Niektóre z najważniejszych używanych przez nas technologii są oparte na systemach uczących się. od aplikacji tłumaczeniowych po autonomiczne pojazdy. Tematy w tym kursie i koncepcjami stojącymi za ML.
Systemy uczące się oferują nowy sposób rozwiązywania problemów, odpowiadania na złożone pytania i tworzenia nowych treści. Systemy uczące się mogą przewidywać pogodę, oszacować czas podróży, piosenki, automatycznie uzupełniaj zdania, podsumowuj artykuły i generuj nigdy wcześniej nie widzieliśmy.
Ogólnie rzecz biorąc, ML to proces trenowania oprogramowania, model, aby zapewnić podpowiedzi lub generowania treści na podstawie i skalowalnych danych.
Załóżmy na przykład, że chcemy stworzyć aplikację przewidywaną opadami deszczu. Mogliśmy stosuje podejście tradycyjne lub ML. Tradycyjne pozwolilibyśmy stworzyć fizyczną reprezentację atmosfery ziemskiej, i powierzchni, obliczając ogromne ilości równań dynamiki płynu. To jest niezwykle trudne.
Korzystając z metod ML, dalibyśmy modelowi ML ogromne ilości danych pogodowych aż model ML nauczył się zależności matematycznej między wzorców pogodowych skutkujących różnymi ilościami opadów. Następnie nadajemy modelować bieżące dane pogodowe, aby przewidywać ilość opadów.
Sprawdź swoją wiedzę
Typy systemów ML
Systemy ML dzielą się na co najmniej 1 z tych kategorii na podstawie tego, nauczyć się formułować prognozy lub generować treści:
- Nauczanie nadzorowane
- Nauka nienadzorowana
- Uczenie się przez wzmocnienie
- Generatywna AI
Nauczanie nadzorowane
Nauczanie nadzorowane modele mogą generować prognozy po zobaczeniu dużej ilości danych z właściwymi odpowiedziami a następnie odnajdywanie powiązań między elementami w danych, udzielania poprawnych odpowiedzi. To jak uczeń uczący się nowego materiału sprawdzania starych egzaminów, które zawierają zarówno pytania, jak i odpowiedzi. Gdy uczeń i uczył się na podstawie wystarczającej liczby starych egzaminów, jest dobrze przygotowany do nowego egzaminu. Te systemy ML są „nadzorowane” w tym sensie, że człowiek nadaje systemowi ML ze znanymi poprawnymi wynikami.
Dwa najczęstsze przypadki użycia w uczeniu nadzorowanym to regresja, klasyfikacja danych.
Regresja
Model regresji przewiduje, wartość liczbową. Na przykład model pogodowy, który przewiduje ilość deszczu, cale lub milimetry to model regresji.
W tabeli poniżej znajdziesz więcej przykładów modeli regresji:
| Scenariusz | Możliwe dane wejściowe | Prognoza liczbowa |
|---|---|---|
| Przyszła cena domu | Powierzchnia, kod pocztowy, liczba sypialni i łazienek, wielkość działki. oprocentowanie kredytu hipotecznego, stawka podatku od nieruchomości, koszty budowy oraz ile domów na sprzedaż jest w okolicy. | Cena domu. |
| Przyszły czas przejazdu | dane historyczne o warunkach na drogach (ze smartfonów, informacje o natężeniu ruchu); czujniki, czujniki samochodowe i inne aplikacje nawigacyjne), odległość od miejsce docelowe i warunki pogodowe. | Czas dotarcia do celu w minutach i sekundach. |
Klasyfikacja
Prognozuj modele klasyfikacji prawdopodobieństwo, że coś należy do danej kategorii. W przeciwieństwie do modeli regresji których dane wyjściowe są liczbą, modele klasyfikacji zwracają wartość, która stanowi: czy coś należy do konkretnej kategorii. Przykład: modele klasyfikacji używane do prognozowania, czy e-mail jest spamem lub czy zawiera zdjęcie; jest kot.
Modele klasyfikacji dzielą się na 2 grupy: klasyfikację binarną oraz
klasyfikacja wieloklasowa. Binarne modele klasyfikacji zwracają wartość z
klasa, która zawiera tylko 2 wartości. Na przykład model zwracający jedną z tych wartości:
rain lub no rain. Modele klasyfikacji wieloklasowej zwracają wartość z klasy
klasa, która zawiera więcej niż dwie wartości, np. model, który może wyświetlać
rain, hail, snow lub sleet.
Sprawdź swoją wiedzę
Nauka nienadzorowana
Nauka nienadzorowana modele generują prognozy na podstawie danych, które nie zawierają żadnych prawidłowych odpowiedzi. Celem nienadzorowanego modelu uczenia się jest identyfikacja znaczących w danych. Inaczej mówiąc, model nie ma żadnych wskazówek, może skategoryzować każdy element danych, ale zamiast tego musi wywnioskować własne reguły.
W powszechnie stosowanym modelu uczenia nienadzorowanego wykorzystuje się technikę o nazwie grupowaniami. Model znajduje punkty danych które odróżniają naturalne grupy.
Rysunek 1. Model ML grupujący podobne punkty danych.
Rysunek 2. Grupy klastrów z naturalnymi demarkacjami.
Grupowanie różni się od klasyfikacji, ponieważ kategorie nie są definiowane przez do Ciebie. Model nienadzorowany może na przykład grupować zbiór danych o pogodzie na podstawie: temperatury, aby uzyskać podział na pórki. Możesz wtedy nazwać te klastry zgodnie z Twoją wiedzą na temat zbioru danych.
Rysunek 3. Model ML grupujący podobne wzorce pogody.
Rysunek 4. Grupy wzorców pogodowych oznaczonych jako śnieg, deszcz ze śniegiem deszcz ani deszcz.
Sprawdź swoją wiedzę
Uczenie się przez wzmocnienie
Uczenie się przez wzmacnianie modele tworzą prognozy, zdobywając nagrody kary oparte na działaniach wykonywanych w danym środowisku. Wzmocnienie system uczących się generuje zasadę, aby opracować najlepszą strategię, aby zdobyć jak najwięcej nagród.
Uczenie się przez wzmacnianie jest wykorzystywane do trenowania robotów do wykonywania zadań, takich jak chodzenie w pomieszczeniu i programy, AlphaGo aby zagrać w Go.
Generatywna AI
Generatywna AI to klasa modeli, który tworzy treści na podstawie danych wejściowych użytkownika. Generatywna AI może na przykład tworzyć niepowtarzalne obrazy, kompozycje muzyczne i dowcipy; może podsumowywać artykuły, wyjaśnić, jak wykonać dane zadanie lub jak edytować zdjęcie.
Generatywna AI może przyjmować różne dane wejściowe i generować różne wyniki, na przykład tekstu, obrazów, dźwięku i filmów. Może również pobierać i tworzyć kombinacje ich. Model może na przykład pobrać obraz jako dane wejściowe i utworzyć obraz, a następnie jako dane wyjściowe lub użyć jako danych wejściowych obrazu i tekstu i utworzyć film jako dane wyjściowe.
Modele generatywne możemy omawiać na podstawie danych wejściowych i wyjściowych, zwykle zapisanych jako „typ danych wejściowych” do „typu danych wyjściowych”. Na przykład to jest częściowa lista niektórych danych wejściowych i wyjściowych modeli generatywnych:
- Tekst na tekst
- Tekst na obraz
- Tekst na film
- Tekst na kod
- Zamiana tekstu na mowę
- Obraz i tekst na obraz
W tabeli poniżej znajdziesz przykłady modeli generatywnych, ich dane wejściowe oraz przykład możliwych wyników:
| Model | Dane wejściowe | Przykładowe dane wyjściowe |
|---|---|---|
| Tekst na tekst | Kto wymyślił wyścig Le Mans? |
The 24 Hours of Le Mans został założony przez Automobile Club de l'Ouest
(ACO) to organizacja motoryzacyjna założona w 1906 roku. Odbył się pierwszy wyścig
26 i 27 maja 1923 roku na torze Sarthe Circuit mierzący 13, 426 km
Tor drogowy o długości 13 km położony w pobliżu miasta Le Mans we Francji.
Początkowo wyścig miał być promowany przez ACO i
Region Sarthe. Źródło: Bard |
| Tekst na obraz | Kosmiczna ośmiornica przepływa przez portal i czyta gazetę. |
 , Źródło: Imagen |
| Tekst na film | Fotorealistyczny miś pływający w oceanie w San Francisco. Pluszowy miś zanurza się pod wodą. Pływający pluszowy miś w wodzie z kolorowymi rybami. Niedźwiedź pandy pływający pod wodą. |
 , Źródło: Phenaki |
| Tekst na kod | Napisz pętlę w Pythonie, która odtwarza listę liczb i wyświetla liczby pierwsze. |
for number in numbers:
# Check if the number is prime.
is_prime = True
for i in range(2, number):
if number % i == 0:
is_prime = False
break
# If the number is prime, print it.
if is_prime:
print(number)
, Źródło: Bard |
| Obraz na tekst |  |
Taki odgłos wydaje flaming. Występują na Karaibach. Źródło: Google DeepMind |
Jak działa generatywna AI? Ogólnie modele generatywne uczą się w danych w celu uzyskania nowych, ale podobnych danych. Generatywne modele są następujące:
- Komicy, którzy uczą się naśladować innych przez obserwację zachowań ludzi, styl mówienia
- Artyści, którzy uczą się malować w określonym stylu, ucząc się wielu obrazy w tym stylu
- Covery, które uczą się brzmienia jak konkretna grupa dużo muzyki w tym zespole
Aby uzyskać unikalne i kreatywne wyniki, najpierw trenowane są modele generatywne w ramach metody nienadzorowanej, w której model uczy się naśladować dane na których trenowano. Model jest czasem trenowany w trybie nadzorowanym lub uczenie się przez wzmacnianie konkretnych danych związanych z zadaniami, którymi model może być o przeprowadzenie, na przykład streszczenia artykułu lub edycji zdjęcia.
Generatywna AI to szybko rozwijająca się technologia, która stale tworzy nowe przypadki użycia do wykrycia. Na przykład modele generatywne pomagają firmom ulepszać zdjęć produktów e-commerce, automatycznie usuwając rozpraszające tło. lub poprawienie jakości zdjęć w niskiej rozdzielczości.