Omówienie uczenia maszynowego
Uczenie maszynowe obejmuje przekazywanie dużych ilości danych do algorytmu, który następnie przetwarza te dane w celu znalezienia wzorców i relacji.
Jeśli na przykład podasz modelowi sztucznej inteligencji dane dotyczące Twoich poprzednich zwyczajów odkurzania i układu domu, powstały model można wykorzystać do zaprogramowania robota odkurzającego, który będzie sprzątał dywan w podobnym wzorcu jak Ty. Teraz wyobraź sobie, że wiele z tych robotów zostało sprzedanych, a wszystkie swoje dane dotyczące odkurzania przesyłają z powrotem do producenta. Wykorzystanie uczenia maszynowego do wykrywania wzorców może odkryć jeszcze bardziej efektywne wzorce ruchu i zoptymalizować ścieżki dla wszystkich odkurzaczy robotycznych o tej samej konstrukcji.
W pierwszym filmie uzyskasz lepsze zrozumienie tego, czym jest uczenie maszynowe.
Uczenie maszynowe to technika sztucznej inteligencji, która używa algorytmów do tworzenia modeli predykcyjnych. Te modele są weryfikowane pod kątem znanych danych, mierzonych według określonych metryk i dostosowywane zgodnie z potrzebami. Ten proces uczenia się i walidacji jest nazywany szkoleniem. Poprzez ponowne trenowanie modele uczenia maszynowego poprawiają się z czasem. Istnieją również kluczowe metodologie dotyczące trenowania modeli, na przykład uczenia nadzorowanego, uczenia nienadzorowanego i uczenia wzmacniania.
W następnym filmie wideo poznasz różnicę między tymi metodologiami i poznasz ich kombinację w warstwach nazywanych uczeniem głębokim.