สารบัญ

• ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง
• การเรียนรู้ของเครื่อง
• การเรียนรู้ภายใต้การดูแล
• การถดถอย
• อัลกอริทึมการถดถอยเชิงเส้น
• การจำแนกประเภท
• รองรับ Vector Machine
• การเรียนรู้แบบไม่มีผู้ดูแล
• K-หมายถึงการจัดกลุ่ม
• อัลกอริธึมกึ่งควบคุม
• การเรียนรู้การเสริมแรง
• การเรียนรู้อย่างลึกซึ้ง
• โครงข่ายประสาทลึก
• การประยุกต์ใช้ปัญญาประดิษฐ์
  • การตลาด
  • การธนาคาร
• บทความแนะนำ

ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง

นักวิจัยใฝ่ฝันที่จะสร้างเครื่องจักรแห่งจินตนาการมาช้านาน เมื่อ PC แบบตั้งโปรแกรมได้ถูกประดิษฐ์ขึ้นครั้งแรก ผู้คนต่างสงสัยว่าสักวันหนึ่งเครื่องจักรดังกล่าวจะฉลาดเหมือนมนุษย์และสามารถทำงานเหมือนมนุษย์ได้หรือไม่ ทุกวันนี้ ปัญญาประดิษฐ์เป็นเทคโนโลยีที่เกิดขึ้นใหม่ซึ่งมีการใช้งานที่หลากหลายในด้านต่างๆ แนวคิดของ AI คือการจำลองสติปัญญาของมนุษย์ให้เป็นเครื่องจักรประดิษฐ์ เพื่อให้เครื่องจักรสามารถคิดและปฏิบัติงานได้เหมือนมนุษย์

ทำไมเราถึงต้องการเทคโนโลยีที่ทำงานเหมือนมนุษย์ในทุกด้าน?

มนุษย์มีความแม่นยำในการทำงานดีมาก แต่ประสิทธิภาพในการทำงานไม่น่าพอใจ และมักมีข้อจำกัดในการเร่งงานของมนุษย์อยู่เสมอ แต่นี่ไม่ใช่กรณีจากเครื่องจักร และงานที่ทำด้วยเครื่องจักรก็แม่นยำ สม่ำเสมอ และ ปรับขนาดได้

ในศตวรรษที่สิบเก้า การปฏิวัติซอฟต์แวร์เกิดขึ้นเพื่อเอาชนะปัญหาเหล่านี้ แต่ก็ยังไม่เพียงพอที่จะจัดการกับปัญหาเหล่านี้ ซอฟต์แวร์สามารถทำงานที่กำหนดไว้อย่างเป็นทางการในชุดของกฎเพื่อให้สามารถเขียนโปรแกรมโดยโปรแกรมเมอร์โดยพิจารณากฎเหล่านั้น

ตัวอย่างเช่น การคำนวณผลรวมของตัวเลขสองตัวที่กำหนด ในโลกปัจจุบันในแง่ของความเร็วและความแม่นยำ คอมพิวเตอร์สามารถเอาชนะมนุษย์คนใดก็ได้ในงานนี้ แต่ปัญหาที่ไม่มีกฎเกณฑ์ที่เป็นทางการและต้องการสติปัญญาของมนุษย์ ปัญหาดังกล่าวจึงเป็นเรื่องยากมากที่จะแก้ไขด้วยคอมพิวเตอร์

ตัวอย่างเช่น ในการจดจำใบหน้า มนุษย์สามารถจดจำใบหน้าได้ง่ายมาก แต่คอมพิวเตอร์จะจดจำได้ยาก เนื่องจากการเขียนกฎใบหน้าที่เป็นทางการนั้นซับซ้อนมาก ดังนั้นความท้าทายที่แท้จริงของปัญญาประดิษฐ์คือการแก้ปัญหาที่มนุษย์ทำได้ง่าย แต่ยากสำหรับมนุษย์ที่จะอธิบายอย่างเป็นทางการ

มาดูตัวอย่างระบบการเล่นหมากรุก Deep Blue ที่พัฒนาโดย IBM กฎหมากรุกสามารถกำหนดได้อย่างสมบูรณ์โดยชุดของกฎที่เป็นทางการ ดังนั้นกฎเหล่านี้จึงแปลงเป็นโปรแกรมได้อย่างง่ายดายโดยโปรแกรมเมอร์และให้โปรแกรมเมอร์ล่วงหน้า

ปัญญาประดิษฐ์พยายามที่จะจัดการกับความท้าทายนี้โดยการถ่ายโอนปัญญาของมนุษย์ไปยังเครื่องจักรที่มีความสามารถในการคำนวณหาที่เปรียบมิได้

ในชีวิตประจำวัน มนุษย์ต้องการความรู้เกี่ยวกับโลกเพื่อแก้ไขงานของพวกเขา และความรู้ดังกล่าวเป็นเรื่องส่วนตัวและเป็นธรรมชาติ ดังนั้นจึงเป็นเรื่องยากสำหรับโปรแกรมเมอร์ที่จะพูดเป็นชุดของกฎเกณฑ์ต่างๆ

จากตรงนี้เราสามารถเข้าใจได้ว่าการประพฤติตัวเหมือนมนุษย์หรือกล่าวอีกนัยหนึ่งคือพฤติกรรมที่ชาญฉลาดคอมพิวเตอร์ต้องการความรู้ที่คล้ายคลึงกันดังนั้นความท้าทายที่สำคัญใน AI คือการใส่ข้อมูลที่ไม่เป็นทางการหรือเชิงอัตวิสัยนี้ลงในคอมพิวเตอร์และนักวิจัยในด้านประดิษฐ์ ฟิลด์หน่วยสืบราชการลับ โดยทั่วไปพยายามที่จะบรรลุวัตถุประสงค์นี้

นักวิจัยได้ค้นพบวิธีพื้นฐานในการบรรลุวัตถุประสงค์นี้ พวกเขาได้ใช้แนวทางความรู้ ในแนวทางนี้นักวิจัยฮาร์ดโค้ดความรู้เกี่ยวกับโลกในภาษาที่เป็นทางการ

คอมพิวเตอร์สามารถให้เหตุผลโดยอัตโนมัติเกี่ยวกับข้อความในภาษาที่เป็นทางการเหล่านี้โดยใช้กฎการอนุมานเชิงตรรกะ เนื่องจากเป็นแนวทางพื้นฐาน เรียบง่าย และไร้เดียงสา โปรเจ็กต์ที่ใช้แนวทางนี้จึงไม่ประสบความสำเร็จ เนื่องจากนักวิจัยพยายามดิ้นรนเพื่อสร้างกฎเกณฑ์ที่เป็นทางการซึ่งมีความซับซ้อนมากพอที่จะประดิษฐ์โลกได้อย่างแม่นยำ ตัวอย่างหนึ่งของโครงการดังกล่าวคือ Cyc ไซค เป็นเครื่องมืออนุมาน

ความยากลำบากที่โครงการข้างต้นเผชิญ (ตามแนวทางที่อิงตามความรู้) นั้นขึ้นอยู่กับความรู้ที่ฮาร์ดโค้ด ดังนั้น เพื่อเอาชนะความยากลำบากนี้ ระบบ AI จำเป็นต้องมีความสามารถในการรับความรู้ของตนเองจากโลก โดยการดึงรูปแบบจากข้อมูลดิบ ความสามารถนี้เรียกว่าการเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่อง

การแนะนำแมชชีนเลิร์นนิงช่วยให้คอมพิวเตอร์สามารถได้รับความรู้เกี่ยวกับโลกแห่งความเป็นจริงและตัดสินใจในลักษณะที่เป็นอัตนัยได้ ด้วยวิธีนี้ แมชชีนเลิร์นนิงสามารถเอาชนะข้อจำกัดของแนวทางที่อิงตามความรู้

ตามวิกิพีเดีย

การเรียนรู้ของเครื่องคือการศึกษาอัลกอริทึมของคอมพิวเตอร์ที่ปรับปรุงโดยอัตโนมัติผ่านประสบการณ์

ตามที่ Mitchell

มีการกล่าวว่าโปรแกรมคอมพิวเตอร์เรียนรู้จากประสบการณ์ E เกี่ยวกับบางคลาสของงาน T และการวัดประสิทธิภาพ P หากประสิทธิภาพที่งานใน T ที่วัดโดย P จะได้รับการปรับปรุงด้วยประสบการณ์ E

มีอัลกอริธึมการเรียนรู้ของเครื่องหลายประเภทที่มีอยู่ในวรรณกรรม การจัดกลุ่มของอัลกอริธึมที่นี่ขึ้นอยู่กับรูปแบบการเรียนรู้ การจัดกลุ่มอัลกอริธึมแบบกว้าง ๆ ของอัลกอริธึมการเรียนรู้ของเครื่องแสดงไว้ในรูปที่ 1 มาดูรายละเอียดทีละรายการ

การจัดกลุ่มอัลกอริธึมการเรียนรู้ของเครื่องตามรูปแบบการเรียนรู้

การเรียนรู้ภายใต้การดูแล

Supervised Learning ตามชื่อคือการปรากฏตัวของผู้บังคับบัญชาในฐานะครู ใน Supervised Learning เราฝึกเครื่องของเราโดยใช้ข้อมูลที่มีป้ายกำกับ ข้อมูลที่มีป้ายกำกับหมายถึงทุกอินพุตมีเอาต์พุตที่มีป้ายกำกับอย่างดี

ในกระบวนการฝึกอบรม เครื่องจักรจะได้รับความรู้เกี่ยวกับโลกจากข้อมูลที่ติดฉลาก หลังการฝึก เครื่องจะได้รับข้อมูลชุดใหม่เพื่อคาดการณ์ผลลัพธ์ วัตถุประสงค์คือเพื่อให้เครื่องเรียนรู้จากรูปแบบที่คล้ายกันซึ่งได้มาจากชุดข้อมูลการฝึกอบรม และใช้ความรู้ที่เรียนรู้กับชุดข้อมูลที่ทดสอบเพื่อคาดการณ์ผลลัพธ์ที่มีมูลค่าจริง

มาดูตัวอย่างชุดข้อมูล Iris เพื่อให้เข้าใจมากขึ้น ชุดข้อมูล Iris คือชุดของการวัดส่วนต่างๆ ของพืชไอริส 150 ต้น ตัวอย่างแต่ละชุดในชุดข้อมูลประกอบด้วยการวัดแต่ละส่วนของต้นพืช เช่น ความยาวของกลีบเลี้ยง ความกว้างของกลีบเลี้ยง ความยาวกลีบ ความกว้างของกลีบดอก ชุดข้อมูลยังบันทึกว่าพืชแต่ละชนิดเป็นของชนิดใด มีสามชนิดที่แตกต่างกันอยู่ในชุดข้อมูล ดังที่เราเห็นในชุดข้อมูลของ Iris แล้ว พืชไอริสแต่ละต้นจะมีฉลากระบุชนิดของมัน

อัลกอริธึมการเรียนรู้ภายใต้การดูแลสามารถศึกษาชุดข้อมูลนี้และเรียนรู้ที่จะจำแนกพืชไอริสออกเป็นสามสายพันธุ์ที่แตกต่างกันตามการวัด

คำว่า supervised learning โดยทั่วไปหมายถึงเป้าหมายที่ครูจัดเตรียมไว้ให้ซึ่งแสดงให้เครื่องเห็นว่าต้องทำอะไร

การเรียนรู้ภายใต้การควบคุมดูแลแบ่งออกเป็น 2 ประเภทอัลกอริทึมดังแสดงในรูปที่2.

การถดถอย

อัลกอริธึมการถดถอยทำนายผลลัพธ์ต่อเนื่อง (เป้าหมาย) ตามค่าอินพุตหรือตัวทำนายอย่างน้อยหนึ่งค่า พูดง่ายๆ ก็คือ ค่าที่ส่งออกนั้นเป็นค่าจริง เช่น น้ำหนัก

มีอัลกอริธึมการถดถอยหลายประเภท ประเภทของอัลกอริธึมการถดถอยที่แตกต่างกันขึ้นอยู่กับจำนวนของตัวแปรอิสระ รูปร่างของเส้นการถดถอย และประเภทของตัวแปรตาม มาดูเทคนิคการถดถอยบางประเภทกัน

การถดถอยเชิงเส้นเป็นหนึ่งในอัลกอริธึมการถดถอยพื้นฐานและเป็นที่นิยมที่สุดในการทำนายค่าต่อเนื่อง ที่นี่จะถือว่าความสัมพันธ์เชิงเส้นระหว่างอินพุต (ตัวทำนาย) และเอาต์พุต

อัลกอริทึมการถดถอยเชิงเส้น

ชื่อการถดถอยเชิงเส้นแนะนำว่าสามารถแก้ปัญหาการถดถอยได้ วัตถุประสงค์ของอัลกอริธึมเหล่านี้คือการสร้างระบบที่สามารถหาเวกเตอร์ x และทำนายค่าสเกลาร์ y เป็นผลลัพธ์ได้ พูดง่ายๆ ก็คือ อัลกอริธึมนี้สร้างความสัมพันธ์ระหว่างอินพุตและเอาต์พุตโดยใช้เส้นตรงที่พอดีที่สุด

y=wTx

โดยที่ w คือเวกเตอร์ของพารามิเตอร์ พารามิเตอร์คือค่าที่ควบคุมการทำงานของระบบ

เราสามารถนึกถึง 'w' เป็นชุดของน้ำหนักที่กำหนดว่าคุณลักษณะแต่ละอย่างส่งผลต่อผลลัพธ์อย่างไร คุณลักษณะนี้ไม่มีอะไรเลยนอกจากคุณลักษณะของอินพุต

ตัวอย่างเช่น

สมมติว่าเราต้องการมีระบบที่สามารถทำนายราคารถยนต์มือสองได้ คุณลักษณะต่อไปนี้คือคุณลักษณะของรถยนต์ที่เราคิดว่าส่งผลต่อมูลค่าของรถยนต์ เช่น ยี่ห้อ ปี ประสิทธิภาพเครื่องยนต์ ความจุ ระยะทาง และข้อมูลอื่นๆ อีกมากมาย

y=w0 * ความจุ+w1 * ไมล์สะสม +w3 * ประสิทธิภาพเครื่องยนต์

หากคุณสมบัติเหล่านี้ได้รับน้ำหนักที่เป็นบวก การเพิ่มน้ำหนักเหล่านี้จะเพิ่มมูลค่าของการคาดคะเนของเราและในทางกลับกัน หากน้ำหนัก 'wi' มีขนาดใหญ่ จะมีผลกระทบอย่างมากต่อการคาดการณ์ หากน้ำหนัก 'wi' เป็น 0 จะไม่มีผลกับการทำนาย

การจำแนกประเภท

การจัดประเภทเป็นแนวคิดการเรียนรู้ภายใต้การดูแลซึ่งพยายามทำนายหมวดหมู่ที่เป็นของอินพุต ในการแก้ปัญหาการจัดหมวดหมู่ อัลกอริธึมการเรียนรู้จะพยายามสร้างฟังก์ชันอย่างเช่น f:R-{1,2,…k} กล่าวง่ายๆ เมื่อผลลัพธ์เป็นตัวแปรคือหมวดหมู่เช่นโรคหรือไม่ใช่โรค เช่นในปัญหานี้ ผลลัพธ์จะไม่ต่อเนื่อง ตัวอย่างเช่น ในชุดข้อมูล Iris เราต้องทำนายสปีชีส์สามประเภทโดยกำหนดคุณสมบัติสามประการ (ความยาวกลีบเลี้ยง (sl) ความกว้างของกลีบเลี้ยง (sw) ความยาวกลีบดอกไม้ (pl) ความกว้างกลีบ (pw)) ในอินพุต

มาดูอีกตัวอย่างหนึ่งของการรู้จำวัตถุเพื่อให้เข้าใจอย่างชัดเจน

อินพุตคือรูปภาพ และเอาต์พุตคือรหัสตัวเลขที่ระบุวัตถุในภาพ

มีอัลกอริธึมการจำแนกหลายประเภท อัลกอริธึมการจำแนกประเภทรวมถึงการสนับสนุนเวกเตอร์การถดถอยโลจิสติกเครื่อง, ต้นไม้การตัดสินใจ, ฟอเรสต์สุ่ม ฯลฯ มาดูอัลกอริธึมในรายละเอียดกันดีกว่า

รองรับ Vector Machine

เครื่องเวกเตอร์สนับสนุนเป็นอัลกอริธึมการเรียนรู้ภายใต้การดูแลที่สามารถใช้ได้ทั้งปัญหาการจำแนกประเภทและการถดถอย แต่ส่วนใหญ่จะใช้สำหรับปัญหาการจำแนกประเภท

ด้วยชุดข้อมูลการฝึกอบรม แต่ละชุดมีป้ายกำกับเป็นหนึ่งหรืออีกสองคลาส อัลกอริทึมการฝึกอบรม SVM จะสร้างแบบจำลองที่กำหนดตัวอย่างใหม่ให้กับหมวดหมู่หนึ่งหรืออีกประเภทหนึ่ง ทำให้เป็นเครื่องแยกประเภทเชิงเส้นไบนารีที่ไม่น่าจะเป็น

โดยพื้นฐานแล้วอัลกอริธึมนี้พยายามค้นหาไฮเปอร์เพลนที่เหมาะสมที่สุดในตำแหน่ง n มิติ ซึ่งจัดประเภทตัวอย่างใหม่ ในพื้นที่สองมิติ (เมื่อจำนวนของคุณสมบัติอินพุตเป็นสอง) ไฮเปอร์เพลนนี้ไม่มีอะไรนอกจากเส้นแบ่งระนาบออกเป็นสองส่วนดังแสดงในรูปที่ 3

ตาม วิกิพีเดีย

โมเดล SVM คือการแสดงตัวอย่างเป็นจุดในช่องว่าง ที่แมปเพื่อให้ตัวอย่างของหมวดหมู่ที่แยกจากกันถูกหารด้วยช่องว่างที่ชัดเจนซึ่งกว้างที่สุด ตัวอย่างใหม่จะถูกจับคู่ในพื้นที่เดียวกันนั้นและคาดการณ์ว่าจะอยู่ในหมวดหมู่โดยพิจารณาจากด้านข้างของช่องว่างที่พวกมันตกลงมา

รูปที่ 3

SVM พยายามเพิ่มระยะขอบระหว่างสองคลาสให้สูงสุด ระยะขอบสูงสุดทำได้โดยไฮเปอร์เพลนที่มีระยะทางมากที่สุดไปยังจุดข้อมูลการฝึกที่ใกล้ที่สุดของคลาสใดๆ

นี้เป็นสัญชาตญาณมากที่จะเข้าใจ เราจะเห็นได้จากภาพ จุดข้อมูลทั้งหมดที่อยู่ข้างเส้นจะถูกระบุเป็นชั้นหนึ่ง และจุดที่ตกอยู่อีกด้านของเส้นจะถูกระบุว่าเป็นชั้นที่สอง ดังที่เราเห็นในรูปที่ 3 มีเส้นแบ่งระหว่างกันเป็นจำนวนอนันต์

แล้วเราจะรู้ได้อย่างไรว่าเส้นไหนทำงานได้ดีที่สุด? อัลกอริธึมนี้พยายามเลือกบรรทัดที่ไม่เพียงแยกสองคลาส แต่อยู่ห่างจากตัวอย่างที่ใกล้เคียงที่สุดเท่าที่จะเป็นไปได้ดังแสดงในรูปที่ 3

การเรียนรู้แบบไม่มีผู้ดูแล

ในการเรียนรู้ภายใต้การดูแล มีวัตถุประสงค์เพื่อเรียนรู้การแมปจากอินพุตไปยังเอาต์พุตซึ่งผู้บังคับบัญชาเป็นผู้จัดเตรียมค่าที่ถูกต้อง ในการเรียนรู้แบบ unsupervised จะให้เฉพาะข้อมูลที่ป้อนเข้าไปเท่านั้น และไม่มีผู้ควบคุมดูแลดังกล่าว มีวัตถุประสงค์เพื่อค้นหาความสม่ำเสมอของข้อมูลที่ป้อน

มีโครงสร้างสำหรับพื้นที่ป้อนข้อมูลซึ่งรูปแบบบางอย่างเกิดขึ้นมากกว่ารูปแบบอื่นๆ

มีสองวิธีหลักที่ใช้ในการเรียนรู้แบบ unsupervised ได้แก่ การวิเคราะห์คลัสเตอร์และองค์ประกอบหลัก

ในการวิเคราะห์คลัสเตอร์ มีวัตถุประสงค์เพื่อค้นหาการจัดกลุ่มของอินพุต

มาดูตัวอย่างกันให้เข้าใจกันชัดๆ

ทุกบริษัทมีข้อมูลลูกค้าจำนวนมาก ข้อมูลลูกค้าประกอบด้วยข้อมูลประชากรตลอดจนธุรกรรมที่ผ่านมากับบริษัท บริษัทอาจสนใจดูการแจกจ่ายโปรไฟล์ของบริษัท เพื่อดูว่าลูกค้าประเภทใดเกิดขึ้นบ่อย ในสถานการณ์ดังกล่าว การทำคลัสเตอร์จะจัดสรรลูกค้าที่คล้ายกันในแอตทริบิวต์ไปยังกลุ่มเดียวกัน กลุ่มคลัสเตอร์เหล่านี้อาจช่วยในการตัดสินใจกลยุทธ์ของบริษัท เช่น บริการและผลิตภัณฑ์เฉพาะกลุ่มต่างๆ

อัลกอริธึมที่นิยมใช้ในการวิเคราะห์การจัดกลุ่มนี้คือการจัดกลุ่ม K-mean มาพูดถึง K-mean กันในรายละเอียดกันดีกว่า

K-หมายถึงการจัดกลุ่ม

K-means clustering เป็นหนึ่งในอัลกอริธึมการเรียนรู้ที่ไม่มีผู้ดูแลที่ได้รับความนิยมและง่ายที่สุด

K-mean เป็นอัลกอริธึมที่ใช้เซนทรอยด์ ซึ่งเราคำนวณระยะทางของจุดที่กำหนดจากเซนทรอยด์เพื่อกำหนดจุดให้กับคลัสเตอร์ ใน K-Means แต่ละคลัสเตอร์จะเชื่อมโยงกับเซนทรอยด์

อัลกอริทึมนี้ทำงานดังนี้:

1. ขั้นแรก เริ่มต้น k คะแนน สุ่มเรียกว่าหมายถึง
2. หลังจากนั้น ให้จัดหมวดหมู่แต่ละรายการเป็นค่าเฉลี่ยที่ใกล้เคียงที่สุดและอัปเดตพิกัดของค่าเฉลี่ย ซึ่งเป็นค่าเฉลี่ยของรายการที่จัดประเภทไว้ในค่าเฉลี่ยนั้น
3. ทำซ้ำขั้นตอนเหล่านี้สำหรับจำนวนการวนซ้ำที่กำหนด และหลังจากจำนวนการวนซ้ำที่กำหนด เราก็มีคลัสเตอร์ของเรา

รูป:4

อัลกอริธึมกึ่งควบคุม

ในการเรียนรู้ภายใต้การดูแล เราเห็นว่าชุดข้อมูลต้องมีการติดป้ายกำกับโดยมนุษย์ กระบวนการนี้มีค่าใช้จ่ายสูงเนื่องจากปริมาณของชุดข้อมูลมีขนาดใหญ่มาก ในการเรียนรู้แบบ unsupervised ไม่จำเป็นต้องใช้ชุดข้อมูลที่มีป้ายกำกับ แต่ช่วงการใช้งานมีจำกัด

เพื่อจัดการกับข้อจำกัดเหล่านี้ จึงมีการแนะนำแนวคิดของการเรียนรู้กึ่งควบคุมดูแล ในรูปแบบการเรียนรู้นี้ อัลกอริธึมได้รับการฝึกอบรมด้วยการรวมข้อมูลที่มีป้ายกำกับจำนวนเล็กน้อยและข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก การเรียนรู้แบบกึ่งควบคุมดูแลอยู่ระหว่างการเรียนรู้ภายใต้การดูแลและการเรียนรู้แบบไม่มีผู้ดูแล

เพื่อใช้ประโยชน์จากข้อมูลที่ไม่มีป้ายกำกับ อัลกอริธึมกึ่งควบคุมจะถือว่ามีความสัมพันธ์ต่อไปนี้เกี่ยวกับข้อมูล –

ความต่อเนื่อง :ถือว่าจุดที่ใกล้กันมากขึ้นมีแนวโน้มที่จะใช้ป้ายกำกับเอาต์พุตเดียวกันกลุ่ม :หากข้อมูลสามารถแบ่งออกเป็นคลัสเตอร์ที่ไม่ต่อเนื่องได้ จุดในคลัสเตอร์เดียวกันก็มีแนวโน้มที่จะใช้ป้ายกำกับร่วมกันท่อร่วม:ข้อมูลอยู่บนหลากหลายมิติที่ต่ำกว่าพื้นที่อินพุตโดยประมาณมาก สมมติฐานนี้อนุญาตให้ใช้ระยะทางและความหนาแน่นซึ่งกำหนดไว้ใน a มากมาย .

เราสามารถเข้าใจรูปแบบการเรียนรู้ทั้งสามประเภทนี้ ได้แก่ การเรียนรู้ภายใต้การดูแล การเรียนรู้แบบไม่มีผู้ดูแล และการเรียนรู้กึ่งควบคุมโดยเกี่ยวข้องกับโลกแห่งความเป็นจริง

การเรียนรู้แบบ Supervised โดยที่นักเรียนอยู่ภายใต้การดูแลของครูผู้สอน ในการเรียนรู้แบบไม่มีผู้ดูแลซึ่งนักเรียนต้องคิดแนวคิดด้วยตัวเอง การเรียนรู้กึ่งควบคุมที่ครูสอนแนวคิดสองสามข้อในชั้นเรียนและให้คำถามเป็นการบ้านซึ่งมีพื้นฐานมาจากแนวคิดที่คล้ายคลึงกัน

การเรียนรู้การเสริมแรง

การเรียนรู้การเสริมกำลังคือการเรียนรู้โดยการโต้ตอบกับสิ่งแวดล้อม กระบวนการเรียนรู้เกี่ยวข้องกับนักแสดง สิ่งแวดล้อม และสัญญาณรางวัล นักแสดงเลือกที่จะดำเนินการในสภาพแวดล้อมที่นักแสดงได้รับรางวัลตามนั้น ที่นี่ผลลัพธ์ของระบบคือลำดับของการกระทำ

ในกรณีเช่นนี้ การดำเนินการเพียงครั้งเดียวไม่สำคัญ ลำดับของการดำเนินการแก้ไขเพื่อให้บรรลุเป้าหมายเป็นสิ่งสำคัญ นี้เรียกว่านโยบาย นักแสดงต้องการเพิ่มรางวัลที่ได้รับ ดังนั้นจึงต้องเรียนรู้นโยบายที่เหมาะสมและดีสำหรับการมีปฏิสัมพันธ์กับสิ่งแวดล้อม ตัวอย่างที่ดีคือเกม ในเกม การเคลื่อนไหวเพียงครั้งเดียวนั้นไม่สำคัญ มันต้องมีลำดับของการเคลื่อนไหวที่ถูกต้องซึ่งเป็นสิ่งที่ดี (เช่น การเคลื่อนไหวนำไปสู่การชนะ)

รูปที่ 5 : การตั้งค่าการเรียนรู้การเสริมแรง

`การเรียนรู้การเสริมกำลังแตกต่างจากการเรียนรู้ประเภทอื่นที่เราได้กล่าวถึงไปแล้วมาก ตามที่เราได้เห็นในการเรียนรู้ภายใต้การดูแล เราได้รับข้อมูลและป้ายกำกับ และมีหน้าที่คาดการณ์ผลลัพธ์ที่ได้รับจากข้อมูล ในการเรียนรู้แบบ unsupervised เราจะได้รับเฉพาะข้อมูลและมีหน้าที่ในการค้นหาโครงสร้างพื้นฐานในข้อมูล ในการเสริมกำลัง เราไม่ได้รับข้อมูลหรือป้ายกำกับ

การประยุกต์ใช้การเรียนรู้การเสริมกำลังคือ

1. รถขับเอง
2. หุ่นยนต์ควบคุมมอเตอร์
3. ระบบควบคุมเครื่องปรับอากาศ
4. การเพิ่มประสิทธิภาพตำแหน่งโฆษณา
5. กลยุทธ์การซื้อขายหุ้น
6. การเล่นเกม

การเรียนรู้อย่างลึกซึ้ง

เมื่อเราวิเคราะห์ภาพรถยนต์ แต่ละพิกเซลในภาพรถสีแดงจะใกล้เคียงกับสีดำมากในตอนกลางคืน ตัวอย่างนี้อาจให้ข้อมูลเชิงลึกเกี่ยวกับความยากลำบากที่แอพพลิเคชั่นปัญญาประดิษฐ์จำนวนมากต้องเผชิญ เป็นการยากมากที่จะแยกคุณลักษณะระดับสูงและเป็นนามธรรมออกมา เนื่องจากต้องใช้ความเข้าใจในระดับมนุษย์

Deep Learning จัดการกับปัญหานี้ด้วยการสร้างฟีเจอร์ที่ซับซ้อนจากฟีเจอร์ที่เรียบง่าย ตัวอย่างพื้นฐานที่สุดของโมเดลการเรียนรู้เชิงลึกคือ Multilayer Perceptron Multilayer Perceptron เป็นเพียงฟังก์ชันทางคณิตศาสตร์ที่จับคู่ค่าอินพุตกับค่าเอาต์พุต ฟังก์ชันนี้ประกอบด้วยฟังก์ชันที่ง่ายกว่ามากมาย

การเรียนรู้เชิงลึกเป็นการเรียนรู้ด้วยเครื่องชนิดหนึ่งที่บรรลุพลังอันยิ่งใหญ่และความยืดหยุ่นโดยการแสดงให้โลกเห็นเป็นลำดับชั้นของแนวคิดที่ซ้อนกัน แนวคิดแต่ละข้อกำหนดขึ้นโดยสัมพันธ์กับแนวคิดที่ง่ายกว่า และการนำเสนอที่เป็นนามธรรมมากขึ้นคำนวณในแง่ของแนวคิดที่เป็นนามธรรมน้อยกว่า

อัลกอริธึมการเรียนรู้เชิงลึก เช่น Deep Neural Network, Deep Believe Network, Convolutional Neural Network, Recurrent Neural Network ได้ถูกนำไปใช้กับสาขาต่างๆ เช่น การมองเห็นคอมพิวเตอร์ การรู้จำคำพูด การประมวลผลภาษาธรรมชาติ และอื่นๆ อีกมากมาย

โครงข่ายประสาทลึก

Deep Neural Network ได้รับแรงบันดาลใจจากการทำงานของสมองมนุษย์และวิธีการทำงาน โครงสร้างพื้นฐานของโครงข่ายประสาทลึกคือโหนด โหนดเป็นเหมือนเซลล์ประสาทของสมองมนุษย์ เมื่อสิ่งเร้ากระทบพวกเขา กระบวนการจะเกิดขึ้นในโหนด โดยทั่วไป โหนดจะถูกจัดกลุ่มเป็นชั้นต่างๆ ดังแสดงในรูปที่ 6

รูปที่ 6 : Deep Neural Network

มีเครือข่ายประสาทลึกหลายประเภทและความแตกต่างระหว่างเครือข่ายเหล่านี้อยู่ในหลักการทำงาน โครงร่างของการกระทำ และพื้นที่ของการใช้งาน

โครงข่ายประสาทเทียม (CNN): ส่วนใหญ่จะใช้สำหรับการรับรู้ภาพเนื่องจากไม่จำเป็นต้องตรวจสอบพิกเซลทั้งหมดทีละภาพ CNN ประกอบด้วยเลเยอร์อินพุต เลเยอร์เอาต์พุต และเลเยอร์ที่ซ่อนอยู่ เลเยอร์ที่ซ่อนอยู่มักจะประกอบด้วยชั้น convolutional ชั้นรวม และชั้นที่เชื่อมต่ออย่างสมบูรณ์ เลเยอร์ Convolutional และ max-pooling ทำหน้าที่เป็นตัวแยกคุณลักษณะและเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์ซึ่งทำการแปลงแบบไม่เชิงเส้นของคุณสมบัติที่แยกออกมาและทำหน้าที่เป็นตัวแยกประเภท ชั้น Convolutional ใช้การดำเนินการ Convolution กับอินพุต เลเยอร์การรวมจะใช้ทันทีหลังจากเลเยอร์ที่บิดเบี้ยวเพื่อลดขนาดเชิงพื้นที่ (เฉพาะความกว้างและความสูง ไม่ใช่ความลึก) ซึ่งจะช่วยลดจำนวนพารามิเตอร์และด้วยเหตุนี้การคำนวณจึงลดลงรวมทั้งช่วยทำให้ตัวตรวจจับคุณสมบัติไม่แปรผันกับตำแหน่งในอินพุต ง่ายต่อการเข้าใจการทำงานของการบิดด้วยแอนิเมชั่นนี้

โครงข่ายประสาทกำเริบ (RNN):โครงข่ายประสาทที่เกิดซ้ำเป็นคลาสของโครงข่ายประสาทเทียมที่อนุญาตให้ใช้เอาต์พุตก่อนหน้าเป็นอินพุตของโมเดล เปิดตัวครั้งแรกในปี 1980 RNN นั้นแตกต่างจากโครงข่ายประสาทแบบ feed-forward เนื่องจากพวกมันใช้ประโยชน์จากโครงข่ายประสาทเทียมชนิดพิเศษที่เรียกว่าเลเยอร์ที่เกิดซ้ำ แนวคิดหลักที่อยู่เบื้องหลัง Recurrent Neural Network คือการใช้ข้อมูลตามลำดับ ในโครงข่ายประสาทเทียมแบบเดิม เช่น CNN เราถือว่าอินพุตและเอาต์พุตทั้งหมดเป็นอิสระจากกัน แต่สำหรับงานหลายๆ อย่าง ที่ไม่ค่อยดีนักที่จะถือว่าสิ่งนี้ สมมติว่า หากเราต้องการทำนายคำถัดไปในประโยค จะดีกว่าที่จะรู้ว่าคำใดมาก่อนคำนั้น RNN ถูกเรียกว่าการเกิดซ้ำเนื่องจากทำงานเดียวกันสำหรับทุกองค์ประกอบของลำดับ โดยผลลัพธ์จะขึ้นอยู่กับการคำนวณก่อนหน้า พูดง่ายๆ ก็คือ RNN มีหน่วยความจำที่รวบรวมข้อมูลเกี่ยวกับสิ่งที่คำนวณมาจนถึงตอนนี้ ตามทฤษฎีแล้ว RNN สามารถใช้ข้อมูลแบบลำดับยาวๆ ได้ แต่ในทางปฏิบัติ ข้อมูลเหล่านี้จำกัดให้มองย้อนกลับไปเพียงไม่กี่ขั้นตอนเท่านั้น

มาดูความสัมพันธ์ระหว่าง AI, Machine Learning และ Deep Learning โดยใช้ Venn Diagram

ภาพที่ 7 : รูปนี้แสดงความสัมพันธ์ระหว่าง Deep Learning, Machine Learning และ Artificial Intelligence

การประยุกต์ใช้ปัญญาประดิษฐ์

มีหลายสาขาที่ใช้ AI สาขาต่างๆ ได้แก่ การตลาด, การธนาคาร, การเงิน, เกษตรกรรม, การดูแลสุขภาพ, การเล่นเกม, การสำรวจอวกาศ, ยานยนต์อัตโนมัติ, แชทบอท, ความคิดสร้างสรรค์ประดิษฐ์ ฯลฯ

มาสำรวจด้านการตลาดและการธนาคารกัน

การตลาด

ในช่วงแรกๆ (เมื่อ AI ไม่ได้อยู่ในแอปพลิเคชัน มีอยู่ในหนังสือเท่านั้น) หากเราต้องการซื้อสินค้าจากร้านค้าออนไลน์ เราต้องค้นหาผลิตภัณฑ์ด้วยชื่อที่ถูกต้อง ดังนั้นจึงเป็นเรื่องยากมากที่จะหาผลิตภัณฑ์หากเราไม่ทราบชื่อผลิตภัณฑ์ที่แน่นอน

แต่ในปัจจุบันนี้ เมื่อเราค้นหารายการใดๆ ในร้านค้าอีคอมเมิร์ซ เราจะได้รับผลลัพธ์ที่เป็นไปได้ทั้งหมดที่เกี่ยวข้องกับรายการนั้น เราไม่ต้องกังวลกับการสะกดหรือชื่อผลิตภัณฑ์ที่แน่นอนเพื่อค้นหาผลิตภัณฑ์ อีกตัวอย่างหนึ่งคือการค้นหาภาพยนตร์ที่ใช่บน Netflix

แอปพลิเคชันไม่ได้จำกัดอยู่เพียงแค่การค้นหาผลิตภัณฑ์ที่เหมาะสมเท่านั้น ความก้าวหน้าของ AI สามารถแนะนำผลิตภัณฑ์ตามความสนใจของคุณโดยการวิเคราะห์ธุรกรรมในอดีตและรสนิยมในการซื้อของ จากข้อมูลนี้ AI สามารถรู้ได้ว่าผลิตภัณฑ์ประเภทใดที่เกี่ยวข้องกับคุณ และจะกรองผลิตภัณฑ์และแนะนำให้คุณทราบโดยอิงจากข้อมูลนี้

ด้วยวิธีนี้ AI มีบทบาทสำคัญในการตลาดและเพิ่มการขายผลิตภัณฑ์ออนไลน์และด้วยเหตุนี้ บริษัท อีคอมเมิร์ซเช่น Flipkart อเมซอน หรือ Netflix เหมือนกับบริษัทต่างๆ ที่ใช้ประโยชน์จากพลังของ AI เพื่อขายผลิตภัณฑ์ของตนอย่างง่ายดายและทำกำไร

การธนาคาร

ในด้านธนาคาร ระบบ AI เติบโตเร็วขึ้น ธนาคารหลายแห่งได้นำระบบ AI มาใช้เพื่อให้บริการต่างๆ เช่น การสนับสนุนลูกค้า การตรวจจับความผิดปกติ การฉ้อโกงบัตรเครดิต

มาดูตัวอย่างของธนาคาร HDFC พวกเขาได้พัฒนาแชทบอทแบบ AI ที่เรียกว่า Electronic Virtual Assistant (EVA) แชทบอทนี้ได้ตอบคำถามของลูกค้าแล้วกว่า 3 ล้านครั้ง Eva สามารถให้คำตอบง่ายๆ ได้ในเวลาน้อยกว่า 0.4 วินาที Bank of America มีชื่อแชทบ็อตว่า Erica American Express ใช้แชทบอทของ AmEX เพื่อประโยชน์ของลูกค้า

MasterCard และ RBS WorldPay ใช้ AI และการเรียนรู้เชิงลึกในการตรวจจับธุรกรรมที่ฉ้อโกงและป้องกันการฉ้อโกงของบัตร ระบบ AI นี้ประหยัดเงินได้หลายล้านดอลลาร์ อัลกอริธึมการตรวจจับการฉ้อโกงแบบ AI นั้นแม่นยำกว่าในการตรวจจับการฉ้อโกงด้วยความแม่นยำมากกว่า 95% พวกเขามีความสามารถในการปรับตัวอย่างรวดเร็วเพื่อตรวจจับความพยายามครั้งใหม่ในการฉ้อโกงแบบเรียลไทม์

การประยุกต์ใช้ AI ที่สำคัญที่สุดในการธนาคารคือการจัดการความเสี่ยง เนื่องจากการประเมินแสดงให้เห็นว่าการสูญเสียพ่อค้าโดยเฉลี่ยจากการโจมตีด้วยการฉ้อโกงคือ 1.5% ของรายได้ต่อปี JPMorgan เริ่มใช้เทคนิค AI เพื่อพัฒนาระบบเตือนภัยล่วงหน้าที่ตรวจจับมัลแวร์ โทรจัน และไวรัส ระบบตรวจจับนี้ถูกกล่าวหาว่าระบุพฤติกรรมที่น่าสงสัยมานานก่อนที่จะส่งอีเมลการฉ้อโกงไปยังพนักงานจริง ๆ

บทความแนะนำ

• Unsecapp.exe คืออะไรและปลอดภัยหรือไม่?
• 15 เครื่องมือและซอฟต์แวร์ไดอะแกรม UML ที่ดีที่สุด
• [แก้ไขแล้ว] Windows ไม่สามารถเข้าถึงอุปกรณ์ที่ระบุ เส้นทาง หรือข้อผิดพลาดของไฟล์
• การแก้ไข 16 รายการสำหรับ Windows Update ไม่ทำงานใน Windows
• 4 การแก้ไขสำหรับการตั้งค่า AMD Radeon จะไม่เปิดขึ้น
• เครื่องมือภาพหน้าจอซูม: คำแนะนำและเคล็ดลับ