what is artificial intelligence
인공 지능 (AI), 지능 요소 및 기계 학습, 딥 러닝, NLP 등과 같은 AI의 하위 분야가 무엇인지 알아보십시오.
컴퓨터 네트워킹 시스템은 다양한 작업을 수행하려는 인간의 신체적, 정신적 노력을 줄이는 다양한 유형의 장치와 장치를 제공하여 인간의 라이프 스타일을 개선했습니다. 인공 지능은이 작업에 논리적이고 분석적이며 생산적인 기술을 적용하여 더 효과적으로 만드는이 프로세스의 다음 단계입니다.
이 튜토리얼에서는 다양한 예제를 통해 인공 지능과 그 정의 및 구성 요소가 무엇인지 설명합니다. 우리는 또한 인간과 기계 지능의 차이를 탐구 할 것입니다.
학습 내용 :
인공 지능 (AI)이란?
인공 지능을 설명하는 데 사용할 수있는 다양한 기술적 정의가 있지만 모두 매우 복잡하고 혼란 스럽습니다. 더 나은 이해를 위해 간단한 단어로 정의를 자세히 설명하겠습니다.
인간은 분석적 사고, 논리적 추론, 통계적 지식, 수학적 또는 계산적 지능과 같은 기술로 모든 문제를 해결하고 빅 데이터를 분석 할 수 있기 때문에 지구상에서 가장 지능적인 종으로 간주됩니다.
이러한 모든 기술 조합을 염두에두고 인공 지능은 인간이 할 수있는 것과 유사한 기계의 복잡한 문제를 해결할 수있는 능력을 부여하는 기계와 로봇을 위해 개발되었습니다.
인공 지능은 의학 분야, 자동차, 일상 생활 응용 프로그램, 전자, 통신 및 컴퓨터 네트워킹 시스템을 포함한 모든 분야에 적용됩니다.
그래서 기술적으로 컴퓨터 네트워크와 관련된 AI는 원시 데이터를 정확하게 이해하고 해당 데이터에서 유용한 정보를 수집 한 다음 이러한 결과를 사용하여 최종 솔루션을 얻을 수있는 컴퓨터 장치 및 네트워킹 시스템으로 정의 할 수 있습니다. 유연한 접근 방식과 쉽게 적응할 수있는 솔루션으로 문제를 할당합니다.
지능의 요소
# 1) 추론 : 모든 문제에서 판단, 예측 및 의사 결정을 내리기위한 기본 기준과 지침을 제공 할 수있는 절차입니다.
추론은 두 가지 유형이있을 수 있는데, 하나는 일반적으로 관찰 된 발생 및 진술에 기반한 일반화 된 추론입니다. 이 경우 때때로 결론이 틀릴 수 있습니다. 다른 하나는 논리적 추론으로, 사실, 수치 및 특정 진술과 구체적이고 언급되고 관찰 된 사건을 기반으로합니다. 따라서이 경우 결론은 정확하고 논리적입니다.
# 2) 학습 : 책, 삶의 진정한 사건, 경험, 일부 전문가가 가르치는 등 다양한 출처에서 지식과 기술을 습득하는 행동입니다. 학습은 그가 모르는 분야에 대한 지식을 향상시킵니다.
학습 능력은 인간뿐만 아니라 일부 동물과 인공 지능 시스템이이 기술을 가지고 있음을 보여줍니다.
학습은 다음과 같이 다양한 유형입니다.
- 음성 말하기 학습은 어떤 교사가 강의를하고 나서 청각적인 학생들이 그것을 듣고 암기하고 그것을 지식을 얻기 위해 사용하는 과정을 기반으로합니다.
- 선형 학습은 사람이 경험하고 배운 일련의 사건을 암기하는 데 기반을 둡니다.
- 관찰 학습은 다른 사람이나 동물과 같은 생물의 행동과 표정을 관찰하여 학습하는 것을 의미합니다. 예를 들어, 어린 아이는 부모를 모방하여 말하는 법을 배웁니다.
- 지각 학습은 시각적 개체를 식별하고 분류하여 암기하는 학습을 기반으로합니다.
- 관계형 학습은 과거의 사고와 실수로부터 학습하고이를 즉석에서 배우기위한 노력을 기반으로합니다.
- 공간 학습은 이미지, 비디오, 색상,지도, 영화 등과 같은 시각 자료에서 배우는 것을 의미하며, 이는 향후 참조를 위해 필요할 때마다 사람들이 마음에 드는 이미지를 만드는 데 도움이 될 것입니다.
# 3) 문제 해결 : 문제의 원인을 파악하고 문제를 해결할 수있는 방법을 찾는 과정입니다. 이것은 문제를 분석하고 의사 결정을 한 다음 문제에 대한 최종적이고 가장 적합한 솔루션에 도달하기 위해 둘 이상의 솔루션을 찾아서 수행됩니다.
여기서 마지막 모토는 최소한의 시간에 최상의 문제 해결 결과를 달성하기 위해 사용 가능한 솔루션 중에서 최상의 솔루션을 찾는 것입니다.
# 4) 지각 : 원시 입력에서 유용한 데이터를 얻고, 추론하고, 선택하고, 체계화하는 현상입니다.
인간의 경우 지각은 환경의 경험, 감각 기관 및 상황 조건에서 파생됩니다. 그러나 인공 지능 지각과 관련하여 논리적으로 데이터와 관련하여 인공 센서 메커니즘에 의해 획득됩니다.
# 5) 언어 지능 : 다른 언어로 말을 전개하고, 파악하고, 읽고, 쓰는 능력의 현상입니다. 그것은 둘 이상의 개인 간의 의사 소통 방식의 기본 구성 요소이며 분석 및 논리적 이해를 위해 필요한 것입니다.
인간과 기계 지능의 차이
다음 사항은 차이점을 설명합니다.
#1) 우리는 인간이 다양한 유형의 복잡한 작업을 수행하고 다양한 상황에서 다양한 종류의 독특한 문제를 해결하는 근거에서 인간 지능의 구성 요소를 위에서 설명했습니다.
#두) 인간은 인간과 마찬가지로 지능을 가진 기계를 개발하고 인간과 마찬가지로 복잡한 문제에 대한 결과를 거의 제공합니다.
#삼) 인간은 시각 및 청각 패턴, 과거 상황 및 상황 이벤트로 데이터를 구분하는 반면 인공 지능 기계는 사전 정의 된 규칙 및 백 로그 데이터를 기반으로 문제를 인식하고 문제를 처리합니다.
# 4) 인간은 과거의 데이터를 암기하고 그것을 배웠고 뇌에 보관하면서 기억하지만 기계는 알고리즘을 검색하여 과거의 데이터를 찾습니다.
# 5) 언어 지능을 통해 인간은 왜곡 된 이미지와 모양, 누락 된 음성, 데이터 및 이미지 패턴을 인식 할 수도 있습니다. 그러나 기계에는 이러한 지능이 없으며 원하는 결과를 얻기 위해 다양한 알고리즘을 포함하는 컴퓨터 학습 방법론과 딥 러닝 프로세스를 사용합니다.
# 6) 인간은 항상 자신의 본능, 비전, 경험, 상황 상황, 주변 정보, 시각적 및 원시 데이터를 따르고 일부 교사 나 연장자가 어떤 문제를 분석하고 해결하며 효과적이고 의미있는 결과를 내도록 배운 것들을 따릅니다. 어떤 문제의.
반면 모든 수준의 인공 지능 머신은 다양한 알고리즘, 사전 정의 된 단계, 백 로그 데이터 및 머신 러닝을 배포하여 유용한 결과를 얻습니다.
# 7) 기계가 뒤 따르는 프로세스는 복잡하고 많은 절차가 필요하지만 복잡한 데이터의 큰 소스를 분석하고 동일한 시간에 서로 다른 분야의 고유 한 작업을 정확하게 수행해야하는 경우 최상의 결과를 제공합니다. 정확하고 주어진 시간 내에
이러한 기계의 경우 오류율은 인간보다 훨씬 적습니다.
인공 지능의 하위 분야
# 1) 기계 학습
머신 러닝은 컴퓨터에 자동으로 데이터를 수집하고 주어진 작업이나 작업을 수행하도록 특별히 프로그래밍 된 것이 아니라 발생한 문제 또는 사례의 경험에서 학습 할 수있는 기능을 제공하는 인공 지능의 기능입니다.
기계 학습은 데이터를 면밀히 조사하고 예측할 수있는 알고리즘의 성장을 강조합니다. 이것의 주요 용도는 질병 진단, 의료 스캔 해석 등에 사용되는 의료 산업에서 사용됩니다.
패턴 인식 기계 학습의 하위 범주입니다. 컴퓨터 알고리즘을 사용하여 원시 데이터에서 청사진을 자동으로 인식하는 것으로 설명 할 수 있습니다.
패턴은 일련의 이벤트 및 추세, 개체를 식별하기위한 이미지 특징의 특정 특성, 언어 지원을위한 단어와 문장의 반복적 인 조합을 예측하는 데 사용되는 지속적인 데이터 시리즈 일 수 있으며 특정 데이터 일 수 있습니다. 소셜 활동과 더 많은 것들을 나타낼 수있는 모든 네트워크에있는 사람들의 행동 모음.
패턴 인식 프로세스에는 여러 단계가 포함됩니다. 다음과 같이 설명됩니다.
(i) 데이터 수집 및 감지 : 여기에는 물리적 변수 등의 원시 데이터 수집과 주파수, 대역폭, 해상도 등의 측정이 포함됩니다. 데이터는 학습 데이터와 학습 데이터의 두 가지 유형입니다.
훈련 데이터는 데이터 세트의 라벨링이 제공되지 않고 시스템이 클러스터를 적용하여 분류하는 데이터입니다. 학습 데이터에는 분류기와 함께 직접 사용할 수 있도록 레이블이 잘 지정된 데이터 세트가 있습니다.
(ii) 입력 데이터의 전처리 :여기에는 입력 소스의 노이즈와 같은 원하지 않는 데이터를 필터링하는 것이 포함되며 신호 처리를 통해 수행됩니다. 이 단계에서는 추가 참조를 위해 입력 데이터의 기존 패턴 필터링도 수행됩니다.
(iii) 특징 추출 :특성상 요구되는 매칭 패턴을 찾기 위해 패턴 매칭 알고리즘처럼 다양한 알고리즘이 수행된다.
(iv) 분류 :수행 된 알고리즘의 출력과 매칭 패턴을 얻기 위해 학습 한 다양한 모델을 기반으로 클래스가 패턴에 할당됩니다.
(v) 후 처리 :여기에 최종 출력이 표시되며 달성 된 결과가 거의 필요할 가능성이 있음을 확신 할 수 있습니다.
패턴 인식을위한 모델 :
(영상 출처 )
위의 그림에서 볼 수 있듯이 기능 추출기는 오디오, 이미지, 비디오, 음향 등과 같은 입력 원시 데이터에서 기능을 파생시킵니다.
이제 분류기는 x를 입력 값으로 받고 클래스 1, 클래스 2…와 같은 입력 값에 다른 범주를 할당합니다. 클래스 C. 데이터 클래스에 따라 패턴의 추가 인식 및 분석이 수행됩니다.
이 모델을 통한 삼각형 모양 인식의 예 :
패턴 인식은 음성 기반 인식 및 안면 인증과 같은 식별 및 인증 프로세서, 표적 인식 및 내비게이션 안내를위한 방어 시스템 및 자동차 산업에 사용됩니다.
# 2) 딥 러닝
기계가 원하는 하나의 출력을 발견 할 때까지 여러 가지 방법으로 입력 데이터를 처리하고 분석하여 학습하는 과정입니다. 기계의자가 학습이라고도합니다.
기계는 다양한 임의의 프로그램과 알고리즘을 실행하여 입력 데이터의 입력 원시 시퀀스를 출력에 매핑합니다. 신경 진화 (neuroevolution)와 같은 다양한 알고리즘과 신경 토폴로지에서 기울기 강하 (gradient)와 같은 다른 접근 방식을 배포함으로써 출력 y는 마지막으로 알려지지 않은 입력 함수 f (x)에서 x와 y가 상관 관계가 있다고 가정합니다.
흥미롭게도 신경망의 역할은 올바른 f 함수를 찾는 것입니다.
딥 러닝은 가능한 모든 인간의 특성과 행동 데이터베이스를 목격하고 감독 학습을 수행합니다. 이 프로세스에는 다음이 포함됩니다.
- 다양한 종류의 인간 감정과 징후 감지.
- 특정 기호, 표시 또는 특징과 같은 이미지로 사람과 동물을 식별합니다.
- 다른 화자의 음성 인식 및 암기.
- 비디오 및 음성을 텍스트 데이터로 변환합니다.
- 옳거나 그른 제스처 식별, 스팸 항목 분류 및 사기 사례 (예 : 사기 주장).
위에서 언급 한 것들을 포함한 다른 모든 특성은 딥 러닝을 통해 인공 신경망을 준비하는 데 사용됩니다.
예측 분석 : 방대한 데이터 세트를 수집하고 학습 한 후 유사한 종류의 음성 세트, 이미지 또는 문서를 비교하는 것과 같이 사용 가능한 모델 세트에 접근하여 유사한 종류의 데이터 세트를 클러스터링합니다.
데이터 세트의 분류 및 클러스터링을 수행 했으므로 두 데이터 간의 상관 관계를 설정하여 현재 이벤트 사례의 근거를 기반으로 미래 이벤트 예측에 접근 할 것입니다. 예측 결정과 접근 방식은 시간 제한이 없음을 기억하십시오.
예측을 할 때 명심해야 할 유일한 점은 출력이 어느 정도 의미가 있고 논리적이어야한다는 것입니다.
반복적 인 테이크와 자체 분석을 통해 기계의 문제에 대한 해결책을 얻을 수 있습니다. 딥 러닝의 예는 스마트 폰이 화자의 다른 종류의 악센트를 이해하고 의미있는 음성으로 변환 할 수 있도록하는 휴대폰의 음성 인식입니다.
# 3) 신경망
신경망은 인공 지능의 두뇌입니다. 그것들은 인간 두뇌의 신경 연결을 복제 한 컴퓨터 시스템입니다. 뇌의 인공적인 상응하는 뉴런은 퍼셉트론으로 알려져 있습니다.
다양한 퍼셉트론의 스택이 결합되어 기계의 인공 신경망을 만듭니다. 바람직한 출력을 제공하기 전에 신경망은 다양한 훈련 예제를 처리하여 지식을 얻습니다.
다양한 학습 모델을 사용하여 데이터를 분석하는이 프로세스는 이전에 답이 없었던 많은 관련 쿼리에 대한 솔루션을 제공합니다.
신경망과 관련된 딥 러닝은 복잡한 문제의 출력 계층을 포함하여 숨겨진 데이터의 여러 계층을 펼칠 수 있으며 음성 인식, 자연어 처리 및 컴퓨터 비전 등과 같은 하위 분야의 보조자입니다.
(영상 출처 )
초기 종류의 신경망은 하나의 입력과 하나의 출력으로 구성되었으며, 최대 하나의 히든 레이어 또는 단일 레이어의 퍼셉트론으로 만 구성되었습니다.
심층 신경망은 입력 및 출력 계층 사이에 둘 이상의 숨겨진 계층으로 구성됩니다. 따라서 데이터 단위의 숨겨진 계층을 펼치려면 딥 러닝 프로세스가 필요합니다.
신경망의 딥 러닝에서 각 계층은 이전 계층의 출력 기능을 기반으로 고유 한 속성 세트에 능숙합니다. 신경망에 더 많이 들어 갈수록 노드는 더 명확한 최종 출력을 생성하기 위해 모든 이전 계층의 출력을 예측하고 재결합 할 때 더 복잡한 속성을 인식 할 수있는 능력을 얻습니다.
이 전체 프로세스를 기능 계층이라고합니다. 복잡하고 무형의 데이터 세트의 계층 구조라고도합니다. 수십억 개의 제약 조건을 가진 매우 거대하고 넓은 차원의 데이터 단위가 선형 및 비선형 함수를 거치게 될 심층 신경망의 기능을 향상시킵니다.
머신 인텔리전스가 해결하기 위해 고군분투하는 주요 문제는 모든 분야와 국가에 퍼져있는 세계의 레이블이 지정되지 않고 구조화되지 않은 데이터를 처리하고 관리하는 것입니다. 이제 신경망은 이러한 데이터 하위 집합의 지연 시간과 복잡한 기능을 처리 할 수있는 기능을 갖추고 있습니다.
인공 신경망과 관련된 딥 러닝은 그림, 텍스트, 오디오 등의 형태로 존재하는 이름없는 원시 데이터를 적절한 라벨링을 통해 조직화 된 관계형 데이터베이스로 분류하고 특성화했습니다.
예를 들어, 딥 러닝은 수천 개의 원시 이미지를 입력으로 취한 다음 한쪽에는 개와 같은 모든 동물, 한쪽 모서리에는 가구와 같은 무생물, 가족의 모든 사진과 같은 기본 기능과 캐릭터를 기반으로 분류합니다. 세 번째면은 스마트 포토 앨범이라고도하는 전체 사진을 완성합니다.
다른 예시, 수천 개의 이메일이있는 텍스트 데이터의 경우를 입력으로 고려해 보겠습니다. 여기서 딥 러닝은 이메일을 콘텐츠에 따라 기본 이메일, 소셜 이메일, 홍보 이메일, 스팸 이메일과 같은 다양한 카테고리로 분류합니다.
피드 포워드 신경망 : 신경망 사용의 목표는 최소한의 오류와 높은 정확도 수준으로 최종 결과를 얻는 것입니다.
이 절차에는 여러 단계가 포함되며 각 수준에는 예측, 오류 관리 및 가중치 업데이트가 포함되며, 이는 원하는 기능으로 천천히 이동하므로 계수가 약간 증가합니다.
신경망의 시작점에서는 어떤 가중치와 데이터 하위 집합이 입력을 가장 적합한 예측으로 변환하는지 알지 못합니다. 따라서 모든 종류의 데이터 및 가중치 하위 집합을 모델로 간주하여 최상의 결과를 얻기 위해 순차적으로 예측하고 실수로부터 매번 학습합니다.
예를 들어, 우리는 어린 아이들이 태어 났을 때 주변 세상에 대해 아무것도 모르고 지능이 없지만 나이가 들어감에 따라 더 나은 인간과 지적이되기 위해 그들의 삶의 경험과 실수로부터 배우는 것처럼 신경망을 언급 할 수 있습니다.
피드 포워드 네트워크의 아키텍처는 수학 식으로 아래에 표시됩니다.
입력 * 무게 = 예측
그때,
실측 정보 – 예측 = 오류
그때,
오류 * 오류에 대한 가중치 기여 = 조정
여기에서 설명 할 수 있으며, 입력 데이터 세트는 네트워크에 대한 다중 예측을 얻기 위해 계수와 매핑합니다.
이제 예측은 실시간 시나리오에서 가져온 실제 사실과 비교되며 사실은 오류율을 찾기 위해 경험을 끝냅니다. 오류를 처리하고 가중치의 기여도를 연관시키기 위해 조정이 이루어집니다.
이 세 가지 기능은 입력 점수를 매기고 손실을 평가하며 모델에 대한 업그레이드를 배포하는 신경망의 세 가지 핵심 구성 요소입니다.
따라서 올바른 예측을 지원하는 계수를 보상하고 오류로 이어지는 계수를 폐기하는 것은 피드백 루프입니다.
필기 인식, 얼굴 및 디지털 서명 인식, 누락 된 패턴 식별은 신경망의 실시간 예 중 일부입니다.
# 4)인지 컴퓨팅
인공 지능의이 구성 요소의 목적은 복잡한 작업 완료 및 인간과 기계 간의 문제 해결을위한 상호 작용을 시작하고 가속화하는 것입니다.
인간과 함께 다양한 업무를 수행하는 동안 기계는 인간의 행동, 다양한 독특한 조건의 감정을 배우고 이해하며 컴퓨터 모델에서 인간의 사고 과정을 재현합니다.
이것을 연습함으로써 기계는 인간의 언어와 이미지 반사를 이해하는 능력을 습득합니다. 따라서 인공 지능과 함께인지 적 사고는 인간과 같은 행동을 할 수있는 제품을 만들 수 있으며 데이터 처리 기능도 가질 수 있습니다.
인지 컴퓨팅은 복잡한 문제의 경우 정확한 결정을 내릴 수 있습니다. 따라서 최적의 비용으로 솔루션을 개선해야하는 분야에 적용되며 자연어 및 증거 기반 학습을 분석하여 획득합니다.
예를 들어, Google Assistant는 코 그너 티브 컴퓨팅의 매우 큰 예입니다.
# 5) 자연어 처리
인공 지능의이 기능을 통해 컴퓨터는 인간의 언어와 음성을 해석, 식별, 검색 및 처리 할 수 있습니다.
이 구성 요소를 도입 한 개념은 기계와 인간 언어 간의 상호 작용을 원활하게하고 컴퓨터가 인간의 음성 또는 쿼리에 대한 논리적 응답을 제공 할 수있게하는 것입니다.
자연어 처리는 인간 언어의 구두 및 서면 섹션 모두에 초점을 맞추는 것은 알고리즘을 사용하는 능동 및 수동 모드를 의미합니다.
자연어 생성 (NLG)은 인간이 말 (구두 의사 소통)하는 데 사용하는 문장과 단어를 처리하고 해독하는 반면, 자연어 이해 (NLU)는 텍스트 또는 픽셀의 언어를 번역하기 위해 서면 어휘를 강조합니다. 기계.
컴퓨터의 GUI (Graphical User Interfaces) 기반 애플리케이션은 자연어 처리의 가장 좋은 예입니다.
한 언어를 다른 언어로 변환하는 다양한 유형의 번역자가 자연어 처리 시스템의 예입니다. 음성 비서 및 음성 검색 엔진의 Google 기능도 이에 대한 예입니다.
# 6) 컴퓨터 비전
컴퓨터 비전은 컴퓨터가 실제 이미지와 시각 자료를 캡처하고 가로 채서 시각적 데이터를 자동으로 인식, 분석 및 해석 할 수 있도록하므로 인공 지능의 매우 중요한 부분입니다.
PDF 문서, Word 문서, PPT 문서, XL 파일, 그래프 및 그림 등의 이미지 또는 비디오 파일을 포함하여 주어진 데이터에서 이미지의 내용을 추출하기 위해 딥 러닝 및 패턴 인식 기술을 통합합니다.
사물 묶음의 복잡한 이미지가 있는데 이미지 만보고 암기하는 것이 모든 사람에게 쉽게 불가능하다고 가정합니다. 컴퓨터 비전은 이미지에 대한 일련의 변형을 통합하여 물체의 날카로운 모서리, 사용 된 특이한 디자인 또는 색상 등과 같은 비트 및 바이트 세부 정보를 추출 할 수 있습니다.
셀레늄에서 maven의 사용은 무엇입니까
이것은 수학적 표현과 통계를 적용하여 다양한 알고리즘을 사용하여 이루어집니다. 로봇은 컴퓨터 비전 기술을 사용하여 세상을보고 실시간 상황에서 행동합니다.
이 구성 요소의 응용은 의료 산업에서 MRI 스캔, X-ray 등을 사용하여 환자의 건강 상태를 분석하는 데 매우 광범위하게 사용됩니다. 또한 컴퓨터 제어 차량 및 드론을 다루는 자동차 산업에서도 사용됩니다.
결론
이 튜토리얼에서는 먼저 원하는 결과를 얻기 위해 실제 상황에서 지능을 적용하는 데있어 지능의 다양한 요소와 그 중요성을 다이어그램으로 설명했습니다.
그런 다음 수학적 표현, 실시간 응용 프로그램 및 다양한 예제를 통해 인공 지능의 다양한 하위 분야와 기계 지능 및 실제 세계에서 그 중요성을 자세히 탐색했습니다.
우리는 또한 인공 지능의 모든 응용 분야에서 매우 중요한 역할을하는 인공 지능의 기계 학습, 패턴 인식 및 신경망 개념에 대해 자세히 배웠습니다.
이 튜토리얼의 다음 부분에서는 인공 지능의 적용에 대해 자세히 살펴볼 것입니다.