อุปกรณ์ที่เชื่อมต่ออินเทอร์เน็ต^(Internet)เรียกว่าอุปกรณ์อัจฉริยะ เกือบทุกอย่างที่เกี่ยวข้องกับอินเทอร์เน็ต^(Internet)เรียกว่าอุปกรณ์อัจฉริยะ ^{(smart device)}ในบริบทนี้ โค้ดที่ทำให้อุปกรณ์ฉลาดขึ้น –^{(SMARTER – )}เพื่อให้สามารถทำงานได้น้อยที่สุดหรือไม่มีการแทรกแซงของมนุษย์–อาจกล่าวได้ว่าอยู่บนพื้นฐานของปัญญาประดิษฐ์^{(Artificial Intelligence)} (AI) อีกสองประเภทคือMachine Learning (ML) และDeep Learning (DL) เป็นอัลกอริทึมประเภทต่างๆ ที่สร้างขึ้นเพื่อเพิ่มความสามารถให้กับอุปกรณ์อัจฉริยะ มาดู รายละเอียด AI vs ML vs DLด้านล่างเพื่อทำความเข้าใจว่าพวกมันทำอะไรและเชื่อมโยงกับ AI อย่างไร

ปัญญาประดิษฐ์สำหรับ ML & DL . คืออะไร

AI สามารถเรียกได้ว่าเป็น superset ของ กระบวนการ Machine Learning (ML) และกระบวนการDeep Learning (DL) AI มักเป็นคำที่ใช้สำหรับ ML และ DL Deep Learningเป็นอีกส่วนย่อยของMachine Learning (ดูภาพด้านบน)

บางคนโต้แย้งว่าแมชชีนเลิ^{(Machine Learning)} ร์นนิง ไม่ได้เป็นส่วนหนึ่งของ AI สากลอีกต่อไป พวกเขากล่าวว่า ML เป็นวิทยาศาสตร์ที่สมบูรณ์ในสิทธิของตนเอง ดังนั้นจึงไม่จำเป็นต้องเรียกโดยอ้างถึงปัญญาประดิษฐ์ ^{(Artificial Intelligence)}AI เติบโต จากข้อมูล: Big Data ยิ่งใช้ข้อมูลมากเท่าไหร่ก็ยิ่งแม่นยำมากขึ้นเท่านั้น ไม่ใช่ว่าจะทำนายได้ถูกต้องเสมอไป จะมีแฟล็กปลอมด้วย AI ฝึกฝนตัวเองจากความผิดพลาดเหล่านี้และจะดีขึ้นในสิ่งที่ควรจะทำ ไม่ว่าจะอยู่ภายใต้การควบคุมของมนุษย์หรือไม่ก็ตาม

ไม่สามารถกำหนดปัญญาประดิษฐ์ ได้อย่างเหมาะสม เนื่องจากมีการเจาะเข้าไปในอุตสาหกรรมเกือบทั้งหมด และส่งผลกระทบต่อกระบวนการ (ธุรกิจ) และอัลกอริธึมหลายประเภทมากเกินไป เราสามารถพูดได้ว่าปัญญาประดิษฐ์มี^{(Intelligence)}พื้นฐานมาจากวิทยาศาสตร์ข้อมูล^{(Data Science)} (DS: Big Data ) และมีการเรียนรู้ของเครื่อง^{(Machine Learning)}เป็นส่วนที่ชัดเจน ใน ทำนองเดียวกัน^(Likewise) Deep Learning^{(Deep Learning)}ก็เป็นส่วนหนึ่งของ การเรียนรู้ ของเครื่อง^{(Machine Learning)}

ตลาดไอทีกำลังเปลี่ยนแปลงไปอย่างไร อนาคตจะถูกครอบงำด้วยอุปกรณ์อัจฉริยะที่เชื่อมต่อ เรียกว่าInternet of Things (IoT ) อุปกรณ์ สมาร์ท^(Smart)หมายถึงปัญญาประดิษฐ์: โดยตรงหรือโดยอ้อม คุณใช้ปัญญาประดิษฐ์ (AI) อยู่แล้วในหลาย ๆ งานในชีวิตประจำวันของคุณ ตัวอย่างเช่น การพิมพ์บนแป้นพิมพ์ของสมาร์ทโฟนที่ช่วยให้ "คำแนะนำคำ" ดีขึ้นเรื่อยๆ ตัวอย่างอื่นๆ ที่คุณจัดการกับปัญญาประดิษฐ์^{(Artificial Intelligence)} โดยไม่รู้ตัวคือการ ค้นหาสิ่งต่างๆ บนอินเทอร์เน็ต^(Internet)การช็อปปิ้งออนไลน์ และแน่นอนว่ากล่องจดหมายอีเมลGmailและOutlook ที่ชาญฉลาด^(Outlook)

แมชชีนเลิร์นนิงคืออะไร

Machine Learningเป็นสาขาหนึ่งของปัญญาประดิษฐ์^{(Artificial Intelligence)}ที่มีจุดมุ่งหมายเพื่อให้เครื่อง (หรือคอมพิวเตอร์หรือซอฟต์แวร์) เรียนรู้และฝึกฝนตัวเองโดยไม่ต้องเขียนโปรแกรมมากนัก อุปกรณ์ดังกล่าวต้องการการเขียนโปรแกรมน้อยลงเนื่องจากใช้วิธีการของมนุษย์ในการทำงานให้เสร็จสิ้น รวมถึงการเรียนรู้วิธีการทำงานได้ดีขึ้น โดยทั่วไป^(Basically) ML หมายถึงการเขียนโปรแกรมคอมพิวเตอร์/อุปกรณ์/ซอฟต์แวร์เล็กน้อย และอนุญาตให้เรียนรู้ด้วยตนเอง

มีหลายวิธีที่จะอำนวยความสะดวกใน การเรียนรู้ ของเครื่อง ^{(Machine Learning)}ในจำนวนนี้มีการใช้สามอย่างต่อไปนี้อย่างกว้างขวาง:

1. ดูแล
2. ไม่ได้รับการดูแลและ
3. การเรียนรู้การเสริมแรง

การเรียนรู้ภายใต้การดูแลในการเรียนรู้ของเครื่อง^{(Machine Learning)}

ควบคุมดูแลในแง่ที่ว่าโปรแกรมเมอร์ได้จัดเตรียมข้อมูลที่มีป้ายกำกับไว้บนเครื่องก่อนและได้ประมวลผลคำตอบแล้ว ในที่นี้ ป้ายกำกับหมายถึงชื่อแถวหรือคอลัมน์ในฐานข้อมูลหรือสเปรดชีต หลังจากป้อนข้อมูลดังกล่าวไปยังคอมพิวเตอร์ชุดใหญ่แล้ว ก็พร้อมที่จะวิเคราะห์ชุดข้อมูลเพิ่มเติมและให้ผลลัพธ์ด้วยตัวมันเอง นั่นหมายความว่าคุณได้สอนคอมพิวเตอร์ถึงวิธีวิเคราะห์ข้อมูลที่ป้อนเข้าไป

โดยปกติ จะได้รับการยืนยันโดยใช้กฎ 80/20 ข้อมูลจำนวน มาก^(Huge)ถูกส่งไปยังคอมพิวเตอร์ที่พยายามและเรียนรู้ตรรกะเบื้องหลังคำตอบ ข้อมูล 80 เปอร์เซ็นต์จากเหตุการณ์ถูกป้อนไปยังคอมพิวเตอร์พร้อมกับคำตอบ ส่วนที่เหลืออีก 20 เปอร์เซ็นต์จะถูกป้อนโดยไม่มีคำตอบเพื่อดูว่าคอมพิวเตอร์สามารถให้ผลลัพธ์ที่เหมาะสมได้หรือไม่ 20 เปอร์เซ็นต์นี้ใช้สำหรับการตรวจสอบข้ามเพื่อดูว่าคอมพิวเตอร์ (เครื่อง) กำลังเรียนรู้อย่างไร

การเรียนรู้ของเครื่องโดยไม่ได้รับการดูแล

Unsupervised Learning เกิดขึ้นเมื่อเครื่องถูกป้อนด้วยชุดข้อมูลแบบสุ่มที่ไม่ได้ติดฉลากและไม่เรียงตามลำดับ เครื่องต้องคิดหาวิธีสร้างผลลัพธ์ ตัวอย่างเช่น หากคุณเสนอซอฟต์บอลที่มีสีต่างกัน ควรจะจัดหมวดหมู่ตามสีได้ ดังนั้น ในอนาคต เมื่อเครื่องจักรถูกนำเสนอด้วยซอฟต์บอลใหม่ ก็สามารถระบุลูกบอลที่มีป้ายกำกับอยู่แล้วในฐานข้อมูลได้ ไม่มีข้อมูลการฝึกอบรมในวิธีนี้ เครื่องต้องเรียนรู้ด้วยตัวเอง

การเรียนรู้การเสริมแรง

เครื่องจักรที่สามารถตัดสินใจได้ตามลำดับจะจัดอยู่ในหมวดหมู่นี้ แล้วมีระบบการให้รางวัล ถ้าเครื่องทำงานได้ดีในสิ่งที่โปรแกรมเมอร์ต้องการก็จะได้รับรางวัล เครื่องได้รับการตั้งโปรแกรมในลักษณะที่ต้องการรางวัลสูงสุด และเพื่อให้ได้มันมา มันแก้ปัญหาด้วยการกำหนดอัลกอริทึมที่แตกต่างกันในกรณีต่างๆ นั่นหมายความว่าคอมพิวเตอร์ AI ใช้วิธีการทดลองและข้อผิดพลาดเพื่อให้ได้ผลลัพธ์

ตัวอย่างเช่น หากเครื่องจักรเป็นรถยนต์ที่ขับเคลื่อนด้วยตนเอง ก็ต้องสร้างสถานการณ์ของตัวเองบนท้องถนน ไม่มีทางที่โปรแกรมเมอร์จะตั้งโปรแกรมในทุกขั้นตอนได้ เนื่องจากเขาหรือเธอคิดไม่ออกถึงความเป็นไปได้ทั้งหมดเมื่อเครื่องจักรอยู่บนท้องถนน นั่นคือที่ มาของ Reinforcement Learningคุณยังสามารถเรียกมันว่า AI การลองผิดลองถูก

Deep Learning แตกต่างจากMachine Learning อย่างไร^{(Machine Learning)}

Deep Learningสำหรับงานที่ซับซ้อนมากขึ้น การเรียนรู้เชิงลึก^{(Deep Learning)}เป็นส่วนย่อยของ การเรียนรู้ ของเครื่อง ^{(Machine Learning)}มีเพียงโครงข่ายประสาทเทียมที่ช่วยให้เครื่องเรียนรู้มากขึ้นเท่านั้น โครงข่ายประสาทเทียมที่ มนุษย์สร้างขึ้น^(Manmade)ไม่ใช่เรื่องใหม่ ห้องปฏิบัติการ^(Labs)ทั่วโลกกำลังพยายามสร้างและปรับปรุงโครงข่ายประสาทเทียม เพื่อให้เครื่องสามารถตัดสินใจได้อย่างมีข้อมูล คุณต้องเคยได้ยินเกี่ยวกับโซเฟีย^(Sophia)ซึ่งเป็นมนุษย์ในซาอุดิอาระเบีย^(Saudi)ที่ได้รับสัญชาติปกติ โครงข่ายประสาทเป็นเหมือนสมองของมนุษย์ แต่ไม่ซับซ้อนเท่าสมอง

มีเครือข่ายที่ดีบางเครือข่ายที่ให้การเรียนรู้เชิงลึกโดยไม่ต้องมีผู้ดูแล คุณสามารถพูดได้ว่าDeep Learningเป็นโครงข่ายประสาทเทียมที่เลียนแบบสมองของมนุษย์มากกว่า หากมีข้อมูลตัวอย่างเพียงพอ อัลกอริทึม Deep Learningก็สามารถใช้เก็บรายละเอียดจากข้อมูลตัวอย่างได้ ตัวอย่างเช่น ด้วยเครื่องประมวลผลภาพ DL การสร้างใบหน้ามนุษย์ด้วยอารมณ์ที่เปลี่ยนไปตามคำถามที่เครื่องถามนั้นทำได้ง่ายขึ้น

ข้างต้นอธิบาย AI กับ MI เทียบกับ DL ในภาษาที่ง่ายกว่า AI และ ML เป็นสาขากว้างใหญ่ – ที่เพิ่งเปิดกว้างและมีศักยภาพมหาศาล นี่คือเหตุผลที่บางคนต่อต้านการใช้Machine LearningและDeep Learningในปัญญาประดิษฐ์^{(Artificial Intelligence)}

What are Machine Learning and Deep Learning in Artificial Intelligence

Dеvices conneсted to the Internet are called smart devices. Prettу much everythіng related to the Internеt iѕ known аs 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 Application ขับเคลื่อนโดย Machine Learning

• ข้อเท็จจริงและตำนานเกี่ยวกับ Artificial Intelligence

• Learning and Neural Network ลึกอะไร

• Best Free Artificial Intelligence software สำหรับ Windows 10

• วิธีการติดตั้ง Drupal โดยใช้ WAMP บน Windows

• คุณสมบัติที่ดีที่สุดใน LibreOffice Calc

• Microsoft Identity Manager: คุณสมบัติ, Download

• Automate.io เป็นทางเลือก automation tool and IFTTT ฟรี

• นำของคุณเอง Device (BYOD) Advantages, Best Practices, ฯลฯ

• วิธีการลบ Your LastPass Account

• Blue Whale Challenge Dare Game คืออะไร

• Online Reputation Management Tips, Tools & Services

• วิธีปิด Payoneer Account ของคุณ?

• NASA's Eyes ช่วยให้คุณสำรวจ Universe เช่น Astronauts

• อะไรคือ 'ชิปและ PIN' หรือ EMV Credit การ์ด

• Best ฟรี Secure Digital Notebook Software & Online Services

• วิธีทำ Invitation Card ใน Windows PC

• Best Software & Hardware Bitcoin Wallets สำหรับ Windows, IOS, Android

• ล็อคออกจาก Plex Server and Server Settings? นี่คือการแก้ไข!

• เกิดข้อผิดพลาดขณะตรวจสอบการอัปเดตใน VLC