Ich werde aufschreiben, was ich als Memorandum gelernt habe.
AI ist eine Abkürzung für Künstliche Intelligenz, die die Verarbeitung menschenähnlicher Informationen ermöglicht (einfach gesagt, ein Roboter).
Maschinelles Lernen ist das, was Wahrnehmungsinformationen digitalisiert und Informationen gibt und verarbeitet. Mit anderen Worten, maschinelles Lernen macht KI zu dem, was es zu KI macht.
Es gibt Methoden wie Deep Learning beim maschinellen Lernen.
Grob gesagt ist KI (künstliche Intelligenz) <maschinelles Lernen <tiefes Lernen.
Es gibt verschiedene Methoden für maschinelles Lernen, und es ist notwendig, sie richtig anzuwenden, je nachdem, was Sie tun möchten. Es kann in drei Haupttypen unterteilt werden.
Überwachtes Lernen ist die Bewertung unbekannter Werte anhand der Ergebnisse der Analyse der bereits vorhandenen Daten. Zum Beispiel eine saisonale Verkaufsprognose für Eiscreme (wie viel wird im nächsten Monat verkauft usw.) Ich denke, es ist das bekannteste.
"Rückkehr" und "Klassifizierung" sind typische Beispiele für überwachtes Lernen. ・ Rückgabe: Vorhersage aus kontinuierlichen Zahlenwerten wie im vorherigen Beispiel von Ike Cream
-Klassifizierung ist zu verarbeiten, in welche Klassifizierung bestimmte Daten unterteilt werden können. Ein Beispiel ist die Klassifizierung von Männern und Frauen anhand bestimmter Werte wie Größe und Gewicht.
Unbeaufsichtigtes Lernen ist eine Methode zur Klassifizierung, bei der gelernt wird, die Merkmale mehrerer unbekannter Daten ohne Lehrer zu erfassen, dh ohne die angegebenen Daten zu beantworten.
Zum Beispiel Handschrifterkennung (Finden, was dieselbe Person geschrieben hat).
Im Jahr 2012 entwickelte Google eine KI, um Katzen zu finden, und wurde zu einem heißen Thema, das dieses unbeaufsichtigte Lernen nutzt.
Es ist das gleiche Bild, in dem ein Kind nach und nach verschiedene Dinge lernt, während es lebt.
Dies wird hauptsächlich durch "Clustering" und "Dimensionsreduktion" dargestellt.
・ Clustering: Suchen von Gruppen mit gemeinsamen Merkmalen aus Daten, die nicht die oben beschriebene richtige Antwort haben.
-Dimensionsreduzierung: Beim Umgang mit hochdimensionalen Objekten erleichtert das Reduzieren der Dimensionen das Verständnis der Daten (niedrigere Dimensionen). Es ist schwer zu verstehen, aber es kann gesagt werden, dass es nur durch die notwendigen Daten klassifiziert wird. Auf diese Weise können Sie die Genauigkeit des überwachten Lernens verbessern und die Berechnungsgeschwindigkeit verbessern.
Sie lernen für Dinge, die wenig oder keine Daten haben. Ein Beispiel ist ein Reinigungsroboter. Die Größe des Raums und die Anordnung der Dinge sind so programmiert, dass sie aus dem Zustand lernen, in dem zunächst keine Daten vorliegen, und schließlich den Raum effizient reinigen.
Es ist auch eine Technik, die berühmt wurde, weil Alpha Go den besten Spieler der Welt besiegte.
Das nächste Mal möchte ich tatsächlich eine einfache Regressionsanalyse durchführen. Als zukünftige Entwicklungen werde ich nicht nur programmierbezogene Elemente wie Codierung und Fehlerbehandlung veröffentlichen, sondern auch solche, die sich auf die Neurowissenschaften beziehen.
Recommended Posts