Z kursu: Wprowadzenie do sztucznej inteligencji
Machine learning
Z kursu: Wprowadzenie do sztucznej inteligencji
Machine learning
- Wyobraź sobie komputer, którego nie trzeba programować. System mógłby uczyć się w taki sam sposób, jak Ty, po prostu obserwując świat. Widzieliście, że wcześniejsze systemy sztucznej inteligencji wykorzystywały podejście symboliczne. Pomysł polegał na tym, że jeśli system rozpoznaje symbole, zaczyna wydawać się inteligentny. Jednym z kluczowych wyzwań było to, że programiści współpracowali z ekspertami przy tworzeniu systemu. Dlatego nazwano je systemami ekspertowymi. Później informatycy zrezygnowali z tego podejścia, ponieważ tworzyło ono zbyt wiele kombinacji. Zdecydowali, że nie można po prostu zaprogramować inteligencji w systemie, ale może można zaprogramować system tak, aby stał się inteligentny poprzez obserwację. Nie czułby, nie słyszałby, nie widział ani nie smakował jak człowiek. Zamiast tego uczyłby się, wykrywając dane. W 1959 roku informatyk Arthur Samuel stworzył program do gry w warcaby, który mógł uczyć się, grając przeciwko sobie. Grał po obu stronach szachownicy i uczył się strategii poprzez obserwację. Im więcej maszyna grała, tym bardziej dostrzegała wzorce, jak wygrać. Informatycy nie zaprogramowali maszyny do gry w warcaby. Uczył się poprzez własne doświadczenia. Arthur Samuel nazwał ten pomysł uczeniem maszynowym. Różniło się to od systemów symbolicznych. Żaden człowiek nie programuje ruchów i kontrataków. Zamiast tego system został zaprojektowany tak, aby uczyć się i doskonalić samodzielnie. System szybko uczył się nowych strategii sprawdzania i po krótkim czasie konsekwentnie pokonywał swojego programistę. Uczenie maszynowe było przełomowym odkryciem. Był tylko jeden minus. Systemy te mogły grać w gry, ale w latach pięćdziesiątych nie było tak dużo danych cyfrowych. Pamiętaj, że uczenie maszynowe wykorzystuje dane jako pięć zmysłów. Tak więc bez danych mógł znaleźć tylko najprostsze wzorce, ale wszystko się zmieniło. Na początku lat dziewięćdziesiątych eksplozja Internetu sprawiła, że zwykli ludzie nagle zaczęli tworzyć ogromne ilości danych. Lata dziewięćdziesiąte to czas gwałtownego rozwoju systemów uczenia maszynowego. Nowe dane były jak woda, która na wyschnięte pola sztucznej inteligencji. W tym momencie systemy uczenia maszynowego miały paliwo, którego potrzebowały, aby stać się bardziej inteligentnymi. Jeśli więc chciałeś nauczyć system, jak rozpoznać kota, miałeś dostęp do milionów zdjęć kotów online. Informatycy zaczęli tworzyć coraz to nowsze algorytmy uczenia maszynowego. Znaleźli się nawet badacze, którzy zaczęli tworzyć systemy zaprojektowane tak, aby naśladować ludzki mózg. Jedną z największych zalet uczenia się przez dane jest to, że maszyny mogą nadal rozwijać się przy użyciu większej ilości danych. Jeśli maszyna znajdzie nowe wzorce, może dostosować się do nowych informacji. Ale ważne jest, aby pamiętać, że nadal napotykasz niektóre z tych samych wyzwań. System uczenia maszynowego wciąż tylko identyfikuje wzorce. Mimo to w ciągu ostatnich kilku lat uczenie maszynowe było najszybciej rozwijającym się obszarem sztucznej inteligencji. Wraz ze wzrostem ilości danych obszar ten okazał się jeszcze bardziej obiecujący. Organizacje nieustannie gromadzą ogromne ilości nowych danych. Więc teraz dużym wyzwaniem stało się ustalenie, co zrobić z tymi wszystkimi informacjami. W pewnym sensie masz systemy sztucznej inteligencji, które przeglądają Twoje dane i pozwalają Twojej organizacji zobaczyć, co znajduje.
Korzystaj z plików z ćwiczeniami, aby zmieniać teorię w praktykę
Pobierz pliki wykorzystywane przez instruktora podczas kursu. Weź udział i ucz się oglądając, słuchając i ćwicząc.
Pobierz kursy i ucz się w dowolnym miejscu
Obejrzyj kursy na urządzeniach mobilnych – bez dostępu do internetu. Pobierz kursy, korzystając z aplikacji LinkedIn Learning w systemie iOS lub Android.