فهم الذكاء الاصطناعي والتعلم الآلي والتعلم العميق

يلعب الذكاء الاصطناعي (AI) ومجموعاته الفرعية التعلم الآلي (ML) والتعلم العميق (DL) دورًا رئيسيًا في علوم البيانات. علوم البيانات هي عملية شاملة تتضمن المعالجة المسبقة والتحليل والتصور والتنبؤ. يتيح الغوص العميق في منظمة العفو الدولية ومجموعاتها الفرعية.

الذكاء الاصطناعي (AI) هو فرع من فروع علوم الكمبيوتر المعنية ببناء آلات ذكية قادرة على أداء المهام التي تتطلب عادة الذكاء البشري. تنقسم منظمة العفو الدولية بشكل أساسي إلى ثلاث فئات على النحو التالي

الذكاء الاصطناعي الضيق (ANI)
الذكاء العام الاصطناعي (AGI)
الذكاء الاصطناعي الفائق (ASI).
يضيق أحيانًا الذكاء الاصطناعي الضيق باسم "ضعيف الذكاء الاصطناعي" ، ويقوم بمهمة واحدة بطريقة معينة في أفضل حالاتها. على سبيل المثال ، تتسرب ماكينة القهوة الآلية إلى سلسلة من الإجراءات المحددة لصنع القهوة. في حين أن AGI ، التي يشار إليها أيضًا باسم "الذكاء الاصطناعى القوي" ، تقوم بمجموعة واسعة من المهام التي تتضمن التفكير والتفكير كإنسان. مثال على ذلك هو Google Assist و Alexa و Chatbots الذي يستخدم معالجة اللغة الطبيعية (NPL). الذكاء الاصطناعي الفائق (ASI) هو الإصدار المتقدم الذي ينفّذ القدرات البشرية. يمكن أن تؤدي أنشطة إبداعية مثل الفن وصنع القرار والعلاقات العاطفية.

الآن دعونا نلقي نظرة على التعلم الآلي (ML). إنها مجموعة فرعية من الذكاء الاصطناعى تتضمن نمذجة الخوارزميات التي تساعد على عمل تنبؤات بناءً على التعرف على أنماط ومجموعات البيانات المعقدة. يركز التعليم الآلي على تمكين الخوارزميات من التعلم من البيانات المقدمة ، وجمع الأفكار ووضع التنبؤات بشأن البيانات التي لم يتم تحليلها مسبقًا باستخدام المعلومات التي تم جمعها. طرق مختلفة للتعلم الآلة هي

التعلم الخاضع للإشراف (ضعف الذكاء الاصطناعى - المهمة مدفوعة)
التعلم غير الخاضع للإشراف (الذكاء الاصطناعى القوي - البيانات مدفوعة)
التعلم شبه الخاضع (الذكاء الاصطناعى القوي - التكلفة الفعالة)
عزز آلة التعلم. (الذكاء الاصطناعى القوى - تعلم من الاخطاء)
يستخدم التعلم الآلي تحت الإشراف البيانات التاريخية لفهم السلوك وصياغة التوقعات المستقبلية. هنا يتكون النظام من مجموعة بيانات معينة. هو المسمى مع المعلمات للإدخال والإخراج. وبما أن البيانات الجديدة تأتي في تحليل خوارزمية ML البيانات الجديدة ويعطي الإخراج الدقيق على أساس المعلمات الثابتة. التعلم الخاضع للإشراف يمكن أن يؤدي مهام التصنيف أو الانحدار. من أمثلة مهام التصنيف ، تصنيف الصور ، التعرف على الوجوه ، تصنيف البريد الإلكتروني العشوائي ، تحديد كشف الاحتيال ، وما إلى ذلك ، وبالنسبة لمهام الانحدار ، التنبؤ بالطقس ، التنبؤ بنمو السكان ، إلخ.

لا يستخدم تعلم الآلة غير الخاضع للإشراف أي معلمات سرية أو معلمة. إنه يركز على اكتشاف الهياكل المخفية من البيانات غير المسماة لمساعدة الأنظمة على استنتاج وظيفة بشكل صحيح. يستخدمون تقنيات مثل التجميع أو تقليل الأبعاد. التجميع ينطوي على تجميع نقاط البيانات مع قياس مماثل. تعتمد على البيانات وبعض الأمثلة على التجميع هي توصية أفلام للمستخدم في Netflix وتجزئة العملاء وعادات الشراء وما إلى ذلك. بعض أمثلة تقليل الأبعاد هي استنباط الميزات وتصور البيانات الضخم.

يعمل تعلم الآلة شبه الخاضع للإشراف باستخدام البيانات المصنفة وغير المُعلَّمة لتحسين دقة التعلم. يمكن أن يكون التعلم شبه الخاضع حلاً فعالًا من حيث التكلفة عندما يصبح تصنيف البيانات باهظ التكلفة.

التعلم التعزيزى مختلف إلى حد ما عند مقارنته بالتعليم الخاضع للإشراف وغير الخاضع للإشراف. يمكن تعريفها كعملية للتجربة والخطأ في النهاية في توصيل النتائج. يتم تحقيق t من خلال مبدأ دورة التحسين التكراري (التعلم عن طريق أخطاء الماضي). كما تم استخدام التعلم المعزز لتعليم الوكلاء القيادة المستقلة داخل البيئات المحاكاة. كيو التعلم هو مثال على خوارزميات التعلم التعزيز.

الانتقال إلى التعلم العميق (DL) ، هو مجموعة فرعية من التعلم الآلي حيث تقوم بإنشاء خوارزميات تتبع بنية ذات طبقات. يستخدم DL طبقات متعددة لاستخراج ميزات المستوى الأعلى تدريجياً من المدخلات الأولية. على سبيل المثال ، في معالجة الصور ، قد تحدد الطبقات السفلية الحواف ، بينما قد تحدد الطبقات الأعلى المفاهيم ذات الصلة بالإنسان مثل الأرقام أو الحروف أو الوجوه. يشار إلى DL بشكل عام إلى شبكة عصبية عميقة وهذه هي مجموعات الخوارزميات التي هي دقيقة للغاية للمشاكل مثل التعرف على الصوت ، والتعرف على الصور ، ومعالجة اللغة الطبيعية ، وما إلى ذلك.

لتلخيص علوم البيانات يغطي الذكاء الاصطناعي ، والذي يتضمن التعلم الآلي. ومع ذلك ، فإن التعلم الآلي بحد ذاته يغطي تكنولوجيا فرعية أخرى ، وهي التعلم العميق. بفضل الذكاء الاصطناعى لأنه قادر على حل المشاكل الأصعب والأصعب (مثل اكتشاف السرطان بشكل أفضل من أطباء الأورام) أفضل من البشر.