فهم الذكاء الاصطناعي والتعلم الآلي والتعلم العميق

يلعب الذكاء الاصطناعي (AI) ومجموعاته الفرعية التعلم الآلي (ML) والتعلم العميق (DL) دورًا رئيسيًا في علوم البيانات. علم البيانات هو عملية شاملة تتضمن المعالجة المسبقة والتحليل والتصور والتنبؤ. دعنا نتعمق في الذكاء الاصطناعي ومجموعاته الفرعية.

الذكاء الاصطناعي

الذكاء الاصطناعي (AI) هو فرع من فروع علوم الكمبيوتر يهتم ببناء آلات ذكية قادرة على أداء المهام التي تتطلب عادةً ذكاءً بشريًا. ينقسم الذكاء الاصطناعي بشكل أساسي إلى ثلاث فئات على النحو التالي

• الذكاء الاصطناعي الضيق (ANI)
• والذكاء العام الاصطناعي (AGI)
• الذكاء الاصطناعي الفائق (ASI).

مجموعة واسعة من المهام

يُشار إلى الذكاء الاصطناعي الضيق أحيانًا باسم “الذكاء الاصطناعي الضعيف” ، وهو يؤدي مهمة واحدة بطريقة معينة في أفضل حالاتها. على سبيل المثال ، تسرق آلة القهوة الآلية التي تؤدي سلسلة محددة جيدًا من الإجراءات لصنع القهوة. في حين أن الذكاء الاصطناعي العام ، والذي يشار إليه أيضًا باسم “الذكاء الاصطناعي القوي” يؤدي مجموعة واسعة من المهام التي تتضمن التفكير والتفكير مثل الإنسان. ومن الأمثلة على ذلك Google Assist و Alexa و Chatbots التي تستخدم معالجة اللغة الطبيعية (NPL). الذكاء الاصطناعي الفائق (ASI) هو الإصدار المتقدم الذي يتفوق على القدرات البشرية. يمكن أن تؤدي أنشطة إبداعية مثل الفن وصنع القرار والعلاقات العاطفية.

الخوارزميات

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

• التعلم الخاضع للإشراف (ضعف الذكاء الاصطناعي – المهام المدفوعة)
• والتعلم غير الخاضع للإشراف (ذكاء اصطناعي قوي – بيانات مدفوعة)
• التعلم شبه الخاضع للإشراف (ذكاء اصطناعي قوي – فعال من حيث التكلفة)
• التعلم الآلي المعزز. (ذكاء اصطناعي قوي – تعلم من الأخطاء)

نمو السكاني

يستخدم التعلم الآلي الخاضع للإشراف البيانات التاريخية لفهم السلوك وصياغة التوقعات المستقبلية. هنا يتكون النظام من مجموعة بيانات محددة. يتم تمييزه بمعلمات للإدخال والإخراج. ومع البيانات الجديدة تأتي خوارزمية ML لتحليل البيانات الجديدة وتعطي الناتج الدقيق على أساس المعلمات الثابتة. يمكن أن يؤدي التعلم الخاضع للإشراف مهام التصنيف أو الانحدار. أمثلة على مهام التصنيف هي تصنيف الصور ، والتعرف على الوجوه ، وتصنيف البريد الإلكتروني العشوائي ، وتحديد كشف الاحتيال ، وما إلى ذلك ، ولمهام الانحدار هي التنبؤ بالطقس ، والتنبؤ بالنمو السكاني ، وما إلى ذلك.

لا يستخدم التعلم الآلي غير الخاضع للإشراف أي معلمات مصنفة أو مصنفة. يركز على اكتشاف الهياكل المخفية من البيانات غير المسماة لمساعدة الأنظمة على استنتاج وظيفة بشكل صحيح. يستخدمون تقنيات مثل التجميع أو تقليل الأبعاد. يتضمن التجميع تجميع نقاط البيانات بمقياس 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 الضخمة.

يعمل التعلم الآلي شبه الخاضع للإشراف باستخدام كل من البيانات المصنفة وغير المصنفة لتحسين دقة التعلم. يمكن أن يكون التعلم شبه الخاضع للإشراف حلاً فعالاً من حيث التكلفة عندما يكون تصنيف البيانات مكلفًا.

Q-Learning

يختلف التعلم المعزز إلى حد ما عند مقارنته بالتعلم الخاضع للإشراف وغير الخاضع للإشراف. يمكن تعريفه على أنه عملية التجربة والخطأ في تقديم النتائج في النهاية. يتم تحقيقه من خلال مبدأ دورة التحسين التكراري (للتعلم من خلال أخطاء الماضي). كما تم استخدام التعلم المعزز لتعليم الوكلاء القيادة الذاتية في بيئات محاكاة. Q-Learning هو مثال لخوارزميات التعلم المعزز.

الأرقام أو الحروف أو الوجوه

المضي قدما إلى التعلم العميق (DL) ، إنها مجموعة فرعية من التعلم الآلي حيث تقوم ببناء خوارزميات تتبع بنية متعددة الطبقات. يستخدم DL طبقات متعددة لاستخراج ميزات المستوى الأعلى تدريجيًا من المدخلات الأولية. على سبيل المثال ، في معالجة الصور ، قد تحدد الطبقات السفلية الحواف ، بينما قد تحدد الطبقات العليا المفاهيم ذات الصلة بالإنسان مثل الأرقام أو الحروف أو الوجوه. يشار إلى DL عمومًا إلى شبكة عصبية اصطناعية عميقة وهذه هي مجموعات الخوارزميات الدقيقة للغاية بالنسبة للمشكلات مثل التعرف على الصوت والتعرف على الصور ومعالجة اللغة الطبيعية وما إلى ذلك.

لتلخيص يغطي علم البيانات الذكاء الاصطناعي ، والذي يتضمن التعلم الآلي. ومع ذلك ، فإن التعلم الآلي نفسه يغطي تقنية فرعية أخرى ، وهي التعلم العميق. بفضل الذكاء الاصطناعي ، فهو قادر على حل المشكلات الأصعب والأكثر صعوبة (مثل اكتشاف السرطان بشكل أفضل من اكتشاف الأورام) بشكل أفضل من البشر.