Enheter som är anslutna till Internet kallas smarta enheter. I stort sett allt som har med Internet att göra är känt som en smart enhet^{(smart device)} . I det här sammanhanget kan koden som gör enheterna SMARTARE –^{(SMARTER – )} så att de kan fungera med minimal eller utan mänsklig inblandning – sägas vara baserad på artificiell intelligens^{(Artificial Intelligence)} (AI). De andra två, nämligen: Machine Learning (ML) och Deep Learning (DL), är olika typer av algoritmer byggda för att ge fler möjligheter till de smarta enheterna. Låt oss se AI vs ML vs DL i detalj nedan för att förstå vad de gör och hur de är anslutna till AI.

Vad är artificiell intelligens med avseende på ML & DL

AI kan kallas en superset av processer för maskininlärning^{(Machine Learning)} (ML) och processer för djupinlärning^{(Deep Learning)} (DL). AI är vanligtvis ett paraplybegrepp som används för ML och DL. Deep Learning är återigen en delmängd av Machine Learning (se bilden ovan).

Vissa hävdar att maskininlärning^{(Machine Learning)} inte längre är en del av den universella AI. De säger att ML är en komplett vetenskap i sin egen rätt och därför inte behöver kallas med hänvisning till artificiell intelligens^{(Artificial Intelligence)} . AI frodas på data: Big Data . Ju mer data den förbrukar, desto mer exakt är den. Det är inte så att det alltid kommer att förutsäga korrekt. Det kommer att finnas falska flaggor också. AI:n tränar sig på dessa misstag och blir bättre på vad den ska göra – med eller utan mänsklig övervakning.

Artificiell intelligens går inte att definiera ordentligt då den har trängt in i nästan alla branscher och påverkar alldeles för många typer av (affärs)processer och algoritmer. Vi kan säga att artificiell intelligens^{(Intelligence)} är baserad på Data Science (DS: Big Data ) och innehåller maskininlärning^{(Machine Learning)} som sin distinkta del. Likaså^(Likewise) är Deep Learning en distinkt del av Machine Learning .

Hur IT-marknaden lutar, skulle framtiden domineras av uppkopplade smarta enheter, kallat Internet of Things (IoT) . Smarta^(Smart) enheter betyder artificiell intelligens: direkt eller indirekt. Du använder redan artificiell intelligens (AI) i många uppgifter i ditt dagliga liv. Till exempel att skriva på ett smartphonetangentbord som hela tiden blir bättre på "ordförslag". Bland andra exempel där du omedvetet har att göra med artificiell intelligens^{(Artificial Intelligence)} är att söka efter saker på Internet , onlineshopping och naturligtvis de ständigt smarta e-postkorgarna i Gmail och Outlook .

Vad är maskininlärning

Machine Learning är ett område för artificiell intelligens^{(Artificial Intelligence)} där syftet är att få en maskin (eller dator, eller en mjukvara) att lära sig och träna sig själv utan mycket programmering. Sådana enheter behöver mindre programmering eftersom de tillämpar mänskliga metoder för att slutföra uppgifter, inklusive att lära sig hur man presterar bättre. I grund och botten^(Basically) innebär ML att man programmerar en dator/enhet/programvara lite och låter den lära sig på egen hand.

Det finns flera metoder för att underlätta maskininlärning^{(Machine Learning)} . Av dem används följande tre flitigt:

1. Övervakad,
2. Utan tillsyn, och
3. Förstärkande lärande.

Supervised Learning in Machine Learning

Övervakad på så sätt att programmerare först förser maskinen med märkta data och redan bearbetade svar. Här betyder etiketter rad- eller kolumnnamnen i en databas eller ett kalkylblad. Efter att ha matat stora uppsättningar av sådan data till datorn är den redo att analysera ytterligare datauppsättningar och ge resultat på egen hand. Det betyder att du lärde datorn hur man analyserar data som matas till den.

Vanligtvis bekräftas det med 80/20-regeln. Enorma^(Huge) uppsättningar data matas till en dator som försöker och lär sig logiken bakom svaren. 80 procent av data från en händelse matas till datorn tillsammans med svar. De återstående 20 procenten matas utan svar för att se om datorn kan komma med rätt resultat. Dessa 20 procent används för korskontroll för att se hur datorn (maskinen) lär sig.

Maskininlärning utan tillsyn

Oövervakad inlärning sker när maskinen matas med slumpmässiga datamängder som inte är märkta och inte i ordning. Maskinen måste ta reda på hur den ska producera resultaten. Till exempel, om du erbjuder den mjuka bollar i olika färger, bör den kunna kategorisera efter färger. Sålunda, när maskinen i framtiden presenteras med en ny mjukboll, kan den identifiera bollen med redan befintliga etiketter i sin databas. Det finns inga träningsdata i denna metod. Maskinen måste lära sig på egen hand.

Förstärkningsinlärning

Maskiner som kan fatta en sekvens av beslut faller inom denna kategori. Sedan finns det ett belöningssystem. Om maskinen gör bra på vad programmeraren vill, får den en belöning. Maskinen är programmerad på ett sätt att den längtar efter maximala belöningar. Och för att få det löser det problem genom att ta fram olika algoritmer i olika fall. Det betyder att AI-datorn använder trial and error-metoder för att komma fram till resultat.

Till exempel, om maskinen är ett självkörande fordon måste den skapa sina egna scenarier på vägen. Det finns inget sätt en programmerare kan programmera varje steg eftersom han eller hon inte kan tänka på alla möjligheter när maskinen är på väg. Det är där Reinforcement Learning kommer in. Du kan också kalla det trial and error AI.

Hur skiljer sig Deep Learning från Machine Learning

Deep Learning är för mer komplicerade uppgifter. Deep Learning är en delmängd av Machine Learning . Bara att den innehåller fler neurala nätverk som hjälper maskinen att lära sig. Mänskligt skapade^(Manmade) neurala nätverk är inte nya. Laboratorier^(Labs) över hela världen försöker bygga och förbättra neurala nätverk så att maskinerna kan fatta välgrundade beslut. Du måste ha hört talas om Sophia , en humanoid i Saudiarabien^(Saudi) som fick vanligt medborgarskap. Neurala nätverk är som mänskliga hjärnor men inte lika sofistikerade som hjärnan.

Det finns några bra nätverk som tillhandahåller oövervakad djupinlärning. Man kan säga att Deep Learning är mer neurala nätverk som imiterar den mänskliga hjärnan. Ändå, med tillräckligt med exempeldata, kan Deep Learning- algoritmerna användas för att plocka upp detaljer från exempeldata. Till exempel, med en bildprocessor DL-maskin är det lättare att skapa mänskliga ansikten med känslor som förändras enligt de frågor som maskinen ställs.

Ovanstående förklarar AI vs MI vs DL på enklare språk. AI och ML är stora områden – som bara öppnar sig och har en enorm potential. Detta är anledningen till att vissa människor är emot att använda maskininlärning^{(Machine Learning)} och djupinlärning^{(Deep Learning)} i artificiell intelligens^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devices. Prettу much everything related to the Intеrnet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS-applikation som drivs av Machine Learning

• Fakta, myter, debatt om artificiell intelligens

• Vad är Deep Learning och Neural Network

• Bästa gratis programvara för artificiell intelligens för Windows 10

• Hur man installerar Drupal med WAMP på Windows

• Automate.io är ett gratis automationsverktyg och IFTTT-alternativ

• Vad är en magnetlänk och hur man öppnar magnetlänkar i en webbläsare

• Hur man gör inbjudningskort i Windows PC

• Ett fel uppstod vid sökning efter uppdateringar i VLC

• Bästa bärbara bord att köpa online

• Utestängd från Plex Server och Serverinställningar? Här är fixen!

• Session messaging app erbjuder stark säkerhet; Inget telefonnummer krävs!

• Fix Partner anslöt inte till routerfel i TeamViewer på Windows 10

• Zip-filen är för stor fel vid nedladdning av filer från DropBox

• Hur man tar bort ditt LastPass-konto

• Microsoft Identity Manager: Funktioner, nedladdning

• Hur man lösenordsskyddar och säkrar PDF-dokument med LibreOffice

• Hur man konverterar binär till text med denna text till binär konverterare

• Ställ in Internet Radio Station gratis på Windows PC

• Etikett för videokonferenser, tips och regler du måste följa