Les appareils connectés à Internet sont appelés appareils intelligents. Pratiquement tout ce qui touche à Internet est connu sous le nom d' appareil intelligent^{(smart device)} . Dans ce contexte, le code qui rend les appareils PLUS INTELLIGENTS –^{(SMARTER – )} afin qu'ils puissent fonctionner avec un minimum ou sans aucune intervention humaine – peut être considéré comme basé sur l'intelligence artificielle^{(Artificial Intelligence)} (IA). Les deux autres, à savoir : Machine Learning (ML) et Deep Learning (DL), sont différents types d'algorithmes conçus pour apporter plus de capacités aux appareils intelligents. Voyons en détail ci-dessous AI vs ML vs DL pour comprendre ce qu'ils font et comment ils sont connectés à l'IA.

Qu'est-ce que l'intelligence artificielle par rapport au ML et au DL ?

L' IA peut être qualifiée de sur-ensemble de processus d' apprentissage automatique^{(Machine Learning)} (ML) et de processus d'apprentissage en profondeur^{(Deep Learning)} (DL). AI est généralement un terme générique utilisé pour ML et DL. Le Deep Learning^{(Deep Learning)} est à nouveau un sous-ensemble du Machine Learning (voir image ci-dessus).

Certains soutiennent que l'apprentissage automatique^{(Machine Learning)} ne fait plus partie de l'IA universelle. Ils disent que le ML est une science complète à part entière et qu'il n'est donc pas nécessaire de l'appeler en référence à l'intelligence artificielle^{(Artificial Intelligence)} . L' IA se nourrit de données : Big Data . Plus il consomme de données, plus il est précis. Ce n'est pas qu'il prédira toujours correctement. Il y aura aussi des faux drapeaux. L'IA s'entraîne sur ces erreurs et devient meilleure dans ce qu'elle est censée faire - avec ou sans supervision humaine.

L'intelligence artificielle ne peut pas être définie correctement car elle a pénétré dans presque toutes les industries et affecte beaucoup trop de types de processus et d'algorithmes (d'entreprise). Nous pouvons dire que l' intelligence artificielle est basée sur la science des données^{(Data Science)} (DS : Big Data ) et contient l'apprentissage automatique^{(Machine Learning)} comme sa partie distincte. De même^(Likewise) , le Deep Learning est une partie distincte du Machine Learning .

Compte tenu de l'inclinaison du marché informatique, l'avenir serait dominé par les appareils intelligents connectés, appelés Internet des objets (IoT)^{(Internet of Things (IoT))} . Les appareils intelligents^(Smart) signifient intelligence artificielle : directement ou indirectement. Vous utilisez déjà l'intelligence artificielle (IA) dans de nombreuses tâches de votre vie quotidienne. Par exemple, taper sur un clavier de smartphone qui ne cesse de s'améliorer sur la "suggestion de mots". Parmi d'autres exemples où vous avez affaire à l'intelligence artificielle^{(Artificial Intelligence)} sans le savoir, il y a la recherche de choses sur Internet , les achats en ligne et, bien sûr, les boîtes de réception de messagerie Gmail et Outlook toujours intelligentes .

Qu'est-ce que l'apprentissage automatique

Le Machine Learning est un domaine de l'Intelligence Artificielle^{(Artificial Intelligence)} dont le but est de faire apprendre et s'entraîner une machine (ou un ordinateur, ou un logiciel) sans trop de programmation. De tels appareils nécessitent moins de programmation car ils appliquent des méthodes humaines pour accomplir des tâches, y compris apprendre à mieux performer. Fondamentalement^(Basically) , ML signifie programmer un peu un ordinateur/appareil/logiciel et lui permettre d'apprendre par lui-même.

Il existe plusieurs méthodes pour faciliter le Machine Learning . Parmi eux, les trois suivants sont largement utilisés :

1. Supervisé,
2. sans surveillance et
3. Apprentissage par renforcement.

Apprentissage supervisé dans l'apprentissage automatique^{(Machine Learning)}

Supervisé dans le sens où les programmeurs fournissent d'abord à la machine des données étiquetées et des réponses déjà traitées. Ici, les étiquettes désignent les noms de ligne ou de colonne dans une base de données ou une feuille de calcul. Après avoir fourni d'énormes ensembles de ces données à l'ordinateur, il est prêt à analyser d'autres ensembles de données et à fournir des résultats par lui-même. Cela signifie que vous avez appris à l'ordinateur comment analyser les données qui lui sont transmises.

Habituellement, il est confirmé en utilisant la règle des 80/20. D'énormes^(Huge) ensembles de données sont transmis à un ordinateur qui essaie et apprend la logique derrière les réponses. 80 % des données d'un événement sont transmises à l'ordinateur avec les réponses. Les 20 % restants sont alimentés sans réponses pour voir si l'ordinateur peut fournir des résultats appropriés. Ces 20 % sont utilisés pour effectuer des recoupements afin de voir comment l'ordinateur (la machine) apprend.

Apprentissage automatique non supervisé

L'apprentissage non supervisé se produit lorsque la machine est alimentée avec des ensembles de données aléatoires qui ne sont pas étiquetés et qui ne sont pas dans l'ordre. La machine doit trouver comment produire les résultats. Par exemple, si vous lui proposez des balles de softball de différentes couleurs, il devrait pouvoir les catégoriser par couleurs. Ainsi, à l'avenir, lorsque la machine se verra présenter une nouvelle balle de softball, elle pourra identifier la balle avec des étiquettes déjà présentes dans sa base de données. Il n'y a pas de données d'entraînement dans cette méthode. La machine doit apprendre par elle-même.

Apprentissage par renforcement

Les machines capables de prendre une séquence de décisions entrent dans cette catégorie. Ensuite, il y a un système de récompense. Si la machine fait bien ce que veut le programmeur, elle obtient une récompense. La machine est programmée de manière à aspirer au maximum de récompenses. Et pour l'obtenir, il résout des problèmes en concevant différents algorithmes dans différents cas. Cela signifie que l'ordinateur AI utilise des méthodes d'essai et d'erreur pour obtenir des résultats.

Par exemple, si la machine est un véhicule autonome, elle doit créer ses propres scénarios sur route. Il n'y a aucun moyen pour un programmeur de programmer chaque étape car il ne peut pas penser à toutes les possibilités lorsque la machine est sur la route. C'est là qu'intervient l'apprentissage^{(Reinforcement Learning)} par renforcement. Vous pouvez également l'appeler IA par essais et erreurs.

En quoi le Deep Learning est-il différent du Machine Learning ?

Le Deep Learning^{(Deep Learning)} est destiné aux tâches plus compliquées. Le Deep Learning^{(Deep Learning)} est un sous-ensemble du Machine Learning . Seulement qu'il contient plus de réseaux de neurones qui aident la machine à apprendre. Les réseaux de neurones artificiels ne sont pas nouveaux . ^(Manmade)Des laboratoires^(Labs) du monde entier tentent de créer et d'améliorer des réseaux de neurones afin que les machines puissent prendre des décisions éclairées. Vous devez avoir entendu parler de Sophia , une humanoïde saoudienne^(Saudi) qui a obtenu la citoyenneté régulière. Les réseaux de neurones sont comme les cerveaux humains mais pas aussi sophistiqués que le cerveau.

Il existe de bons réseaux qui permettent un apprentissage en profondeur non supervisé. On peut dire que le Deep Learning est plus des réseaux de neurones qui imitent le cerveau humain. Néanmoins, avec suffisamment d'échantillons de données, les algorithmes d'apprentissage en profondeur^{(Deep Learning)} peuvent être utilisés pour récupérer des détails à partir d'échantillons de données. Par exemple, avec une machine à traitement d'images DL, il est plus facile de créer des visages humains avec des émotions changeantes selon les questions posées à la machine.

Ce qui précède explique AI vs MI vs DL dans un langage plus simple. L'IA et le ML sont de vastes domaines - qui viennent juste de s'ouvrir et qui ont un potentiel énorme. C'est la raison pour laquelle certaines personnes sont contre l'utilisation de l'apprentissage automatique^{(Machine Learning)} et de l'apprentissage profond^{(Deep Learning)} dans l'intelligence artificielle^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Deviсes connected to thе Internet аre called smart devices. Pretty mυch everything related to the Intеrnet 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 Application Powered par Machine Learning

• Faits et mythes à propos de Artificial Intelligence

• Ce qui est profond Learning and Neural Network

• Best Free Artificial Intelligence software pour Windows 10

• Comment installer Drupal en utilisant WAMP sur Windows

• Qu'est-ce que NFT signifie et comment créer NFT Digital Art?

• 10 meilleures lampes USB LED pour ordinateurs portables

• Ce qui est Silly Window Syndrome - Explanation and Prevention

• Best gratuit Secure Digital Notebook Software & Online Services

• Comment convertir Binary en texte en utilisant ce texte sur Binary Converter

• Comment faire du mot de passe et sécuriser les documents PDf avec LibreOffice

• Qu'est-ce qu'un Magnet link et comment Magnet link s ouvrir dans un navigateur

• Comment fermer votre Payoneer Account?

• Comment utiliser un Template pour créer un document avec LibreOffice

• Whiteboard Fox est un online whiteboard gratuit qui permet real-time sharing

• Best Laptop Tables acheter en ligne

• Différence entre Analog, Digital and Hybrid computers

• Comment installer Windows 95 sur Windows 10

• L'application de messagerie de session offre une sécurité solide; No phone Numéro requis!

• Qu'est-ce que Data Analytics et ​​qu'est-ce qu'il est utilisé pour