Python ai example

Machine learning versus diep leren versus neurale netwerken
Aangezien deep learning en machine learning vaak door elkaar worden gebruikt, is het de moeite waard om de nuances tussen beide op te merken. Machine learning, deep learning en neurale netwerken zijn allemaal deelgebieden van kunstmatige intelligentie. Deep learning is echter eigenlijk een subgebied van machine learning en neurale netwerken is een subgebied van deep learning.

De manier waarop deep learning en machine learning verschillen, is hoe elk algoritme leert. Deep learning automatiseert een groot deel van de functie-extractie van het proces, waardoor een deel van de handmatige menselijke tussenkomst die nodig is, wordt geëlimineerd en het gebruik van grotere datasets mogelijk wordt. Je kunt deep learning zien als “schaalbare machine learning”, zoals Lex Fridman opmerkt in deze MIT-lezing (00:30) (link bevindt zich buiten IBM). Klassiek of “niet-diep”, machinaal leren is meer afhankelijk van menselijke tussenkomst om te leren. Menselijke experts bepalen de reeks functies om de verschillen tussen gegevensinvoer te begrijpen, waarvoor meestal meer gestructureerde gegevens nodig zijn om te leren.

“Deep” machine learning kan gebruikmaken van gelabelde datasets, ook wel gesuperviseerd leren genoemd, om het algoritme te informeren, maar het vereist niet per se een gelabelde dataset. Het kan ongestructureerde gegevens in onbewerkte vorm opnemen (bijv. tekst, afbeeldingen) en het kan automatisch de reeks functies bepalen die verschillende categorieën gegevens van elkaar onderscheiden. In tegenstelling tot machine learning, is er geen menselijke tussenkomst nodig om gegevens te verwerken, waardoor we machine learning op interessantere manieren kunnen schalen. Deep learning en neurale netwerken worden voornamelijk gecrediteerd voor het versnellen van de vooruitgang op gebieden, zoals computervisie, natuurlijke taalverwerking en spraakherkenning.

Neurale netwerken, of kunstmatige neurale netwerken (ANN’s), bestaan ​​uit knooppuntlagen, die een invoerlaag, een of meer verborgen lagen en een uitvoerlaag bevatten. Elke knoop, of kunstmatige neuron, maakt verbinding met een andere en heeft een bijbehorend gewicht en drempel. Als de uitvoer van een individueel knooppunt boven de opgegeven drempelwaarde ligt, wordt dat knooppunt geactiveerd en worden gegevens naar de volgende laag van het netwerk verzonden. Anders worden er geen gegevens doorgegeven aan de volgende laag van het netwerk. De ‘diepgang’ in deep learning verwijst alleen maar naar de diepte van lagen in een neuraal netwerk. Een neuraal netwerk dat uit meer dan drie lagen bestaat – inclusief de input en de output – kan worden beschouwd als een deep learning-algoritme of een diep neuraal netwerk. Een neuraal netwerk dat slechts twee of drie lagen heeft, is slechts een basis neuraal netwerk.

Zie de blogpost “AI versus machinaal leren versus diep leren versus neurale netwerken: wat is het verschil?” voor een nadere blik op hoe de verschillende concepten zich verhouden.

python ai example