルゴリズムを扱う人工知能の分野です。
機械学習とディープラーニングの概念を理解するために、下記のベン図に注目しましょう。
機械学習には機械学習のセクションが含まれ、ディープラーニングは機械学習の一部です。 機械学習の概念に従うプログラムの機能は、観測データのパフォーマンスを向上させることです。 データ変換の主な動機は、将来、より良い結果を達成するために知識を改善し、その特定のシステムの望ましい出力により近い出力を提供することです。 機械学習には、データ内のパターンを認識する機能を含む「パターン認識」が含まれます。
パターンは、望ましい方法で出力を表示するようにトレーニングする必要があります。
機械学習は2つの異なる方法でトレーニングできます-
- 教師付きトレーニング
- 教師なしトレーニング
教師あり学習
教師あり学習または教師ありトレーニングには、トレーニングセットがシステムへの入力として与えられ、各例に望ましい出力値のラベルが付けられている手順が含まれます。 このタイプのトレーニングは、特定の損失関数の最小化を使用して実行されます。これは、目的の出力システムに関する出力エラーを表します。
トレーニングの完了後、各モデルの精度は、検証セットとも呼ばれるトレーニングセットからの互いに素な例に関して測定されます。
「教師あり学習」を説明するための最良の例は、多くの写真に情報が含まれていることです。 ここで、ユーザーはモデルをトレーニングして新しい写真を認識できます。
教師なし学習
教師なし学習または教師なしトレーニングには、トレーニングの例が含まれます。トレーニングの例は、クラスが属するシステムによってラベル付けされていません。 システムは、共通の特性を共有するデータを探し、内部の知識機能に基づいてデータを変更します。このタイプの学習アルゴリズムは、クラスタリング問題で基本的に使用されます。
「教師なし学習」を説明する最良の例は、情報が含まれていない写真の束と、分類とクラスタリングを使用したユーザートレーニングモデルです。 このタイプのトレーニングアルゴリズムは、情報が提供されないため、仮定を使用して機能します。
