Mit dem Internet verbundene Geräte werden als intelligente Geräte bezeichnet. So ziemlich alles, was mit dem Internet zu tun hat, wird als intelligentes Gerät^{(smart device)} bezeichnet . In diesem Zusammenhang kann man sagen, dass der Code, der die Geräte SMARTER macht –^{(SMARTER – )} damit sie mit minimalem oder ohne menschliches Eingreifen funktionieren – auf künstlicher Intelligenz^{(Artificial Intelligence)} (KI) basiert. Die anderen beiden, nämlich: Machine Learning (ML) und Deep Learning (DL), sind verschiedene Arten von Algorithmen, die entwickelt wurden, um den intelligenten Geräten mehr Fähigkeiten zu verleihen. Sehen wir uns KI vs. ML vs. DL^{(AI vs ML vs DL )} unten im Detail an, um zu verstehen, was sie tun und wie sie mit KI verbunden sind.

Was ist künstliche Intelligenz in Bezug auf ML & DL

KI kann als Obermenge von Machine Learning (ML)-Prozessen und Deep Learning (DL)-Prozessen bezeichnet werden. AI ist normalerweise ein Überbegriff, der für ML und DL verwendet wird. Deep Learning ist wiederum eine Teilmenge des maschinellen Lernens^{(Machine Learning)} (siehe Bild oben).

Einige argumentieren, dass maschinelles Lernen^{(Machine Learning)} kein Teil der universellen KI mehr ist. Sie sagen, dass ML eine vollständige Wissenschaft für sich ist und daher nicht in Bezug auf künstliche Intelligenz^{(Artificial Intelligence)} genannt werden muss . KI lebt von Daten: Big Data . Je mehr Daten es verbraucht, desto genauer ist es. Es ist nicht so, dass es immer richtig vorhersagt. Es wird auch falsche Flaggen geben. Die KI trainiert sich an diesen Fehlern und wird besser in dem, was sie tun soll – mit oder ohne menschliche Überwachung.

Künstliche Intelligenz kann nicht richtig definiert werden, da sie in fast alle Branchen eingedrungen ist und viel zu viele Arten von (Geschäfts-)Prozessen und Algorithmen beeinflusst. Wir können sagen, dass künstliche Intelligenz^{(Intelligence)} auf Data Science (DS: Big Data ) basiert und maschinelles Lernen^{(Machine Learning)} als eigenständigen Teil enthält. Ebenso^(Likewise) ist Deep Learning ein eigenständiger Teil des maschinellen Lernens^{(Machine Learning)} .

So wie der IT-Markt kippt, würde die Zukunft von vernetzten intelligenten Geräten dominiert werden, die als Internet der Dinge (IoT)^{(Internet of Things (IoT))} bezeichnet werden . Smart Devices bedeuten künstliche Intelligenz: direkt oder indirekt. Sie nutzen künstliche Intelligenz (KI) bereits in vielen Aufgaben Ihres täglichen Lebens. Zum Beispiel das Tippen auf einer Smartphone-Tastatur, die bei „Wortvorschlägen“ immer besser wird. Unter anderen Beispielen, bei denen Sie unwissentlich mit künstlicher Intelligenz^{(Artificial Intelligence)} zu tun haben, sind die Suche nach Dingen im Internet , Online-Shopping und natürlich die immer intelligenten E-Mail-Posteingänge von Gmail und Outlook .

Was ist maschinelles Lernen

Maschinelles Lernen^(Learning) ist ein Bereich der künstlichen Intelligenz^{(Artificial Intelligence)} , bei dem es darum geht, eine Maschine (oder einen Computer oder eine Software) dazu zu bringen, sich ohne viel Programmierung selbst zu lernen und zu trainieren. Solche Geräte erfordern weniger Programmierung, da sie menschliche Methoden anwenden, um Aufgaben zu erledigen, einschließlich des Lernens, wie man bessere Leistungen erbringt. Grundsätzlich^(Basically) bedeutet ML, einen Computer/ein Gerät/eine Software ein wenig zu programmieren und ihm/ihr zu erlauben, selbstständig zu lernen.

Es gibt mehrere Methoden, um maschinelles Lernen^{(Machine Learning)} zu erleichtern . Von ihnen werden die folgenden drei ausgiebig verwendet:

1. Beaufsichtigt,
2. Unbeaufsichtigt und
3. Verstärkungslernen.

Überwachtes Lernen im maschinellen Lernen^{(Machine Learning)}

Überwacht in dem Sinne, dass Programmierer die Maschine zunächst mit gekennzeichneten Daten und bereits verarbeiteten Antworten versorgen. Hier bedeuten Bezeichnungen die Zeilen- oder Spaltennamen in einer Datenbank oder Tabellenkalkulation. Nachdem der Computer riesige Mengen solcher Daten gefüttert hat, ist er bereit, weitere Datensätze zu analysieren und eigenständig Ergebnisse zu liefern. Das heißt, Sie haben dem Computer beigebracht, die ihm zugeführten Daten zu analysieren.

Normalerweise wird es mit der 80/20-Regel bestätigt. Riesige^(Huge) Datensätze werden einem Computer zugeführt, der versucht, die Logik hinter den Antworten zu lernen. 80 Prozent der Daten einer Veranstaltung werden zusammen mit den Antworten in den Computer eingespeist. Die restlichen 20 Prozent werden ohne Antworten gefüttert, um zu sehen, ob der Computer zu richtigen Ergebnissen kommt. Diese 20 Prozent werden zur Gegenprüfung verwendet, um zu sehen, wie der Computer (die Maschine) lernt.

Unüberwachtes maschinelles Lernen

Unüberwachtes Lernen tritt auf, wenn die Maschine mit zufälligen Datensätzen gefüttert wird, die nicht gekennzeichnet und nicht in der richtigen Reihenfolge sind. Die Maschine muss herausfinden, wie sie die Ergebnisse produziert. Wenn Sie ihm beispielsweise Softbälle in verschiedenen Farben anbieten, sollte es in der Lage sein, nach Farben zu kategorisieren. Wenn also der Maschine künftig ein neuer Softball präsentiert wird, kann sie den Ball mit bereits vorhandenen Etiketten in ihrer Datenbank identifizieren. Bei dieser Methode gibt es keine Trainingsdaten. Die Maschine muss selbst lernen.

Verstärkungslernen

Maschinen, die eine Folge von Entscheidungen treffen können, fallen in diese Kategorie. Dann gibt es ein Belohnungssystem. Wenn die Maschine das gut macht, was der Programmierer will, bekommt sie eine Belohnung. Die Maschine ist so programmiert, dass sie sich nach maximalen Belohnungen sehnt. Und um es zu bekommen, löst es Probleme, indem es verschiedene Algorithmen in verschiedenen Fällen entwickelt. Das bedeutet, dass der KI-Computer mit Trial-and-Error-Methoden zu Ergebnissen kommt.

Wenn die Maschine beispielsweise ein selbstfahrendes Fahrzeug ist, muss sie ihre eigenen Szenarien auf der Straße erstellen. Ein Programmierer kann unmöglich jeden Schritt programmieren, da ihm nicht alle Möglichkeiten einfallen, wenn die Maschine unterwegs ist. Hier kommt Reinforcement Learning ins Spiel. Man kann es auch Trial-and-Error-KI nennen.

Wie unterscheidet sich Deep Learning von maschinellem Lernen?^{(Machine Learning)}

Deep Learning ist für kompliziertere Aufgaben. Deep Learning ist eine Teilmenge des maschinellen Lernens^{(Machine Learning)} . Nur, dass es mehr neuronale Netze enthält, die der Maschine beim Lernen helfen. Künstliche^(Manmade) neuronale Netze sind nicht neu. Labore^(Labs) auf der ganzen Welt versuchen, neuronale Netze aufzubauen und zu verbessern, damit die Maschinen fundierte Entscheidungen treffen können. Sie müssen von Sophia gehört haben , einem Humanoiden in Saudi -Arabien , dem die reguläre Staatsbürgerschaft verliehen wurde. Neuronale Netze sind wie menschliche Gehirne, aber nicht so ausgereift wie das Gehirn.

Es gibt einige gute Netzwerke, die unüberwachtes Deep Learning ermöglichen. Man kann sagen, dass Deep Learning mehr neuronale Netze sind, die das menschliche Gehirn imitieren. Mit genügend Beispieldaten können die Deep-Learning - Algorithmen jedoch verwendet werden, um Details aus Beispieldaten zu entnehmen. Beispielsweise ist es mit einer Bildprozessor-DL-Maschine einfacher, menschliche Gesichter mit Emotionen zu erstellen, die sich entsprechend den Fragen ändern, die der Maschine gestellt werden.

Das Obige erklärt AI vs. MI vs. DL in einfacherer Sprache. KI und ML sind riesige Felder – die sich gerade öffnen und enormes Potenzial haben. Dies ist der Grund, warum einige Leute gegen den Einsatz von Machine Learning und Deep Learning in der künstlichen Intelligenz^{(Artificial Intelligence)} sind .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are сalled smart devices. Prettу much everything related to the Internet 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-Anwendung mit maschinellem Lernen

• Fakten, Mythen, Debatte um Künstliche Intelligenz

• Was ist Deep Learning und neurales Netzwerk?

• Beste kostenlose Software für künstliche Intelligenz für Windows 10

• So installieren Sie Drupal mit WAMP unter Windows

• Tipps, Tools und Services für das Online-Reputationsmanagement

• So konvertieren Sie Binär in Text mit diesem Text-zu-Binär-Konverter

• OpenGL-Apps werden nicht auf der drahtlosen Miracast-Anzeige in Windows 11/10 ausgeführt

• Unterschied zwischen analogen, digitalen und hybriden Computern

• Wie schließe ich mein Payoneer-Konto?

• Cyber ​​Monday & Black Friday Sale Einkaufstipps, denen Sie folgen möchten

• Die Sitzungs-Messaging-App bietet starke Sicherheit; Keine Telefonnummer erforderlich!

• Die besten Tools zum kostenlosen SMS-Versand von Ihrem Computer

• Was ist Data Analytics und wofür wird es verwendet?

• Was ist Big Data – eine einfache Erklärung mit Beispiel

• Was ist das Silly Window Syndrom – Erklärung und Vorbeugung

• Die besten Laptoptische online kaufen

• Fix Partner stellte keine Verbindung zum Router-Fehler in TeamViewer unter Windows 10 her

• Beim Suchen nach Updates in VLC ist ein Fehler aufgetreten

• Was sind virtuelle Kreditkarten und wie und wo bekommt man sie?