ИНТЕЛЛЕКТ ХУДОЖЕСТВА И ОБУЧЕНИЯ, ОПРЕДЕЛЯЕМЫЕ НА ДОРОГАХ БЕЗОПАСНОСТИ.

Термины AI и Deep Learning более распространены с точки зрения физической безопасности, поэтому важно различать эти заголовки. Краткая история помогает нам понять, как появились термины и объяснить их значение.

Искусственный интеллект (ИИ) - это человеческий интеллект, представленный машинами. Термин появился в 1956 году и был впервые введен компьютерами, которые показывают ограниченные аспекты человеческого разума. Первоначально, только Дар Дар ИИ мог быть достигнут, эти технологии могли выполнять простые задачи или быть лучше, чем люди.

В начале 1980-х годов полупроводниковые процессоры достигли критического предела вычислительной мощности. Эта сила может быть экономически применима к различным машинам с электронным приводом, и она открыла эру машинного обучения (ML), которая является подмножеством искусственного интеллекта, но имеет более сложные и полезные приложения. Быстрое снижение затрат и улучшенные возможности обработки позволили использовать более сложные алгоритмы и разработать практические ML.

ЧИТАЙТЕ МАШИНЫ:

В ML алгоритмы используют эту информацию для выполнения простых или очень сложных вычислений и нахождения ответа, давая этот ответ правильным и наиболее эффективным способом. Использование алгоритма для прогнозирования исхода события не является ОД. Использование прогнозных результатов для улучшения прогнозирования в будущем является истинным примером ОД.

Использование алгоритма для расчета ответов не означает автоматически использование ML или AI. Алгоритмы ML должны быть разработаны, чтобы научиться классифицировать и обрабатывать данные, эффективно тренировать систему для повышения производительности с течением времени. Эффективность и точность алгоритма зависит от того, насколько хорошо алгоритм разработан для своих запланированных задач.

AI - это широкое понятие, но ML относится к использованию компьютеров для имитации когнитивных функций людей. ИИ - это «осознанный» способ выполнения задач на основе алгоритмов. ML - это подмножество ИИ, которое фокусируется на способности машин собирать и учиться для себя, изменять алгоритмы по мере того, как они становятся более осведомленными об обрабатываемых данных.

Обучение компьютерам для умножения человеческого мышления частично происходит с помощью нейронных сетей. Мозг постоянно пытается понять информацию, которая обрабатывается, и для этого разбивает их на категории и категории. Когда мы сталкиваемся с чем-то новым, мы пытаемся сравнить это с определенными вещами, чтобы мы могли понять и понять это.

Нейронные сети работают на компьютерах. Поскольку мозг способен выявлять закономерности и пытаться классифицировать и классифицировать информацию, нейронные сети размножаются на компьютерах:

• Извлечение значения из большой и сложной информации

• Определить тенденции и определить закономерности

• Учитесь на примере

ЧИТАЙТЕ:

К 2010 году разработка полупроводников позволила программистам продолжить глубокое обучение (DL) и достичь еще больших результатов. Его заголовок указывает на другой уровень, более глубокий, чем ML, поэтому DL снова считается подмножеством AI. Концепцию глубокого обучения иногда называют «глубокими нейронными сетями», которые относятся ко многим слоям. Нейронная сеть может иметь один слой данных и два или более в глубокой нейронной сети. Слои можно рассматривать как встроенную иерархию соответствующих концепций или деревьев решений, где ответ на один вопрос приводит к набору глубоко связанных вопросов.

Следовательно, DL является подмножеством ML. Он использует некоторые методы ML для решения реальных проблем путем доступа к нейронным сетям, которые имитируют принятие решений человеком. DL требует большого набора автономных наборов данных. Это связано с тем, что алгоритму необходимо сначала понять множество параметров, которые вначале могут дать много положительных и положительных результатов. Например, алгоритм глубокого обучения может быть проинструктирован «изучать» внешний вид атакующего, оценивать его поведение и отслеживать его прогресс. При ограниченном входе в систему видеонаблюдения вам потребуется большой набор точных данных, чтобы знать мелкие детали, которые выделяют людей. DL должен научиться заполнять недостающую информацию.

Сети DL должны видеть много, чтобы учиться. Вместо программирования элементов с идентифицируемыми ребрами система учится касаться многих миллионов точек данных. В качестве раннего примера этого Google Brain учится распознавать кошек после отображения более десяти миллионов изображений. Сети глубокого обучения не должны быть запрограммированы с критериями, которые определяют элементы; они могут обнаруживать границы, подвергаясь воздействию большого количества данных.

У DL есть бизнес-приложения. Это может занять огромное количество данных - например, миллионы изображений и распознавание определенных функций. Текстовый поиск, обнаружение мошенничества, обнаружение спама, распознавание рукописного текста, поиск изображений, распознавание речи, обнаружение улиц и перевод - все это задачи, которые можно выполнить с помощью углубленного изучения. Сети глубокого обучения заменили многие системы на основе правил и правил.

Для AI, ML или DL успешное использование алгоритмов имеет высокое качество. Решения должны основываться на большой, чистой и значимой информации. Без надлежащей информации DL будет предвзятым. Результаты нельзя доверять, если неточные или отсутствующие данные доступны.