For å lære mer om hvordan en høyskoleutdanning kan akselerere din karriere innen kunstig intelligens, kan du besøke våre programsider MS i AI og MS i datavitenskap, eller last ned denne gratis guiden. Mens vitenskapen tradisjonelt har fokusert på å bygge, utvikle og kontrollere roboter som Roombas og smart androids, er maskinlæring studiet av algoritmer (datamodeller) som maskiner bruker for å utføre en bestemt oppgave.
Oppsummert løser AI oppgaver som krever menneskelig intelligens, mens ML er en delmengde av kunstig intelligens som løser spesifikke oppgaver ved å lære av data og forutsi. I AI utfører en datamaskin en rekke oppgaver basert på instruksjoner, mens i ML er en maskin i stand til å samle, analysere og lære av selve dataene for å utføre disse oppgavene mer nøyaktig og nøyaktig. Maskinlæring, derimot, er en slags kunstig intelligens som faktisk er en maskin som samler data og lærer å gjøre ting som mennesker ikke kunne gjøre i verden, selv om det ser ut til å være mer intelligent generelt.
På den annen side gjør maskinlæring datamaskiner i stand til å gjøre spådommer og ta avgjørelser basert på historiske data og programmer. Maskinlæring er definert som en delmengde av kunstig intelligens som gjør at maskiner kan lære uten å bli programmert fra tidligere data og erfaringer. Det er en delmengde av kunstig intelligens (AI) som gjør at en maskin kan lære av tidligere data eller programmer.
Maskinlæringsalgoritmer lærer, uten eksplisitt programmering, de underliggende relasjonene, mønstrene og korrelasjonene mellom eksisterende data som er spesifikke for et bestemt område, for eksempel helsehjelp, og de kan deretter si forutsigelser. Maskinlæring bruker store mengder strukturerte og semistrukturerte data, og maskinlæringsmodeller gir nøyaktige resultater ved å gjøre forutsigelser basert på disse dataene. I vårt forrige eksempel kalles typen maskinlæring overvåket læring og en overvåket læringsalgoritme prøver å modellere relasjoner, avhengigheter og målspådommer for utdata fra inngangsfunksjoner, slik at vi kan forutsi utdataene til nye data basert på relasjonene det har lært fra tidligere datasett (15 matet).
Kunstig intelligens er et system som inkluderer algoritmer for maskinlæring som forsterkningsalgoritmer, dyp læring, nevrale nettverk, etc. Den utfører oppgaver som krever menneskelig intelligens, for eksempel tenkning, tenkning, læring av erfaring og å ta egne beslutninger. Smale intelligente AI -maskiner kan utføre visse oppgaver bedre enn mennesker, men de har begrenset spillerom.
Bethany Edmunds, assisterende dekan og direktør for Northeastern Computer Science Master Program, sier at kunstig intelligens er et løst definert begrep som bidrar til forvirringen mellom kunstig intelligens og maskinlæring. For eksempel, når vi analyserer forskjellene mellom maskinlæring og dyp læring, innser vi at de har én ting til felles: Begge er basert på AI -prinsipper. Målet er å øke nøyaktigheten, men ML bryr seg ikke om suksessen med å jobbe med dataprogrammer som er intelligente nok til å jobbe med det enkle konseptet at maskiner tar data og lærer av det.
En maskin som håndterer oppgaver på grunnlag av etablerte regler og løser problemer ved intelligent oppførsel av algoritmer kalles kunstig intelligens. Målet er å simulere naturlig intelligens for å løse komplekse problemer, for å lære av dataene for spesifikke oppgaver og for å maksimere maskinens ytelse i disse oppgavene.
Innovasjon er allerede der, ettersom ingeniører lærer å lære datamaskiner og maskiner at programmering av dem til å tenke som mennesker er mer effektivt enn å koble dem til Internett og gi dem tilgang til all informasjon i verden. For eksempel forstår forskere viktige faktorer i intelligente maskiner som lærer å samhandle med skiftende og spontane miljøer, for eksempel behandling av naturlig språk, interaksjon mellom mennesker og maskiner og kreativitet, som kan frigjøre menneskeheten for mange av problemene.
Aktiv læring reduserer mengden data som trengs for å utvikle et kraftig AI -system fordi det bare lærer av relevante data. DL blir en skikkelig boom i AI -verdenen fordi den er drevet av maskinlæring ved bruk av mønstre.
Hvis du laster inn et maskinlæringsprogram med et lite sett med røntgenbilder og beskrivelsen av symptomene som andre ser dem, bør den kunne automatisere analysen av bildene. Forutsatt at vi bruker en akseptabel ML -algoritme for bilder, når maskinlæringsmodellen er lastet med et nytt bilde, kan den sammenligne parameterne med de innsamlede eksemplene og avsløre hvor sannsynlig det er at det nye bildet inneholder et hint om at det bør analyseres.
Dype læringsmodeller har en tendens til å øke nøyaktigheten ved å øke mengden treningsdata, mens tradisjonelle maskinlæringsmodeller som SVM og naive Bayes -klassifisere slutter å forbedre seg etter metningspunktet. Menneskelige merkere krever en slags aktiv ML -læring for å gjøre jobben sin, som kan reduseres til en maskin som velger de mest relevante dataene.
AI (AI) og maskinlæring (ML) dukker opp som emner i stor dataanalyse i den bredere bølgen av teknologisk endring som for tiden renner over verden. Selv om AI krever samme oppmerksomhet og omsorg i datainnsamling og -styring som maskinlæring, er lignende spørsmål nødvendig for å maksimere AI, forenkle driften og redusere risiko.