Мы обсудим различия и сходства между машинным обучением и нейронными сетями. Как работают каждые из них и как они связаны с глубоким обучением и искусственным интеллектом.
В чем различия между машинным обучением и нейронными сетями? Машинное обучение, как подмножество искусственного интеллекта, относится к компьютерам, обучающимся на основе данных без явного программирования. Нейронные сети — это особый тип модели машинного обучения, которые используются для принятия решений «как в мозге».
Что такое машинное обучение?
Машинное обучение (или МО) — это дисциплина по созданию вычислительных алгоритмов или систем для “интеллектуальных машин”, или машин, которые могут выполнять задачи с использованием стратегии теми способами, которые используют люди, зачастую даже лучше.
Как подмножество искусственного интеллекта, МО часто путают с ИИ. Однако искусственный интеллект — это обширная дисциплина, охватывающая несколько субдисциплин, таких как машинное обучение, робототехника, визуальные вычисления и другие. Машинное обучение эффективно служит “мозгом” или основой ИИ.
В основе МО лежит использование больших наборов обучающих данных для обеспечения своих систем эффективным изучением закономерностей в данных и наилучших подходов к решению проблем с этими данными. Разные системы будут по-разному использовать данные для продвижения разных типов обучения. Результаты приводят к различным типам стратегического мышления, отличным от алгоритмов МО.
Некоторые характерные типы машинного обучения:
- Контролируемое обучение: Система МО предоставляется с набором данных вместе с набором ожидаемых входных и выходных данных. Теория такого типа обучения заключается в том, что машина, зная желаемый результат, может сопоставить правильные стратегии с данными, чтобы соответствовать этим ожиданиям. Этот тип обучения может поддерживать интеллектуальную классификацию данных и активные стратегии обучения.
- Неконтролируемое обучение: Системе машинного обучения предоставляется набор неструктурированных данных без запланированных выходных данных. Ожидается, что алгоритм машинного обучения будет использовать эти данные для выявления закономерностей и общих черт, которые приводят к самостоятельным стратегиям и инсайтам. Этот вид обучения распространен в статистике и теории вероятностей.
- Обучение с подкреплением: Система работает в виртуальной среде, где за стратегически выгодные действия по достижению цели или набора целей предусмотрено накопительное вознаграждение. Этот тип машинного обучения обычно используется для приложений на основе агентов, таких как игроки, управляемые искусственным интеллектом в онлайн-играх, или агенты, работающие в симуляциях и роевом интеллекте.
Несмотря на различие в подходах, основной целью машинного обучения является создание машин, которые могут использовать данные для независимого создания стратегий решения реальных проблем способами, которые используются и людьми, зачастую лучше. Эти проблемы могут включать в себя такие задачи, как управление беспилотными автомобилями или оптимизационное моделирование сложных производственных сред.
Что такое нейронные сети?
С 1960-х и 1970-х годов традиционное машинное обучение и искусственный интеллект полагались на линейное понимание обучения с помощью простых алгоритмов. Исследователи и ученые использовали линейные логические структуры “если-то”, которые предполагали, что фактические механизмы обучения, лежащие в основе ИИ, будут напрямую соотноситься с их представлением в коде.
Однако по мере развития нашего понимания работы человеческого мозга специалисты по информатике начали пересматривать свой подход к МО. В частности, они начали отходить от машинного обучения на основе кода к системам, которые отражают наше понимание нейронов.
Таким образом, были созданы нейронные сети. Нейронная сеть — это серия узлов (единичных вычислительных единиц), соединенных через набор вводов и выводов. Каждый узел представляет вычисление веса, то есть положительные и отрицательные веса, представляющие отдельные ответы на входные данные, которые приводят к выводу.
Хотя отдельные узлы не выполняют никаких задач по принятию решений, децентрализованная природа нейронной сети такова, что она разбивает сложную структуру на части, в рамках каждой из которых “обучается” поведению посредством возникающего взаимодействия. Следовательно, этот нелинейный подход обеспечивает более гибкий и отзывчивый способ моделирования нелинейных систем.
Кроме того, появление нейронных сетей привело к появлению нескольких новых форм МО:
- Глубокое обучение: слои нейронных сетей объединяются, образуя своего рода “мозг”, в котором сложные задачи разбиты на составные части, скомпилированные в виде слоев в системе. Более простые задачи находятся глубже в сети. Поскольку входные данные формируют поведение для этих задач, выходные данные просачиваются вверх по уровням, чтобы информировать решения более высокого уровня. Типичным примером такого обучения является искусственный интеллект для распознавания лиц, где более простые задачи, такие как отображение шаблонов и распознавание границ, служат основой для сложных задач, таких как распознавание цветов и прогнозирующее отображение.
- Глубокое обучение с подкреплением: Это сочетание глубокого обучения и обучения с подкреплением. ГОП использует нейронные сети с глубоким обучением в качестве основы, принимая входные данные из окружающей среды в качестве агентов при моделировании для изучения сложных стратегий выполнения задач.
Как нейронные сети используются в машинном обучении?
Это не эксклюзивные технологии. Нейронные сети являются важнейшими частями машинного обучения как дисциплины.
Нейронные сети существенно меняют правила игры в современном ИИ и МО именно из-за современного ландшафта данных:
- Платформы больших данных, включая гибридные высокопроизводительные облачные среды и аналитику больших данных, предоставляют объем данных, необходимый для обучения сложных нейронных сетей. До появления этих технологий было сложно обеспечить защиту правильных типов и объемов данных. Эти проблемы ограничивали круг того, что было возможно с помощью ИИ. Однако современные платформы обработки данных создали среду, в которой нейронные сети могут работать с массивными наборами данных и изучать сложные стратегии и операции.
- Аппаратное ускорение с помощью таких технологий, как специализированные графические процессоры и высокопроизводительная энергонезависимая память Express, сделало высокопроизводительные облачные вычисления реальностью. После этого распределенные и масштабируемые платформы машинного обучения вполне доступны специализированным организациям и исследователям.
Эти две технологии дают реальный шанс для нейронных сетей и глубокого обучения. Фактически, одной из наиболее заметных критических проблем в отношении глубокого обучения были непомерно высокие затраты на хранение и вычислительную мощность. Эти затраты покрываются высокопроизводительными вычислительными облачными платформами.
Тем не менее, некоторые критические замечания в отношении глубокого обучения и нейронных сетей все еще существуют. К ним относится возможность того, что нейронные сети обеспечивают лишь поверхностные достижения в сложных системах, которые кажутся одинаково сложными ограниченному человеческому восприятию. Кроме того, другая критика предполагает, что нейронные сети могут изучать сложные взаимосвязи входных и выходных данных — корреляции — без фактического понимания причинно-следственной связи.
Эти критические замечания не вынуждают к немедленному отказу от технологии, а скорее обозначают потенциал, особенно в связи с более широкими обсуждениями того, как системы МО приближаются к интеллекту.
Тем не менее, системы машинного обучения на основе нейронных сетей добились значительных успехов в определенных областях, включая статистическое моделирование, финансовое и страховое моделирование, производственную оптимизацию и контроль, а также ограниченное взаимодействие с людьми через чат-ботов.