I dispositivi connessi a Internet sono chiamati dispositivi intelligenti. Praticamente tutto ciò che riguarda Internet è noto come dispositivo intelligente^{(smart device)} . In questo contesto, il codice che rende i dispositivi PIÙ SMART –^{(SMARTER – )} in modo che possano funzionare con il minimo o senza alcun intervento umano – può dirsi basato sull'Intelligenza Artificiale^{(Artificial Intelligence)} (AI). Gli altri due, vale a dire: Machine Learning (ML) e Deep Learning (DL), sono diversi tipi di algoritmi costruiti per portare più funzionalità ai dispositivi intelligenti. Vediamo in dettaglio AI vs ML vs DL di seguito per capire cosa fanno e come sono collegati all'IA.

Che cos'è l'Intelligenza Artificiale rispetto a ML & DL

L' IA può essere definita un superset di processi di Machine Learning (ML) e processi di Deep Learning (DL). L'IA di solito è un termine generico utilizzato per ML e DL. Il Deep Learning^{(Deep Learning)} è di nuovo, un sottoinsieme di Machine Learning (vedi immagine sopra).

Alcuni sostengono che l' apprendimento automatico^{(Machine Learning)} non faccia più parte dell'IA universale. Dicono che il ML sia una scienza completa a sé stante e quindi non ha bisogno di essere chiamato in riferimento all'Intelligenza Artificiale^{(Artificial Intelligence)} . L' IA prospera sui dati: Big Data . Più dati consuma, più accurato è. Non è che preveda sempre correttamente. Ci saranno anche false flag. L'IA si allena su questi errori e migliora in ciò che dovrebbe fare, con o senza la supervisione umana.

L'intelligenza artificiale non può essere definita correttamente poiché è penetrata in quasi tutti i settori e influisce su troppi tipi di processi e algoritmi (aziendali). Possiamo dire che l' Intelligenza^{(Intelligence)} Artificiale si basa sulla Data Science (DS: Big Data ) e contiene il Machine Learning come sua parte distinta. Allo stesso modo^(Likewise) , il Deep Learning è una parte distinta del Machine Learning .

Il modo in cui il mercato IT sta cambiando, il futuro sarebbe dominato da dispositivi intelligenti connessi, chiamati Internet of Things (IoT) . Dispositivi intelligenti^(Smart) significano intelligenza artificiale: direttamente o indirettamente. Stai già utilizzando l'intelligenza artificiale (AI) in molte attività della tua vita quotidiana. Ad esempio, digitando sulla tastiera di uno smartphone che continua a migliorare sul "suggerimento di parole". Tra gli altri esempi in cui hai a che fare inconsapevolmente con l'intelligenza artificiale^{(Artificial Intelligence)} ci sono la ricerca di cose su Internet , gli acquisti online e, naturalmente, le sempre intelligenti caselle di posta di Gmail e Outlook .

Cos'è l'apprendimento automatico

L' apprendimento^(Learning) automatico è un campo dell'intelligenza artificiale^{(Artificial Intelligence)} in cui l'obiettivo è far sì che una macchina (o un computer o un software) impari e si alleni senza molta programmazione. Tali dispositivi richiedono meno programmazione poiché applicano metodi umani per completare le attività, incluso l'apprendimento di come eseguire meglio. Fondamentalmente^(Basically) , ML significa programmare un po' un computer/dispositivo/software e consentirgli di imparare da solo.

Esistono diversi metodi per facilitare l' apprendimento automatico^{(Machine Learning)} . Di questi, i seguenti tre sono ampiamente utilizzati:

1. vigilato,
2. Senza supervisione, e
3. Insegnamento rafforzativo.

Apprendimento supervisionato in Machine Learning

Supervisionato nel senso che i programmatori forniscono prima alla macchina dati etichettati e risposte già elaborate. Qui, le etichette indicano i nomi di riga o colonna in un database o foglio di calcolo. Dopo aver fornito enormi set di tali dati al computer, è pronto per analizzare ulteriori set di dati e fornire risultati da solo. Ciò significa che hai insegnato al computer come analizzare i dati che gli vengono forniti.

Di solito, viene confermato utilizzando la regola 80/20. Enormi^(Huge) set di dati vengono inviati a un computer che prova e apprende la logica dietro le risposte. L'80% dei dati di un evento viene inviato al computer insieme alle risposte. Il restante 20 percento viene alimentato senza risposte per vedere se il computer può fornire risultati adeguati. Questo 20 percento viene utilizzato per il controllo incrociato per vedere come il computer (macchina) sta imparando.

Apprendimento automatico senza supervisione

L'apprendimento non supervisionato si verifica quando la macchina viene alimentata con set di dati casuali non etichettati e non in ordine. La macchina deve capire come produrre i risultati. Ad esempio, se gli offri softball di diversi colori, dovrebbe essere in grado di classificare in base ai colori. Pertanto, in futuro, quando alla macchina verrà presentato un nuovo softball, potrà identificare la palla con etichette già presenti nel suo database. Non ci sono dati di allenamento in questo metodo. La macchina deve imparare da sola.

Insegnamento rafforzativo

Le macchine che possono prendere una sequenza di decisioni rientrano in questa categoria. Poi c'è un sistema di ricompensa. Se la macchina fa bene quello che vuole il programmatore, ottiene una ricompensa. La macchina è programmata in modo da desiderare le massime ricompense. E per ottenerlo, risolve i problemi ideando algoritmi diversi in casi diversi. Ciò significa che il computer AI utilizza metodi di prova ed errore per ottenere risultati.

Ad esempio, se la macchina è un veicolo a guida autonoma, deve creare i propri scenari su strada. Non è possibile che un programmatore possa programmare ogni passaggio poiché non riesce a pensare a tutte le possibilità quando la macchina è in viaggio. È qui che entra in gioco l' apprendimento per rinforzo^{(Reinforcement Learning)} . Puoi anche chiamarlo IA per tentativi ed errori.

In che modo il Deep Learning è diverso dal Machine Learning

Il Deep Learning^{(Deep Learning)} è per compiti più complicati. Deep Learning è un sottoinsieme di Machine Learning . Solo che contiene più reti neurali che aiutano la macchina nell'apprendimento. Le reti neurali artificiali non sono nuove . ^(Manmade)I laboratori^(Labs) di tutto il mondo stanno cercando di costruire e migliorare le reti neurali in modo che le macchine possano prendere decisioni informate. Devi aver sentito parlare di Sophia , un umanoide in Arabia Saudita^(Saudi) a cui è stata fornita la cittadinanza regolare. Le reti neurali sono come i cervelli umani ma non così sofisticate come il cervello.

Ci sono alcune buone reti che forniscono un apprendimento profondo senza supervisione. Puoi dire che il Deep Learning è più reti neurali che imitano il cervello umano. Tuttavia, con un numero sufficiente di dati di esempio, gli algoritmi di Deep Learning possono essere utilizzati per raccogliere dettagli dai dati di esempio. Ad esempio, con una macchina DL con processore di immagini, è più facile creare volti umani con emozioni che cambiano in base alle domande poste alla macchina.

Quanto sopra spiega AI vs MI vs DL in un linguaggio più semplice. L'IA e il ML sono campi vasti, che si stanno appena aprendo e hanno un enorme potenziale. Questo è il motivo per cui alcune persone sono contrarie all'utilizzo di Machine Learning e Deep Learning nell'Intelligenza Artificiale^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices conneсted tо the Іnternet are callеd smart devices. Pretty much everything related to the Internet is knоwn as 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 POWERED BY Machine Learning

• Fatti e miti su Artificial Intelligence

• Cos'è il profondo Learning and Neural Network

• Best Free Artificial Intelligence software per Windows 10

• Come installare Drupal utilizzando WAMP su Windows

• Cos'è Blue Whale Challenge Dare Game

• Si è verificato un errore durante la ricerca degli aggiornamenti in VLC

• Video Confernia etichetta, consigli e regole che devi seguire

• Whiteboard Fox è uno online whiteboard gratuito che consente real-time sharing

• Lampade 10 migliori LED USB per i computer portatili

• Come rendere Invitation Card in Windows PC

• Quell'account non è collegato a nessuno Mixer account

• Le migliori caratteristiche dello LibreOffice Calc

• Cosa sono virtuali Credit Cards e come e dove li prendi?

• Porta il tuo Device (BYOD) Advantages, Best Practices, ecc

• Online Reputation Management Tips, Tools & Services

• Task Management Software gratuito per gestire il lavoro di squadra

• NASA Eyes ti aiuta a esplorare lo Universe come Astronauts

• Cosa significa NFT e come creare NFT Digital Art?

• Best Laptop Backpacks per Men and Women