what is artificial intelligence
人工知能（AI）、知能の要素、機械学習、ディープラーニング、NLPなどのAIのサブフィールドとは何ですか。
コンピュータネットワーキングシステムは、さまざまなタスクを実行するための人間の肉体的および精神的努力を軽減するさまざまなタイプのガジェットおよびデバイスを提供することにより、人間のライフスタイルを改善しました。人工知能は、このプロセスの次のステップであり、論理的、分析的、およびより生産的なテクノロジーをこの取り組みに適用することで、より効果的にします。
このチュートリアルでは、さまざまな例を使用して、人工知能とその定義およびコンポーネントについて説明します。また、人間と機械の知能の違いについても探ります。
学習内容：
人工知能（AI）とは何ですか？
人工知能を説明するために利用できるさまざまな技術的定義がありますが、それらはすべて非常に複雑で混乱を招きます。理解を深めるために、簡単な言葉で定義を詳しく説明します。
人間は、あらゆる問題を解決し、分析的思考、論理的推論、統計的知識、数学的または計算知能などのスキルでビッグデータを分析できるため、この地球上で最もインテリジェントな種と見なされています。
これらすべてのスキルの組み合わせを念頭に置いて、人工知能は、人間が実行できるのと同様に、機械の複雑な問題を解決する能力を課す機械とロボットのために開発されています。
人工知能は、医療分野、自動車、日常生活のアプリケーション、電子機器、通信、およびコンピュータネットワークシステムを含むすべての分野に適用できます。
技術的には コンピュータネットワークに関連するAIは、生データを正確に理解し、そのデータから有用な情報を収集し、それらの調査結果を使用して最終的なソリューションを実現できるコンピュータデバイスおよびネットワークシステムとして定義できます。 柔軟なアプローチと簡単に適応できるソリューションによる問題の割り当て。
インテリジェンスの要素
＃1）理由： これは、問題の判断、予測、および意思決定を行うための基本的な基準とガイドラインを提供するのに役立つ手順です。
推論には2つのタイプがあります。1つは、一般的に観察された発生率とステートメントに基づく一般化された推論です。この場合、結論が誤っている場合があります。もう1つは論理的推論であり、事実、数値、特定のステートメント、および特定の、言及された、観察された発生率に基づいています。したがって、この場合、結論は正しく論理的です。
＃2）学習： それは、本、人生の本当の出来事、経験、何人かの専門家による教えなど、さまざまな情報源から知識とスキルの発達を獲得する行動です。学習は、彼が知らない分野での人の知識を高めます。
学習能力は人間だけでなく、一部の動物によっても発揮され、人工知能システムはこのスキルを持っています。
学習には、以下に示すさまざまなタイプがあります。
スタックc ++を使用するdfs
- 音声スピーチ学習は、ある教師が講義を行っているときのプロセスに基づいており、可聴学生はそれを聞いて記憶し、それを使って知識を得ることができます。
- 線形学習は、人が遭遇し、そこから学んだ一連のイベントを記憶することに基づいています。
- 観察学習とは、他人や動物などの生き物の行動や表情を観察して学習することです。 例えば、 小さな子供は両親をまねて話すことを学びます。
- 知覚学習は、視覚とオブジェクトを識別して分類し、それらを記憶することによる学習に基づいています。
- リレーショナル学習は、過去の出来事や間違いから学び、それらを即興で行う努力をすることに基づいています。
- 空間学習とは、画像、ビデオ、色、地図、映画などのビジュアルから学習することを意味します。これは、将来の参照に必要なときにいつでも、人々が心の中にあるイメージを作成するのに役立ちます。
＃3）問題解決： これは、問題の原因を特定し、問題を解決するための可能な方法を見つけるプロセスです。これは、問題を分析し、意思決定を行い、問題の最終的で最適な解決策に到達するための複数の解決策を見つけることによって行われます。
ここでの最後のモットーは、最小限の時間で問題解決の最良の結果を達成するために、利用可能なものから最良の解決策を見つけることです。
＃4）知覚： これは、生の入力から有用なデータを取得、推論、選択、および体系化する現象です。
人間の場合、知覚は、経験、感覚器官、および環境の状況条件から導き出されます。しかし、人工知能の知覚に関しては、論理的な方法でデータに関連する人工センサーメカニズムによって取得されます。
＃5）言語インテリジェンス： これは、さまざまな言語で口頭でのことを展開、理解、読み取り、および書き込む能力の現象です。これは、2人以上の個人間のコミュニケーションのモードの基本的なコンポーネントであり、分析的および論理的な理解にも必要なものです。
人間と機械の知能の違い
次の点で違いが説明されます。
＃1） 人間がさまざまなタイプの複雑なタスクを実行し、さまざまな状況でさまざまな種類の特有の問題を解決するという理由で、人間の知性のコンポーネントを上で説明しました。
＃二） 人間は人間と同じように知性を持った機械を開発し、人間と同じように非常に近い範囲で複雑な問題に結果をもたらします。
＃3） 人間は視覚と音声のパターン、過去の状況、状況イベントによってデータを区別しますが、人工知能マシンは問題を認識し、事前定義されたルールとバックログデータに基づいて問題を処理します。
＃4） 人間は過去のデータを記憶し、それを学習して脳に保存したときに思い出しますが、機械はアルゴリズムを検索することで過去のデータを見つけます。
＃5） 言語インテリジェンスを使用すると、人間は歪んだ画像や形状、音声、データ、画像の欠落したパターンを認識することさえできます。しかし、マシンにはこのインテリジェンスがなく、コンピューター学習方法論とディープラーニングプロセスを使用します。これもさまざまなアルゴリズムを使用して目的の結果を取得します。
＃6） 人間は常に本能、ビジョン、経験、状況状況、周囲の情報、利用可能な視覚的および生データ、そして分析し、問題を解決し、効果的で意味のある結果を出すために一部の教師や長老から教えられたことに従いますどんな問題でも。
一方、あらゆるレベルの人工知能マシンは、さまざまなアルゴリズム、事前定義されたステップ、バックログデータ、機械学習を展開して、いくつかの有用な結果に到達します。
＃ 7） マシンが従うプロセスは複雑で多くの手順が必要ですが、複雑なデータの大きなソースを分析する場合や、異なるフィールドの特徴的なタスクを同時に正確に実行する必要がある場合に、最良の結果が得られます。正確かつ所定の時間枠内で。
これらの機械の場合のエラー率は、人間よりはるかに低いです。
人工知能のサブフィールド
＃1）機械学習
機械学習は人工知能の機能であり、特定のタスクや作業を実行するように特別にプログラムされているのではなく、データを自動的に収集し、発生した問題やケースの経験から学習する機能をコンピューターに提供します。
機械学習は、データを精査して予測できるアルゴリズムの成長を強調しています。これの主な用途は、病気の診断、医療スキャンの解釈などに使用されるヘルスケア業界です。
パターン認識 は機械学習のサブカテゴリです。これは、コンピューターアルゴリズムを使用した生データからの青写真の自動認識として説明できます。
パターンは、一連のイベントと傾向、オブジェクトを識別するための画像の特徴の特定の特性、言語支援のための単語と文の繰り返しの組み合わせを予測するために使用される、時間の経過に伴う永続的な一連のデータであり、特定のものである可能性があります。何らかの社会的活動やその他多くのことを示すことができる、任意のネットワーク内の人々の行動のコレクション。
パターン認識プロセスには、いくつかのステップが含まれます。これらは次のように説明されます。
（i）データの取得と検知： これには、物理変数などの生データの収集と、周波数、帯域幅、解像度などの測定が含まれます。データには、トレーニングデータと学習データの2つのタイプがあります。
トレーニングデータは、データセットのラベル付けが提供されておらず、システムがクラスターを適用してそれらを分類するデータです。学習データには適切にラベル付けされたデータセットがあるため、分類器で直接使用できます。
（ii）入力データの前処理 ：これには、入力ソースからのノイズなどの不要なデータのフィルタリングが含まれ、信号処理によって行われます。この段階で、入力データ内の既存のパターンのフィルタリングも、さらなる参照のために行われます。
（iii）特徴抽出 ：パターンマッチングアルゴリズムのようにさまざまなアルゴリズムを実行して、特徴の観点から必要に応じてマッチングパターンを見つけます。
（iv）分類 ：実行されたアルゴリズムの出力と、一致するパターンを取得するために学習されたさまざまなモデルに基づいて、クラスがパターンに割り当てられます。
（v）後処理 ：ここに最終的な出力が表示され、達成された結果がほぼ必要になる可能性が高いことが保証されます。
パターン認識のモデル：
(画像 ソース )
上の図に示すように、特徴抽出器は、音声、画像、ビデオ、音響などの入力生データから特徴を導き出します。
これで、分類子は入力値としてxを受け取り、クラス1、クラス2などのさまざまなカテゴリを入力値に割り当てます。クラスC.データのクラスに基づいて、パターンのさらなる認識と分析が行われます。
このモデルによる三角形の認識の例：
パターン認識は、音声ベースの認識や顔認証などの識別および認証プロセッサ、ターゲット認識およびナビゲーションガイダンスの防衛システム、および自動車業界で使用されます。
＃2）ディープラーニング
これは、マシンが単一の望ましい出力を検出するまで、いくつかの方法で入力データを処理および分析することによって学習するプロセスです。機械の自己学習としても知られています。
マシンは、さまざまなランダムプログラムとアルゴリズムを実行して、入力データの入力生シーケンスを出力にマッピングします。神経進化のようなさまざまなアルゴリズムや勾配降下法のような他のアプローチを神経トポロジーに展開することにより、xとyが相関していると仮定して、出力yが未知の入力関数f（x）から最終的に生成されます。
ここで興味深いことに、ニューラルネットワークの仕事は正しいf関数を見つけることです。
ディープラーニングは、考えられるすべての人間の特性と行動データベースを目撃し、教師あり学習を実行します。このプロセスには次のものが含まれます。
- さまざまな種類の人間の感情や兆候の検出。
- 特定の標識、マーク、または特徴などの画像によって、人間と動物を識別します。
- さまざまな話者の音声認識とそれらを記憶します。
- ビデオと音声のテキストデータへの変換。
- 正しいジェスチャーまたは間違ったジェスチャーの識別、スパムの分類、および詐欺事件（詐欺の請求など）。
上記の特性を含む他のすべての特性は、深層学習によって人工ニューラルネットワークを準備するために使用されます。
予測分析： 巨大なデータセットを収集して学習した後、同様の種類の音声セット、画像、またはドキュメントを比較するなど、利用可能なモデルセットにアプローチすることにより、同様の種類のデータセットのクラスタリングが行われます。
データセットの分類とクラスタリングを行ったので、両方の相関関係を確立することにより、現在のイベントケースの根拠に基づいた将来のイベントの予測にアプローチします。予測の決定とアプローチには時間制限がないことを忘れないでください。
予測を行う際に留意する必要がある唯一のポイントは、出力がある程度意味をなし、論理的である必要があるということです。
繰り返しテイクを行い、自己分析することで、機械の問題解決を実現します。ディープラーニングの例は、スマートフォンでの音声認識です。これにより、スマートフォンはスピーカーのさまざまな種類のアクセントを理解し、それを意味のある音声に変換できます。
＃3）ニューラルネットワーク
ニューラルネットワークは人工知能の頭脳です。それらは、人間の脳の神経接続のレプリカであるコンピューターシステムです。 脳の人工的に対応するニューロンは、パーセプトロンとして知られています。
LinuxがWindows10より優れている理由
さまざまなパーセプトロンのスタックが結合することで、マシン内に人工ニューラルネットワークが作成されます。望ましい出力を与える前に、ニューラルネットワークはさまざまなトレーニング例を処理することによって知識を獲得します。
さまざまな学習モデルを使用することで、データを分析するこのプロセスは、以前は回答されていなかった多くの関連クエリのソリューションも提供します。
ニューラルネットワークに関連する深層学習は、複雑な問題の出力層を含む隠れたデータの複数の層を展開することができ、音声認識、自然言語処理、コンピュータービジョンなどのサブフィールドの補助となります。
(画像 ソース )
初期の種類のニューラルネットワークは、1つの入力と1つの出力、および最上部に1つの隠れ層または1つのパーセプトロンのみの層で構成されていました。
ディープニューラルネットワークは、入力層と出力層の間の複数の隠れ層で構成されています。したがって、データユニットの隠れ層を展開するには、ディープラーニングプロセスが必要です。
ニューラルネットワークの深層学習では、各レイヤーは、前のレイヤーの出力機能に基づいて、固有の属性セットに精通しています。ニューラルネットワークに入るほど、ノードは、前のすべてのレイヤーの出力を予測および再結合して、より明確な最終出力を生成するときに、より複雑な属性を認識する機能を獲得します。
このプロセス全体は、機能階層と呼ばれます 複雑で無形のデータセットの階層とも呼ばれます。これにより、ディープニューラルネットワークの機能が強化され、数十億の制約を持つ非常に巨大で広い次元のデータユニットが線形関数と非線形関数を通過します。
マシンインテリジェンスが解決に苦労している主な問題は、すべての分野と国に広がっている世界中のラベルなしおよび構造化されていないデータを処理および管理することです。現在、ニューラルネットは、これらのデータサブセットの遅延と複雑な機能を処理する機能を備えています。
人工ニューラルネットワークに関連するディープラーニングは、画像、テキスト、音声などの形式であった名前のない生データを、適切なラベルが付けられた組織化されたリレーショナルデータベースに分類して特徴づけました。
例えば、 ディープラーニングでは、何千もの生の画像を入力として受け取り、基本的な機能と、片側の犬のようなすべての動物、片側の家具のような生きていないもの、家族のすべての写真などのキャラクターに基づいて分類します。 3番目の面はこうしてスマートフォトアルバムとしても知られている全体的な写真を完成させます。
もう一つの例、 何千もの電子メールがある入力としてのテキストデータの場合を考えてみましょう。ここでは、ディープラーニングにより、電子メールがコンテンツごとにプライマリ、ソーシャル、プロモーション、スパムなどのさまざまなカテゴリに分類されます。
フィードフォワードニューラルネットワーク： ニューラルネットワークを使用するための目標は、最小限のエラーと高精度レベルで最終結果を達成することです。
この手順には多くのステップが含まれ、各レベルには、予測、エラー管理、および重みの更新が含まれます。これは、望ましい機能にゆっくりと移動するため、係数がわずかに増加します。
ニューラルネットワークの開始点では、どの重みとデータサブセットが入力を最適な予測に変換するかがわかりません。したがって、データと重みのすべての種類のサブセットをモデルと見なして、予測を順次行い、最良の結果を達成し、その間違いから毎回学習します。
例えば、 小さな子供たちとのニューラルネットワークは、生まれたときは周りの世界について何も知らず、知性もありませんが、年をとるにつれて、人生の経験や過ちから学び、より良い人間と知的になることができます。
フィードフォワードネットワークのアーキテクチャは、数式で以下に示されています。
入力*重み=予測
次に、
グラウンドトゥルース–予測=エラー
次に、
エラー*エラーへの重みの寄与=調整
これはここで説明できます。入力データセットはそれらを係数でマッピングして、ネットワークの複数の予測を取得します。
ここで、予測はリアルタイムシナリオから取得された基本ファクトと比較され、ファクトはエラー率を見つけるために経験を終了します。エラーに対処し、重みの寄与をエラーに関連付けるために調整が行われます。
これらの3つの機能は、入力のスコアリング、損失の評価、およびモデルへのアップグレードの展開を行うニューラルネットワークの3つのコアビルディングブロックです。
無料でアニメを見るのに最適なアニメサイト
したがって、正しい予測を行うことをサポートする係数に報酬を与え、エラーにつながる係数を破棄するのはフィードバックループです。
手書き認識、顔とデジタル署名の認識、欠落したパターンの識別は、ニューラルネットワークのリアルタイムの例の一部です。
＃4）コグニティブコンピューティング
人工知能のこのコンポーネントの目的は、複雑なタスクの完了と人間と機械の間の問題解決のための相互作用を開始および加速することです。
機械は、人間とさまざまなタスクを実行しながら、人間の行動やさまざまな特徴的な条件での感情を学習して理解し、コンピューターモデルで人間の思考プロセスを再現します。
これを実践することで、機械は人間の言語と画像の反射を理解する能力を獲得します。したがって、認知的思考と人工知能は、人間のような行動をとる製品を作ることができ、データ処理機能も持つことができます。
コグニティブコンピューティングは、複雑な問題が発生した場合に正確な決定を下すことができます。したがって、最適なコストでソリューションを改善する必要がある分野に適用され、自然言語と証拠に基づく学習を分析することによって取得されます。
例えば、 Googleアシスタントは、コグニティブコンピューティングの非常に大きな例です。
＃5）自然言語処理
人工知能のこの機能により、コンピューターは人間の言語と音声を解釈、識別、特定、および処理できます。
このコンポーネントの導入の背後にある概念は、マシンと人間の言語の間の相互作用をシームレスにすることであり、コンピューターは人間の発話またはクエリに対して論理的な応答を提供できるようになります。
自然言語処理は、人間の言語の言語セクションと書面セクションの両方に焦点を当てているため、アルゴリズムを使用するアクティブモードとパッシブモードの両方を意味します。
自然言語生成（NLG）は、人間が話していた文や単語を処理してデコードし（言語コミュニケーション）、自然言語理解（NLU）は、書かれた語彙を強調して、テキストまたはピクセルで言語を翻訳します。マシン。
マシンのグラフィカルユーザーインターフェイス（GUI）ベースのアプリケーションは、自然言語処理の最良の例です。
ある言語を別の言語に変換するさまざまなタイプの翻訳者は、自然言語処理システムの例です。音声アシスタントと音声検索エンジンのGoogle機能もその一例です。
＃6）コンピュータビジョン
コンピュータービジョンは、コンピューターが現実世界の画像やビジュアルからのビジュアルデータをキャプチャして傍受することにより、それらを自動的に認識、分析、解釈するのを容易にするため、人工知能の非常に重要な部分です。
PDFドキュメント、Wordドキュメント、PPTドキュメント、XLファイル、グラフ、画像などの画像やビデオファイルなど、指定されたデータから画像のコンテンツを抽出するためのディープラーニングとパターン認識のスキルが組み込まれています。
物事の束の複雑な画像があり、その画像を見て記憶するだけでは、誰にとっても簡単なことではないとします。コンピュータビジョンは、画像に一連の変換を組み込んで、オブジェクトの鋭いエッジ、変わったデザインや使用されている色など、画像に関するビットとバイトの詳細を抽出できます。
これは、数式と統計を適用することにより、さまざまなアルゴリズムを使用して行われます。ロボットはコンピュータービジョン技術を利用して世界を見て、リアルタイムの状況で行動します。
このコンポーネントのアプリケーションは、MRIスキャンやX線などを使用して患者の健康状態を分析するために、ヘルスケア業界で非常に広く使用されています。また、コンピュータ制御の車両やドローンを扱う自動車業界でも使用されています。
結論
このチュートリアルでは、最初に、インテリジェンスのさまざまな要素を図で説明し、実際の状況でインテリジェンスを適用して目的の結果を得る重要性について説明しました。
次に、数式、リアルタイムアプリケーション、およびさまざまな例を使用して、人工知能のさまざまなサブフィールドと、機械知能および実世界におけるそれらの重要性を詳細に調査しました。
また、人工知能のすべてのアプリケーションで非常に重要な役割を果たす人工知能の機械学習、パターン認識、ニューラルネットワークの概念についても詳しく学びました。
このチュートリアルの後続の部分では、人工知能のアプリケーションについて詳しく説明します。