J'écrirai ce que j'ai appris dans un mémorandum.
L'IA est une abréviation d'Intelligence Artificielle, qui permet de traiter des informations de type humain (pour parler simplement, un robot).
L'apprentissage automatique est ce qui numérise les informations perceptives et les informations données et les traite. En d'autres termes, l'apprentissage automatique fait de l'IA ce qui en fait de l'IA.
Il existe des méthodes telles que l'apprentissage en profondeur dans l'apprentissage automatique.
Par conséquent, grosso modo, AI (intelligence artificielle) <apprentissage automatique <apprentissage en profondeur.
Il existe différentes méthodes d'apprentissage automatique, et il est nécessaire de les utiliser correctement en fonction de ce que vous souhaitez faire. Il peut être divisé en trois types principaux.
L'apprentissage supervisé est l'évaluation de valeurs inconnues à partir des résultats de l'analyse des données déjà existantes. Par exemple, les prévisions de ventes saisonnières de glaces (combien seront vendues le mois prochain, etc.) Je pense que c'est le plus connu.
Le «retour» et la «classification» sont des exemples typiques d'apprentissage supervisé. ・ Retour: prédiction à partir de valeurs numériques continues comme l'exemple précédent d'Ike Cream
-La classification consiste à traiter dans quelle classification certaines données peuvent être divisées. Un exemple est la classification des hommes et des femmes en fonction de valeurs spécifiques telles que la taille et le poids.
L'apprentissage non supervisé est une méthode de classification en apprenant à saisir les caractéristiques à partir de plusieurs données inconnues sans enseignant, c'est-à-dire sans répondre aux données données.
Par exemple, la reconnaissance de l'écriture manuscrite (trouver ce que la même personne a écrit).
En 2012, Google a développé une IA pour trouver des chats et est devenu un sujet brûlant, qui utilise cet apprentissage non supervisé.
C'est la même image qu'un enfant apprend progressivement diverses choses au fil de sa vie.
Ceci est principalement représenté par le «regroupement» et la «réduction de dimension».
・ Regroupement: recherche de groupes avec des caractéristiques communes à partir de données qui n'ont pas la bonne réponse comme décrit ci-dessus.
-Réduction de la dimension: Lorsqu'il s'agit d'objets de grande dimension, la réduction des dimensions facilite la compréhension des données (dimensions inférieures). C'est difficile à saisir, mais on peut dire qu'il n'est classé que par les données nécessaires. En faisant cela, vous pouvez améliorer la précision de l'apprentissage supervisé et améliorer la vitesse de calcul.
Vous apprendrez pour les choses qui ont peu ou pas de données. Un exemple est un robot de nettoyage. La taille de la pièce et la disposition des choses sont programmées pour apprendre de l'état où il n'y a pas de données au début, et enfin pour nettoyer efficacement la pièce.
C'est aussi une technique qui est devenue célèbre parce qu'Alpha Go a battu le meilleur joueur du monde.
La prochaine fois, j'aimerais effectuer une analyse de régression simple. En tant que développements futurs, je publierai non seulement des éléments liés à la programmation tels que le codage et la gestion des erreurs, mais également ceux liés aux neurosciences.
Recommended Posts