Jaka jest różnica między sztuczną inteligencją a uczeniem maszynowym?

Te dwa pojęcia wydają się być powiązane, szczególnie w ich zastosowaniu w informatyce i inżynierii oprogramowania. Czy jeden jest podzbiorem drugiego? Czy jedno narzędzie służy do budowy systemu dla drugiego? Jakie są ich różnice i dlaczego są znaczące?

Uczenie maszynowe zostało zdefiniowane przez wiele osób na różne sposoby. Jedna z definicji mówi, że uczenie maszynowe (ML) to dziedzina nauki, która daje komputerom możliwość uczenia się bez wyraźnego programowania.

Biorąc pod uwagę powyższą definicję, moglibyśmy powiedzieć, że uczenie maszynowe jest ukierunkowane na problemy, dla których mamy (dużo) danych (doświadczeń), z których program może się uczyć i może poprawić swoje zadanie.

Sztuczna inteligencja ma wiele innych aspektów, w których maszyny nie radzą sobie lepiej z uczeniem się na podstawie danych, ale mogą wykazywać inteligencję dzięki regułom (np. Systemy ekspertowe, takie jak Mycin ), logice lub algorytmom, np. Znajdowaniu ścieżek .

Książka Artificial Intelligence: A Modern Approach pokazuje więcej dziedzin badań nad sztuczną inteligencją, takich jak problemy z satysfakcją z ograniczeń , probabilistyczne rozumowanie czy podstawy filozoficzne .

Definicje sztucznej inteligencji można podzielić na cztery kategorie: Myślenie po ludzku, Myślenie racjonalnie, Działanie po ludzku i Działanie racjonalne. Poniższy obraz (z Artificial Intelligence: A Modern Approach) rzuci światło na te definicje: Definicja, którą lubię, to John McCarthy: „Jest to nauka i inżynieria tworzenia inteligentnych maszyn, zwłaszcza inteligentnych programów komputerowych. do podobnego zadania polegającego na wykorzystaniu komputerów do zrozumienia ludzkiej inteligencji, ale sztuczna inteligencja nie musi ograniczać się do metod, które są biologicznie obserwowalne ”.





Z drugiej strony uczenie maszynowe to dziedzina sztucznej inteligencji, która zajmuje się tworzeniem oprogramowania w celu lepszego przewidywania wyników bez wyraźnego programowania. Różne algorytmy są używane w zestawie danych do przewidywania przyszłości. Uczenie maszynowe jest oparte na danych i zorientowane na dane. Uczenie maszynowe ewoluuje od badania rozpoznawania wzorców i teorii uczenia obliczeniowego AI.

W skrócie Artificial Intelligence to dziedzina informatyki, która zajmuje się zapewnianiem maszynom możliwości wykonywania racjonalnych zadań. Przetwarzanie języka naturalnego, automatyzacja, przetwarzanie obrazu i wiele innych są jego częścią.
Uczenie maszynowe jest podzbiorem sztucznej inteligencji, która jest zorientowana na dane i zajmuje się prognozowaniem. Używany w wyszukiwarkach, liście rekomendacji na Youtube itp.

Uczenie maszynowe jest podzbiorem sztucznej inteligencji. Z grubsza mówiąc, odpowiada to stronie uczenia się. Nie ma „oficjalnych” definicji, granice są trochę rozmyte.

Wiele terminów ma „przeważnie” to samo znaczenie, więc różnice dotyczą tylko nacisku, perspektywy lub historycznego pochodzenia. Ludzie nie zgadzają się co do tego, która etykieta odnosi się do nadzbioru lub podzbioru; są ludzie, którzy nazywają AI gałąź ML i ludzie, którzy nazywają ML gałąź AI.

Zwykle słyszę, że uczenie maszynowe jest stosowane jako forma „statystyk stosowanych”, w których określamy problem uczenia się na tyle szczegółowo, że możemy po prostu wprowadzić do niego dane szkoleniowe i uzyskać przydatny model z drugiej strony.

Zazwyczaj słyszę Sztuczną Inteligencję jako ogólny termin odnoszący się do dowolnego rodzaju inteligencji osadzonej w środowisku lub w kodzie. Jest to bardzo rozbudowana definicja, a inni używają węższych (takich jak skupianie się na sztucznej inteligencji ogólnej , która nie jest specyficzna dla danej dziedziny). (W skrajności moja wersja zawiera termostaty).

To także dobry moment, aby zwrócić uwagę na inne witryny StackExchange, Cross Validated i Data Science , które w pewnym stopniu pokrywają się z tym sitem.

Uczenie maszynowe jest podzbiorem sztucznej inteligencji, który stanowi jedynie niewielką część jego potencjału. Jest to szczególny sposób na wdrożenie sztucznej inteligencji skoncentrowanej głównie na technikach statystycznych / probabilistycznych i technikach ewolucyjnych. ^Q

Sztuczna inteligencja

Sztuczna inteligencja to „ teoria i rozwój systemów komputerowych zdolnych do wykonywania zadań normalnie wymagających ludzkiej inteligencji ” (takich jak percepcja wzrokowa, rozpoznawanie mowy, podejmowanie decyzji i tłumaczenie między językami).

Możemy myśleć o sztucznej inteligencji jako o koncepcji nie-ludzkiego podejmowania decyzji ^Q, której celem jest symulacja funkcji poznawczych podobnych do człowieka, takich jak rozwiązywanie problemów, podejmowanie decyzji lub komunikacja językowa.

Nauczanie maszynowe

Uczenie maszynowe (ML) to w zasadzie uczenie się poprzez wdrażanie modeli kompilacji, które mogą przewidywać i identyfikować wzorce na podstawie danych.

Według prof. Stephanie R. Taylor z informatyki i jej referatu , a także strony w Wikipedii , „uczenie maszynowe jest gałęzią sztucznej inteligencji i dotyczy budowy i badania systemów, które mogą uczyć się na podstawie danych ” (jak w oparciu o istniejące wiadomości e-mail, aby dowiedzieć się, jak odróżnić spam od innych niż spam).

Według Oxford Dictionaries uczenie maszynowe to „ zdolność komputera do uczenia się na podstawie doświadczenia ” (np. Modyfikacja jego przetwarzania na podstawie nowo uzyskanych informacji).

Możemy myśleć o ML jako o komputerowym wykrywaniu wzorców w istniejących danych w celu przewidywania wzorców w przyszłych danych. ^Q

Innymi słowy, uczenie maszynowe polega na opracowaniu algorytmów samouczących się, a sztuczna inteligencja wymaga opracowania systemów lub oprogramowania, które naśladują człowieka w reakcji i zachowaniu się w danych okolicznościach. ^Quora

Czym różni się sztuczna inteligencja od uczenia maszynowego https://www.linkedin.com/pulse/how-artificial-intelligence-different-from-machine-learning-singh

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) są obecnie dwoma bardzo popularnymi modnymi słowami i często wydają się być używane zamiennie.

Sztuczna inteligencja jest szerszą koncepcją polegającą na tym, że maszyny są w stanie wykonywać zadania w sposób, który uznalibyśmy za „inteligentny”, a Machine Learning to bieżąca aplikacja sztucznej inteligencji oparta na pomyśle, że naprawdę powinniśmy być w stanie po prostu zapewnić maszynom dostęp do danych i niech się uczą.

Więcej informacji na temat uczenia maszynowego i sztucznej inteligencji można znaleźć .

AI oparta na teorii jest tym, co doprowadziło do rozwoju uczenia maszynowego. Często nazywane podzbiorem sztucznej inteligencji, naprawdę bardziej dokładne jest myślenie o niej jako o najnowocześniejszej technologii.

Uczenie maszynowe polega na zdobywaniu wiedzy na temat danych przy użyciu niektórych algorytmów samouczących się, a sztuczna inteligencja to dziedzina, w której maszyna wykonuje zadania bez wsparcia ze strony człowieka w oparciu o wiedzę zdobytą podczas uczenia się. To właśnie oznacza ML jako podzbiór AI.

Uczenie maszynowe to nauka polegająca na opracowaniu algorytmów samouczących się. Algorytmy te mają bardziej ogólny charakter, że można je zastosować do różnych problemów związanych z domeną.

Sztuczna inteligencja to nauka opracowująca system lub oprogramowanie, które naśladują człowieka w reakcji i zachowaniu się na obwodzie. Jako dziedzina o niezwykle szerokim zakresie, AI zdefiniowała swój cel na wiele części. Później każdy uchwyt stał się oddzielnym obszarem badań, aby rozwiązać swój problem.

Sakthi Dasan Sekar

Sztuczna inteligencja: własność wiedzy w sztucznym bycie w akcji.

Uczenie maszynowe: jak zrobić sztuczny byt, aby dodać informacje (Dowiedz się) o jego wiedzy

Krótko mówiąc, sztuczna inteligencja to dziedzina nauki, która próbuje naśladować zachowania ludzi lub innych zwierząt.

Uczenie maszynowe jest jednym z kluczowych narzędzi / technologii sztucznej inteligencji.

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) są obecnie dwoma bardzo popularnymi modnymi słowami i często wydają się być używane zamiennie. Nie są do końca tym samym, ale wrażenie, że są, może czasami prowadzić do zamieszania. Pomyślałem więc, że warto napisać artykuł wyjaśniający różnicę.

Uczenie maszynowe jest podstawowym podobszarem sztucznej inteligencji; umożliwia komputerom wejście w tryb samokształcenia bez wyraźnego zaprogramowania. Po wystawieniu na nowe dane te programy komputerowe mogą same się uczyć, rozwijać, zmieniać i rozwijać.

Po pierwsze, termin MachineLearning znacznie częściej spotkałem w moich klasach Business Intelligence niż w klasach AI.

Mój profesor AI Rolf Pfeifer ująłby to w ten sposób: (po długim przemówieniu na temat tego, czym jest inteligencja, jak można ją zdefiniować, różne rodzaje inteligencji itp.). ML jest bardziej statyczny i „głupi”, nieświadomy swojego fizycznego środowiska i nie zmuszony do interakcji z nim, lub tylko w sposób abstrakcyjny. AI ma pewną świadomość swojego środowiska i oddziałuje z nim autonomicznie, podejmując w ten sposób autonomiczne decyzje za pomocą pętli sprzężenia zwrotnego. Z tego punktu widzenia odpowiedź Ugnesa byłaby prawdopodobnie najbliższa. Poza tym ML jest oczywiście podzbiorem AI.

Uczenie maszynowe nie jest prawdziwą inteligencją (imho), to głównie inteligencja ludzka odzwierciedlona w algorytmach logicznych, a jak ująłby to mój Business Intelligence Prof: o danych i ich analizie. Uczenie maszynowe ma wiele nadzorowanych algorytmów, które w rzeczywistości potrzebują ludzi do wspierania procesu uczenia się poprzez mówienie, co jest dobre, a co złe, więc nie są niezależni. A kiedy zostaną zastosowane, algorytmy są w większości statyczne, dopóki ludzie ich nie sprawdzą. W ML masz głównie czarne skrzynki, a głównym aspektem są dane. Dane wchodzą, dane są analizowane („inteligentnie”), dane gasną, a nauka w większości przypadków dotyczy fazy przedwdrożeniowej / uczenia się. W większości przypadków ML nie dba o środowisko, w którym znajduje się maszyna, tylko o dane.

Zamiast tego AI polega na naśladowaniu inteligencji ludzkiej lub zwierzęcej. Zgodnie z podejściem mojego Profesora AI niekoniecznie polega na samoświadomości, ale na interakcji z otoczeniem, więc aby zbudować AI, musisz dać czujnikom maszyny postrzeganie środowiska, rodzaj inteligencji zdolnej do ciągłego uczenia się i elementów do interakcji z otoczeniem (broń itp.). Interakcja powinna odbywać się w sposób autonomiczny i idealnie, podobnie jak u ludzi, uczenie się powinno być autonomicznym, ciągłym procesem.

Tak więc dron, który skanuje pola w logicznym schemacie w poszukiwaniu wzorów kolorów w celu znalezienia chwastów w uprawach, miałby więcej ML. Szczególnie, jeśli dane są później analizowane i weryfikowane przez ludzi lub zastosowany algorytm jest taki, że algorytm statyczny ma wbudowaną „inteligencję”, ale nie można go zmienić ani dostosować do otoczenia. Dron, który leci autonomicznie, ładuje się, gdy bateria jest rozładowana, skanuje w poszukiwaniu chwastów, uczy się wykrywać nieznane i sam je wyrywa i przywraca do weryfikacji, byłby AI ...

Przed wprowadzeniem różnic ważne jest, aby wyjaśnić, co dokładnie oznaczają.

Sztuczna inteligencja jest nauką i inżynierią sprawiającą, że komputery zachowują się w sposób, który naśladuje ludzkie zachowanie - Andrew Moore

Uczenie maszynowe to badanie algorytmów komputerowych, które pozwalają programom komputerowym na automatyczną poprawę poprzez doświadczenie - Tom Mitchell

Jeśli Sztuczna Inteligencja wytwarza maszyny do wykazywania ludzkiej inteligencji, wówczas uczenie maszynowe jest podejściem do osiągnięcia tej sztucznej inteligencji, w której maszyna może uczyć się samodzielnie, bez wyraźnego zaprogramowania. Po prostu uczenie maszynowe jest częścią sztucznej inteligencji.

Zróbmy na sobie test, aby znaleźć różnicę.

Krok 1: Napiszę słowo i musisz je wypowiedzieć na głos.

To słowo jest: Stackoverflow

Dobry!!! abyś mógł to bezproblemowo wymówić

Krok 2: Teraz musisz wymówić inne słowo.

To słowo jest: Worcestershire

Hmmmm !!! trudności, ale wymawiasz je, co czyni cię inteligentnym.

Tak właśnie, gdy przezwyciężysz trudności, jest to intelligence.

Ale teraz, gdybym powiedział ci, jak to się wymawia, i spróbujesz tego samego testu, nie będziesz mieć trudności, gdy nauczysz się go wymawiać.

To samo dotyczy sztucznej inteligencji i uczenia maszynowego.

Sztuczna inteligencja jest więc sposobem na mapowanie ludzkiej logiki, rozumowania, zrozumienia i umiejętności rozwiązywania problemów.

Podczas uczenia maszynowego chodzi o zapamiętywanie lub przewidywanie według wzorca, statystyki i doświadczenia.

Zatem sztuczna inteligencja polega na posiadaniu umiejętności rozwiązywania problemów, logiki, rozumowania, rozumienia, ale nadal musisz nauczyć się nabywać te umiejętności, więc uczenie maszynowe jest częścią sztucznej inteligencji.

W grach komputerowych sztuczną inteligencją może być: Jeśli gracz skacze, strzelaj. Tak więc AI może być po prostu zbiorem jasnych instrukcji postępowania. Programista AI zdecydował wcześniej, że najlepiej strzelać, gdy gracz skacze.

Głębokie uczenie się to sposób, aby nie definiować tych instrukcji wcześniej, ale uczyć się ich podczas gry, więc AI uczy się, że najlepiej strzelać, gdy gracz skacze. Może się tego nauczyć, próbując strzelać w innym czasie i diagnozując, że ma to mniejszy wpływ.

Sztuczna inteligencja oznacza, że ​​piszesz program do wykonania określonego zadania i nie zastanawiasz się, w jaki sposób użytkownik korzysta z programu lub jakiej części programu stale używa ...

Uczenie maszynowe oznacza, że ​​piszesz ten sam program, a także mówisz programowi, aby zasugerował coś, co użytkownik będzie zainteresowany ...

Najlepszym przykładem uczenia maszynowego jest rozpoznawanie twarzy

napisałeś program do wykrywania kolorów, kształtów twarzy, a następnie, gdy rozpoznaje twarz, możesz wykonywać inne zadania ... To uczenie maszynowe.

ale jeśli masz już dane obrazów różnych twarzy zapisane w programie i porównujesz je z użytkownikiem, a następnie wykonasz określone zadanie, będzie to Sztuczna inteligencja