Apparaten die met internet zijn verbonden, worden slimme apparaten genoemd. Vrijwel alles wat met internet te maken heeft, staat bekend als een smart device . In deze context kan worden gezegd dat de code die de apparaten SLIMMER maakt -^{(SMARTER – )} zodat deze met minimale of zonder menselijke tussenkomst kan werken - gebaseerd is op ^{( –)}kunstmatige intelligentie^{(Artificial Intelligence)} (AI). De andere twee, namelijk: Machine Learning (ML) en Deep Learning (DL), zijn verschillende soorten algoritmen die zijn gebouwd om meer mogelijkheden naar de slimme apparaten te brengen. Laten we hieronder in detail kijken naar AI versus ML versus DL^{(AI vs ML vs DL )} om te begrijpen wat ze doen en hoe ze verbonden zijn met AI.

Wat is kunstmatige intelligentie met betrekking tot ML & DL

AI kan een superset van Machine Learning (ML)-processen en Deep Learning (DL)-processen worden genoemd. AI is meestal een overkoepelende term die wordt gebruikt voor ML en DL. Deep Learning is opnieuw een subset van Machine Learning (zie afbeelding hierboven).

Sommigen beweren dat Machine Learning geen onderdeel meer is van de universele AI. Ze zeggen dat ML een complete wetenschap op zich is en dus niet hoeft te worden genoemd met verwijzing naar kunstmatige intelligentie^{(Artificial Intelligence)} . AI gedijt op data: Big Data . Hoe meer gegevens het verbruikt, hoe nauwkeuriger het is. Het is niet zo dat het altijd correct zal voorspellen. Er zullen ook valse vlaggen zijn. De AI traint zichzelf op deze fouten en wordt beter in wat het moet doen - met of zonder menselijk toezicht.

Kunstmatige intelligentie kan niet goed worden gedefinieerd, omdat het in bijna alle industrieën is doorgedrongen en veel te veel soorten (bedrijfs)processen en algoritmen beïnvloedt. We kunnen zeggen dat kunstmatige intelligentie^{(Intelligence)} is gebaseerd op Data Science (DS: Big Data ) en Machine Learning als onderscheidend onderdeel bevat. Evenzo^(Likewise) is Deep Learning een duidelijk onderdeel van Machine Learning .

Zoals de IT-markt kantelt, zou de toekomst worden gedomineerd door verbonden slimme apparaten, het Internet of Things (IoT) genoemd . Slimme^(Smart) apparaten betekenen kunstmatige intelligentie: direct of indirect. Je gebruikt kunstmatige intelligentie (AI) al bij veel taken in je dagelijks leven. Bijvoorbeeld typen op het toetsenbord van een smartphone dat steeds beter wordt op "woordensuggestie". Voorbeelden waarbij je onbewust met kunstmatige intelligentie^{(Artificial Intelligence)} te maken hebt , zijn zoeken naar dingen op internet , online winkelen en natuurlijk de altijd slimme Gmail- en Outlook -e-mailinboxen.

Wat is machinaal leren

Machine Learning is een gebied van kunstmatige intelligentie^{(Artificial Intelligence)} waarbij het doel is om een ​​machine (of computer, of software) zichzelf te laten leren en trainen zonder veel te programmeren. Dergelijke apparaten hebben minder programmering nodig omdat ze menselijke methoden toepassen om taken uit te voeren, waaronder leren hoe ze beter kunnen presteren. Kort gezegd^(Basically) betekent ML een computer/apparaat/software een beetje programmeren en deze zelfstandig laten leren.

Er zijn verschillende methoden om Machine Learning te vergemakkelijken . Van hen worden de volgende drie veel gebruikt:

1. begeleid,
2. zonder toezicht, en
3. Versterkend leren.

Begeleid leren in machine learning

In die zin dat programmeurs de machine eerst voorzien van gelabelde gegevens en reeds verwerkte antwoorden. Labels betekenen hier de rij- of kolomnamen in een database of spreadsheet. Na het invoeren van enorme hoeveelheden van dergelijke gegevens naar de computer, is deze klaar om verdere gegevensverzamelingen te analyseren en zelf resultaten te leveren. Dat betekent dat je de computer hebt geleerd hoe hij de gegevens moet analyseren.

Meestal wordt dit bevestigd met behulp van de 80/20-regel. Enorme^(Huge) gegevenssets worden naar een computer gevoerd die de logica achter de antwoorden probeert en leert. 80 procent van de gegevens van een gebeurtenis wordt samen met de antwoorden naar de computer gestuurd. De overige 20 procent wordt zonder antwoorden gevoed om te zien of de computer met de juiste resultaten kan komen. Deze 20 procent wordt gebruikt voor kruiscontroles om te zien hoe de computer (machine) leert.

Machine learning zonder toezicht

Unsupervised Learning vindt plaats wanneer de machine wordt gevoed met willekeurige datasets die niet zijn gelabeld en niet op volgorde staan. De machine moet uitzoeken hoe de resultaten te produceren. Als je het bijvoorbeeld softballs van verschillende kleuren aanbiedt, moet het in staat zijn om op kleur te categoriseren. Dus in de toekomst, wanneer de machine een nieuwe softbal krijgt aangeboden, kan deze de bal identificeren met reeds aanwezige labels in zijn database. Er zijn geen trainingsgegevens in deze methode. De machine moet het zelf leren.

Versterkend leren

Machines die een reeks beslissingen kunnen nemen, vallen in deze categorie. Dan is er een beloningssysteem. Als de machine goed doet in wat de programmeur wil, krijgt hij een beloning. De machine is zo geprogrammeerd dat hij maximale beloningen verlangt. En om het te krijgen, lost het problemen op door verschillende algoritmen in verschillende gevallen te bedenken. Dat betekent dat de AI-computer trial-and-error-methoden gebruikt om tot resultaten te komen.

Als de machine bijvoorbeeld een zelfrijdend voertuig is, moet hij zijn eigen scenario's op de weg creëren. Het is onmogelijk dat een programmeur elke stap kan programmeren, omdat hij of zij niet alle mogelijkheden kan bedenken wanneer de machine onderweg is. Dat is waar Reinforcement Learning om de hoek komt kijken. Je kunt het ook trial and error AI noemen.

Waarin verschilt Deep Learning van Machine Learning ?

Deep Learning is voor meer gecompliceerde taken. Deep Learning is een subset van Machine Learning . Alleen dat het meer neurale netwerken bevat die de machine helpen bij het leren. Door de mens gemaakte^(Manmade) neurale netwerken zijn niet nieuw. Labs over de hele wereld proberen neurale netwerken te bouwen en te verbeteren, zodat de machines weloverwogen beslissingen kunnen nemen. Je hebt vast wel eens gehoord van Sophia , een mensachtige in Saoedi-Arabië^(Saudi) die regulier staatsburgerschap kreeg. Neurale netwerken zijn als menselijke hersenen, maar niet zo geavanceerd als de hersenen.

Er zijn een aantal goede netwerken die zorgen voor deep learning zonder toezicht. Je kunt zeggen dat Deep Learning meer neurale netwerken zijn die het menselijk brein nabootsen. Met voldoende voorbeeldgegevens kunnen de Deep Learning -algoritmen echter worden gebruikt om details uit voorbeeldgegevens op te halen. Met een DL-machine met beeldprocessor is het bijvoorbeeld gemakkelijker om menselijke gezichten te creëren met emoties die veranderen naargelang de vragen die de machine stelt.

Het bovenstaande verklaart AI versus MI versus DL in eenvoudiger taal. AI en ML zijn uitgestrekte gebieden - die zich net openen en een enorm potentieel hebben. Dit is de reden waarom sommige mensen tegen het gebruik van Machine Learning en Deep Learning in kunstmatige intelligentie^{(Artificial Intelligence)} zijn .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devices. Pretty muсh everything related to the Internet is known 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-applicatie mogelijk gemaakt door Machine Learning

• Feiten, mythen, debat over kunstmatige intelligentie

• Wat is diep leren en neuraal netwerk?

• Beste gratis software voor kunstmatige intelligentie voor Windows 10

• Drupal installeren met WAMP op Windows

• Beste tools om gratis sms'jes te versturen vanaf je computer

• Beste laptoprugzakken voor heren en dames

• Beste laptoptafels om online te kopen

• Wat betekent NFT en hoe maak je NFT Digital Art?

• Wat is Blue Whale Challenge Dare Game?

• Buitengesloten van Plex Server en Serverinstellingen? Hier is de oplossing!

• Gratis taakbeheersoftware om Teamwork te beheren

• Hoe pdf-documenten met een wachtwoord te beveiligen en te beveiligen met LibreOffice

• Microsoft Identity Manager: functies, downloaden

• Beste gratis veilige digitale notebooksoftware en online services

• Hoe binair naar tekst te converteren met deze tekst naar binair converter

• Converteer Magnet-links naar Direct Download-links met Seedr

• Verschil tussen analoge, digitale en hybride computers

• Whiteboard Fox is een gratis online whiteboard waarmee u in realtime kunt delen

• Etiquette, tips en regels voor videoconferenties die u moet volgen