AI kontra maskininlärning kontra djupinlärning

Tänk på AI som hela familjen: alla tekniker som får en maskin att agera intelligent. Allt du kommer att lära dig hör hemma någonstans inom detta område. 🤖

AI är det övergripande målet att få datorer att utföra uppgifter som normalt kräver mänsklig intelligens, till exempel att känna igen en katt eller översätta en mening.

Maskininlärning är en gren av AI. I stället för att skriva varje regel själv lär sig programmet mönster direkt från exempel i dina data.

Visa en modell tusentals märkta e-postmeddelanden, så lär den sig att kalla nya meddelanden för skräppost eller inte. Denna övergång från regler till exempel är kärnan i ML.

Djupinlärning är en mindre cirkel inom maskininlärning. Den använder neurala nätverk i flera lager för att på egen hand lära sig mycket komplexa mönster.

Ordet djup betyder helt enkelt att många lager ligger staplade på varandra. Varje lager omvandlar data en aning, och tillsammans fångar de en innehållsrik och subtil struktur.

Föreställ dig tre nästlade cirklar: AI innehåller maskininlärning, som i sin tur innehåller djupinlärning. Djupinlärning är en kraftfull del av hela området, inte en konkurrent.

Klassisk maskininlärning behöver ofta att du själv anger användbara features, till exempel ordfrekvenser, innan den kan lära sig något från rådata.

Djupinlärning hoppar över mycket av den förberedelsen: den lär sig sina egna features direkt från råa bildpunkter eller text, vilket är anledningen till att den fungerar så bra på stökiga data.

Djupa modeller är krävande. De behöver vanligtvis mycket data och beräkningskraft, så en enklare ML-modell kan vinna när exemplen är få.

Djupinlärning är ett lysande verktyg, men inte det enda. Om du vet var det passar blir det lättare att välja rätt metod för varje problem du ställs inför.

Du placerade familjeträdet: AI innehåller maskininlärning, som innehåller djupinlärning. Djupa nätverk lär sig features från data, medan enklare modeller fortfarande vinner när datamängden är liten. 🌳