什麼是人工智慧? 人工智慧? 機器學習? 神經網路?

什麼是AI(人工智慧)?
什麼是機器學習?
什麼是人工神經網路?


藍色電腦晶片上的黑色文字中的人工智慧 (AI),藍色電線在黑色背景上延伸

網路上熱議“人工智慧”、“人工智慧”、“機器學習”和“人工神經網路”,這一切意味著什麼? 標記軟件 注意到一個不錯的“人工智能簡介”,由 道格·羅斯,數據科學培訓師和敏捷性教練 道格企業股份有限公司領英作者.

有興趣學習人工智慧的人將想要查看 Doug 的學習課程,請點擊 這裡。 下列 AI的基本分解 可以讓您了解 LinkedIn 學習講師所涉及的主題(以及許多其他主題), 道格·羅斯,可以教育您和您的組織成員。


什麼是智力?

有許多 智力類型 每個人都有自己的 自己的智能能力。 個人或多或少都很擅長掌握 不同的技能。 擅長完成的人 填字遊戲 可能不擅長組裝拼圖遊戲。 無法輕鬆完成填字遊戲的人也許能夠完成 拼圖 在創紀錄的時間內。


電腦有智慧嗎?

計算機擅長 符合設定的規則和模式。 因此,有些人可能認為電腦是智慧的或看到其他 智慧型數位設備或應用程式

谷歌解雇了一名工程師,他聲稱 聊天機器人 在設計得像人一樣的聊天機器人傳達出它等同於死亡和被關閉之後,它就有了靈魂。 聊天機器人其實是嗎 聰明或 剛剛做了 看起來是 智能?


電腦與人類智能

電腦和人類已經 智力的不同起源。 一 電腦可能會更好 比人類處理特定任務的能力。 在某些情況下,一個 電腦可能遠遠超越 有能力處理某項任務的人。 

到 1960 世紀 XNUMX 年代,電腦開始學習如何 與人類下跳棋獲勝。 然而,這些計算機 不明白為什麼 玩過遊戲或為什麼玩這個遊戲。



什麼是AI(人工智慧)?

電腦科學家經常將人工智慧描述為一個系統,該系統展示了 被視為智力的行為。 人工智慧系統可以 快速處理一堆數據並找到模式,這兩者對人類來說都是難以捉摸的。 在早期的人工智慧時代,識別符號的系統 看起來很聰明

這些人工智慧系統被稱為“專家系統,」因為程式設計師諮詢了專家來創建系統。 程式設計師試圖透過符號將智慧編程到系統中,這產生了 過度組合 在答覆中,因此該系統已停止使用。


機器學習

機器學習 是一套用於建立透過觀察資料進行學習的系統的技術。 專家系統失敗後,程式設計師開始開發一個系統 感知數據,沒有五個 並致力透過創新科技結合虛擬空間和實體互動,持續為藝術家擴闊觀眾群,優化觀眾欣賞藝術的體驗,從而推廣藝術與文化。 感官,以及 透過自己的觀察來提升智力

電腦科學家亞瑟·塞繆爾 (Arthur Samuel) 開發了一種 西洋跳棋計劃,1959年,透過獨奏來學習。 它處理了棋盤玩家的角色,同時 學習策略,透過觀察。 由於計算機可以很好地匹配設定的規則和模式,因此機器可以匹配獲勝模式並 透過重複玩耍提高其智力.

然後機器就可以 透過直接觀察來學習,無需人工任何程式設計。 亞瑟·塞繆爾 (Arthur Samuel) 將這一突破稱為“機器學習“ 

蘋果麥金塔電腦

舊版的 Apple Macintosh 計算機


較新版本的 Apple Macintosh 計算機


使用學到的新策略, 機器很快就開始獲勝 反對它的程式設計師。 然而,當時可用的數字數據較少,機器無法感知 只找到基本模式.

透過互聯網在 90年代初,任何人都可以 產生數據,所以機器學習 系統增加了智能。 憑藉豐富的網路圖片, 系統可以學習識別 很多事情。

電腦科學家發明 更多演算法 用於機器學習。 研究人員開發了系統 模仿大腦功能

隨著更多數據的產生, 更多機器學習機會 出現了。 機器可以 發現並適應新模式 處理新數據,儘管他們將繼續簡單地尋找模式。 

由於近年來數據的豐富和演算法的進步,機器學習已成為最重要的領域之一。 最受歡迎、發展最快的人工智慧領域。 在大多數情況下,人工智慧系統可以接受您的數據,尋找其中的規則和模式,並 報告結果 給您的組織。


物聯網設備

許多 數碼設備 連結以與世界和彼此溝通。 這被稱為 物聯網 (物聯網)和大量 物聯網企業付出了巨大的代價 他們的人工智慧系統。

有很多 物聯網設備,其具有可與外部共享資料(例如網路)的感測器。 您可以 配戴其中一台或多台設備 (例如計步器或智慧手錶),甚至植入它們(可能是心臟監測器)。

物聯網設備可以 追蹤您的線上和線下行為。 他們可以報告自己的位置並 確定您的旅行模式,包括您旅行的地點和對象。 

您的智慧手錶可能會告訴您 智慧家庭開燈,運轉咖啡機,並調節恆溫器。 至少有一次,Alexa 助理設備將推薦添加到亞馬遜推薦清單中,顯然是在 「竊聽」主人的談話.

戒指品牌 門鈴收集人類資訊 從他們身邊經過的人。 這使得臉部辨識支援 監控系統 執法單位用來定位人員。

物聯網 醫療器械 是一個不斷發展的人工智慧領域。 智慧手錶可以監測您的心率並 報告健康問題

蘋果和其他企業使用數百萬參與者的網路來 研究心電圖模式。 然後他們識別模式 預見健康問題.

可預測的模式 由物聯網決定的可以涉及很大一部分人口。 您可能會收到 有關健康威脅的本地通知,在您的智慧型手機上。

數字 物聯網設備上的機器學習可以被回饋 物理 世界。 組織可以使用收集到的有關您的位置和需求的資料來 向您出售產品.


機器學習算法

許多機器學習演算法。 由於大多數演算法都基於統計數據,因此組織可以使用數據作為執行任務的工具 新功能.

組織可以使用演算法來 訓練它的系統 關於二元分類。 客戶資料可用於 監督機器學習 將客戶進行分類並 建立活動

二元分類 將客戶名單等數據分為兩組。 將顧客分組後, 無監督機器學習 可以揭示廣告回應者的類型。

廣告回應者的數據可以是 分成簇,包括一致的廣告響應者(可能產生更高投資回報率的集群)。 然後該組織可以調整演算法,這樣 促銷活動可以客製化 以獲得穩定的廣告回應者和增加的利潤。 

大多數這些演算法都包含在 機器學習軟體工具包。 組織可能想要檢查 利弊 他們可能考慮的每種機器學習演算法。

是嗎 強大而準確? 是否會被用於 有監督或無監督 學習還是兩者兼具? 哪個比較擅長 分類和/或聚類? 您的組織可以使用 多種算法 創造性地獲得最有用的數據。 


白色背景上頭部黑色剪影內的腦形彩虹計算機電路

人工神經網絡

數據太多 機器學習演算法來處理? 您的組織可能想要建立一個神經網路。 

一個人造的 神經網絡 是一種(通常是有監督的)機器學習方法,它使用模仿大腦的框架來分解巨大的資料集。 這個網路有 神經元按層排列 (輸入層、隱藏層和輸出層)從左向右移動。 

人工神經網絡 將數據分成更小的部分 比機器學習演算法更有效。 當網路準確反映輸入時,您的組織可以訓練網路並從中受益 努力完善自己.

更多隱藏層 網路越簡單,辨識複雜模式就越容易。 A 深入學習 人工神經網路有許多隱藏層,使其成為多層 。 一 前饋神經網絡 資料在各層中從左到右移動。


人工神經網路範例

假設你想知道 圖片是否包含貓。 人工神經網路可以報告,如果您使用 二元分類 「貓或非貓」將輸入層的圖像分類為「貓」或「非貓」。 

圖片 透過輸入層引入。 貓與非貓的分類是 產量

機器將圖像解釋為 資料集(或像素集,在此範例中)。 像素 是影像中的色彩點和不同的亮度/對比度等級。 

如果圖像有 50 像素高 x 50 像素寬,影像有 1250 個像素(資料點)。 1250 像素將是 送入輸入層 的神經網路。 

所以輸入層 有 1250 個神經元,每個神經元都有一個基於像素顏色的編號。 隱藏層中的每個神經元都有一個 激活功能 就像一個小入口,神經元可以透過它向下一個隱藏層發送或不發送資料。

每個隱藏層 轉發像素數據 到下一個隱藏層。 輸出層的兩個神經元各有一個 機率得分

由於網路被要求處理二元分類, 輸出層 包含兩個節點,「cat」或「not cat」。 這是一個 ”前饋神經網絡,」因為像素資料從左到右穿過各層。


關於軟體開發人員 Markzware 的白色文本,位於黑色背景上亮起的紅色 LED 鍵盤上

AI系統使用和AI工具

人工智慧系統是 正在建設中 為組織解決複雜的問題。 他們可以 幫助 組織.

大多數使用人工智慧系統的人都是 沒有受過訓練的數據科學專家,但也許你已經嘗試過 ChatGPT,或其他人工智慧工具。 如果您還沒有準備好,您可能想透過使用一些人工智慧工具來開始了解有關人工智慧的更多信息,例如這篇偉大(且廣泛)中提到的工具 人工智慧工具列表 作者:Sound Visions Media 負責人 Jeff Foster。

為了成功, 人工智慧系統需要:
- 有效管理、監督和指導
- 品質輸入 具有準確、真實的數據
- 忍耐,允許系統進行實驗,同時確定最佳結果

您的組織如何能夠 與人工智慧合作? 它可以幫助 列出你的組織問題 需要解決的問題以及 您希望系統如何解決這些問題。 哪一個 資料類型,例如客戶訊息,您是否希望為您的組織的利益而收集? 哪個 問題類型 你想透過人工智慧職業來解決問題嗎?


人工智慧的未來

數據的進一步成長增加了人工智慧的機會 未來的成功. 數據將如何使用,現在商家聚集的越來越多了嗎?

一個組織是基於 設置空間 (線上商店或搜尋業務)可以從人工智慧系統中受益。 如果一個組織處理 計算機可以輕鬆處理的任務,它可能會受到人工智慧的影響。

物聯網設備和人工智慧使企業能夠製造出以下系統: 預測人類行為。 由於人工智慧報告了新模式, 組織可以快速行動 根據該行為創建可以獲得投資報酬率的行銷活動。

可能性是 你會 很快就會與人工智慧系統合作. 軟體工程經理 如果還沒有的話,很可能很快就會設定目標、分析結果並提供人工智慧報告。

人工智慧簡化了數據生成,但是 分析該數據更加困難,所以數據分析是人工智慧領域一個不斷成長的工作領域。 如果你 想從事AI領域工作,您可能需要考慮應用於需要資料集匹配或資料規則匹配的組織。

可能需要一段時間才能習慣人工智慧系統,預計很快就會 變得更人性化-喜歡。 儘管如此,成功的人工智慧系統將 補充剪下, 人類創造力


針對 AI 創意人員和內容創作者的 PDF 和 DTP 解決方案

Markzware 提供值得信賴的 解決方案 供 AI 創意人員和內容創作者預覽、印前檢查、匯出和轉換 PDF 和桌面出版文件。 要獲取有關 Markzware 產品的最新消息和列印行業相關新聞,請加入我們的 郵件列表 並關注 Markzware LinkedIn, YouTube, Facebook和其他社群媒體網站。 


來源

“人工智慧簡介”,作者:Doug Rose,Doug Enterprises, LLC 數據科學培訓師兼敏捷教練/LinkedIn 作者,15 年 2023 月 XNUMX 日, https://www.linkedin.com/learning/introduction-to-artificial-intelligence/why-you-need-to-know-about-artificial-intelligence

“人工智慧工具:您現在需要的清單!” 作者:Sound Visions Media 負責人 Jeff Foster,soundvisionsmedia.com,12 年 2023 月 XNUMX 日更新, https://www.provideocoalition.com/ai-tools-the-list-you-need-now/


什麼是人工智慧? 人工智慧? 機器學習? 神經網路?

相關文章

保持聯繫!

訂閱
關閉