Οι παρακάτω όροι χρησιμοποιούνται στον Τύπο και στα κοινωνικά δίκτυα σαν να ήταν εναλλάξιμοι. Δεν είναι.
Τεχνητή νοημοσύνη · Machine Learning · Deep Learning
Data Science · Big Data · Αλγόριθμος · Νευρωνικό δίκτυοΌσο η ταξινομία δεν είναι σαφής, το υπόλοιπο πεδίο παραμένει συγκεχυμένο. Αυτό το κεφάλαιο την καθορίζει οριστικά.
Σχέση αυστηρού εγκλεισμού:
Deep Learning ⊂ Machine Learning ⊂ Τεχνητή Νοημοσύνη
Κάθε τεχνική Deep Learning είναι Machine Learning. Κάθε τεχνική Machine Learning ανήκει στην Τεχνητή Νοημοσύνη. Τα αντίστροφα είναι ψευδή.
Αυστηρός ορισμός
Πεδίο της πληροφορικής που στοχεύει στον σχεδιασμό συστημάτων ικανών να εκτελούν εργασίες οι οποίες, αν πραγματοποιούνταν από άνθρωπο, θα χαρακτηρίζονταν γνωστικές: αντίληψη, συλλογισμός, μάθηση, σχεδιασμός, απόφαση, κατανόηση της γλώσσας.
Λειτουργικός ορισμός
Ένα σύστημα ΤΝ είναι ένα σύστημα που, από εισόδους προερχόμενες από το περιβάλλον του, παράγει εξόδους (προβλέψεις, συστάσεις, αποφάσεις, ενέργειες) που επηρεάζουν αυτό το περιβάλλον, σύμφωνα με ρητούς ή έμμεσους στόχους που ορίζονται από άνθρωπο.
Αυτή η δεύτερη διατύπωση είναι κοντά στον ορισμό που υιοθέτησε ο ΟΟΣΑ και επαναλαμβάνεται σε πολλά ρυθμιστικά πλαίσια. Είναι χρήσιμη σε επαγγελματικό πλαίσιο γιατί είναι επαληθεύσιμη.
Μετάφραση σε καθημερινή γλώσσα
Να κάνουμε μια μηχανή να εκτελεί μια εργασία που, σε έναν άνθρωπο, θα απαιτούσε σκέψη.
Φύση της έννοιας
Η ΤΝ είναι ένας στόχος, όχι μια τεχνική. Συγκεντρώνει ετερογενείς προσεγγίσεις, ορισμένες από τις οποίες δεν περιλαμβάνουν καμία μάθηση.
Σημείο χρονολόγησης
Ο όρος επινοήθηκε το 1956 στο συνέδριο του Dartmouth. Το πεδίο είναι λοιπόν αρκετές δεκαετίες προγενέστερο του σύγχρονου εφαρμοσμένου Machine Learning.
Είναι η πιο συχνή παρανόηση.
| Τεχνική | Αρχή | Μάθηση |
|---|---|---|
| Σύστημα βασισμένο σε κανόνες | Ένας ανθρώπινος ειδικός τυποποιεί τους κανόνες | Όχι |
| Δενδρική αναζήτηση | Εξαντλητική ή ευρετική εξερεύνηση του χώρου καταστάσεων | Όχι |
| Τυπική λογική | Συμπερασμός από αξιώματα και κανόνες παραγωγής | Όχι |
| Συνδυαστική βελτιστοποίηση | Αναζήτηση βελτίστου υπό περιορισμούς | Όχι |
| Machine Learning | Επαγωγή κανόνων από παρατηρήσεις | Ναι |
Παράδειγμα ΤΝ χωρίς μάθηση — ένας προγραμματιζόμενος θερμοστάτης
Το σύστημα αποφασίζει. Κανένας κανόνας δεν επάχθηκε από δεδομένα: γράφτηκαν από έναν μηχανικό. Η συμπεριφορά θα είναι ίδια σε δέκα χρόνια.
Παράδειγμα ΤΝ χωρίς μάθηση — Deep Blue (1997)
Το σύστημα που νίκησε τον Garry Kasparov αξιολογούσε περίπου 200 εκατομμύρια θέσεις ανά δευτερόλεπτο με τη βοήθεια μιας συνάρτησης αξιολόγησης σχεδιασμένης από ανθρώπους και γκραν μετρ. Δεν μάθαινε από τις παρτίδες του. Αναζητούσε σε έναν χώρο καταστάσεων.
Αυστηρός ορισμός (Tom Mitchell, 1997)
Ένα πρόγραμμα υπολογιστή μαθαίνει από μια εμπειρία E, ως προς μια κλάση εργασιών T και ένα μέτρο επίδοσης P, αν η επίδοσή του στις εργασίες της T, μετρούμενη με το P, βελτιώνεται με την εμπειρία E.
Αυτός ο ορισμός είναι η ακαδημαϊκή αναφορά. Έχει το πλεονέκτημα να είναι λειτουργικός: επιβάλλει τη ρητή ονομασία των τριών συνιστωσών.
Εφαρμογή του ορισμού σε μια συγκεκριμένη περίπτωση
Ανίχνευση spam:
Εναλλακτικός ορισμός (Arthur Samuel, 1959)
Πεδίο μελέτης που δίνει στους υπολογιστές την ικανότητα να μαθαίνουν χωρίς να έχουν προγραμματιστεί ρητά για τη συγκεκριμένη εργασία.
Μετάφραση σε καθημερινή γλώσσα
Αντί να γράφουμε τους κανόνες, παρέχουμε έναν μεγάλο αριθμό παραδειγμάτων και ο αλγόριθμος επάγει ο ίδιος τους κανόνες.
Φύση της έννοιας
Το Machine Learning είναι μια προσέγγιση στο πλαίσιο της ΤΝ. Η κεντρική έννοια είναι η επαγωγή: το πέρασμα από παρατηρημένες ειδικές περιπτώσεις σε έναν γενικό κανόνα.
| Παρεχόμενες είσοδοι | Παραγόμενη έξοδος | |
|---|---|---|
| Κλασικός προγραμματισμός | Κανόνες + Δεδομένα | Απαντήσεις |
| Machine Learning | Δεδομένα + Απαντήσεις | Κανόνες |
Αυτή η αντιστροφή αναπτύσσεται στο κεφάλαιο 002.
Εργασία: να προσδιοριστεί αν μια εικόνα περιέχει μια γάτα.
Απόπειρα τυποποίησης με κανόνες:
ΑΝ τριγωνικά αυτιά ΚΑΙ μουστάκια ΚΑΙ τρίχωμα ΤΟΤΕ γάταΆμεσα αντιπαραδείγματα:
| Αντιπαράδειγμα | Αποτυχία του κανόνα |
|---|---|
| Μια αλεπού | Ικανοποιεί τις τρεις συνθήκες, δεν είναι γάτα |
| Μια γάτα από πίσω | Μουστάκια μη ορατά |
| Μια γάτα sphynx | Απουσία τριχώματος |
| Μια κουλουριασμένη γάτα | Καμία αναγνωρίσιμη δομή |
| Ένα γατάκι | Διαφορετικές αναλογίες |
Ο αριθμός των απαραίτητων κανόνων αποκλίνει χωρίς ποτέ να επιτευχθεί ικανοποιητική κάλυψη. Η εργασία ανήκει στην αντίληψη, τα κριτήρια της οποίας δεν είναι λεκτικοποιήσιμα ούτε από τους ίδιους τους ανθρώπους.
Διατύπωση σε Machine Learning
Κανένας ενήλικας δεν μεταδίδει σε ένα παιδί τριών ετών τον ακόλουθο ορισμό:
«Η γάτα είναι τετράποδο θηλαστικό της οικογένειας των αιλουριδών, που χαρακτηρίζεται από όρθια τριγωνικά αυτιά, προσωπικές βιβρίσσες και κόρες με κάθετη σχισμή.»
Το παιδί εκτίθεται σε εκατοντάδες περιπτώσεις συνοδευόμενες από μια λεκτική ετικέτα: «κοίτα, μια γάτα». Καταλήγει να επισημαίνει σωστά ένα άτομο που δεν έχει δει ποτέ.
Ο κανόνας δεν μεταδόθηκε. Επάχθηκε από επισημασμένα παραδείγματα. Αυτή είναι ακριβώς η δομή της επιβλεπόμενης μάθησης.
| Συνθήκη | Αιτιολόγηση | Παράδειγμα |
|---|---|---|
| Ο κανόνας δεν είναι τυποποιήσιμος | Τα κριτήρια δεν είναι λεκτικοποιήσιμα | Αναγνώριση προσώπου |
| Ο αριθμός των παραγόντων και των αλληλεπιδράσεων είναι υψηλός | Η χειροκίνητη συγγραφή αποκλίνει | Βαθμολόγηση κινδύνου πελάτη |
| Το περιβάλλον εξελίσσεται | Οι κανόνες παλιώνουν | Ανίχνευση απάτης, spam |
| Η εξατομίκευση πρέπει να είναι μαζική | Ένας κανόνας ανά άτομο είναι αδύνατος | Συστάσεις μεγάλης κλίμακας |
| Μια προσεγγιστική απάντηση είναι αποδεκτή | Το μοντέλο παράγει μια εκτίμηση, ποτέ μια βεβαιότητα | Εκτίμηση ακινήτων |
| Υπάρχει επαρκής όγκος επισημασμένων δεδομένων | Η επαγωγή απαιτεί παρατηρήσεις | Ιστορικό συναλλαγών |
| Κατάσταση | Λόγος | Εναλλακτική |
|---|---|---|
| Ο ακριβής κανόνας είναι γνωστός και σταθερός | Το μοντέλο θα εισήγαγε μια άχρηστη προσέγγιση | Υλοποίηση του τύπου |
| Η ακρίβεια είναι νομική υποχρέωση | Μια προσέγγιση είναι νομικά απαράδεκτη | Ρητός ελεγμένος κανόνας |
| Ο όγκος δεδομένων είναι ανεπαρκής | Η επαγωγή δεν είναι στατιστικά θεμελιωμένη | Επιχειρησιακή εξειδίκευση, προηγούμενη συλλογή |
| Το λάθος είναι καταστροφικό και μη αναστρέψιμο | Κανένα μοντέλο δεν φτάνει το 100 % | Υποχρεωτική ανθρώπινη εποπτεία |
| Δεν υπάρχουν ιστορικά δεδομένα | Τίποτα προς επαγωγή | Έρευνα αγοράς, πρωτοτυποποίηση |
Κατευθυντήρια αρχή: το Machine Learning είναι ένα εργαλείο στατιστικής προσέγγισης. Πρέπει να κινητοποιείται μόνο όταν η προσέγγιση είναι αποδεκτή και η άμεση τυποποίηση είναι ανέφικτη.
Αυστηρός ορισμός
Υποσύνολο του Machine Learning που βασίζεται σε τεχνητά νευρωνικά δίκτυα με πολλαπλά διαδοχικά επίπεδα μη γραμμικού μετασχηματισμού, όπου κάθε επίπεδο παράγει μια αναπαράσταση των δεδομένων σε αυξανόμενο επίπεδο αφαίρεσης, και αυτές οι αναπαραστάσεις μαθαίνονται και δεν προσδιορίζονται χειροκίνητα.
Το διακριτικό σημείο
Αυτό που χαρακτηρίζει το Deep Learning δεν είναι το βάθος αυτό καθαυτό, αλλά η αυτόματη μάθηση των αναπαραστάσεων (representation learning). Στο κλασικό Machine Learning, ο μηχανικός σχεδιάζει τις επεξηγηματικές μεταβλητές. Στο Deep Learning, το δίκτυο κατασκευάζει το ίδιο μια ιεραρχία ενδιάμεσων αναπαραστάσεων.
Προέλευση του όρου «βαθιά»
Ο χαρακτηρισμός αναφέρεται στον αριθμό των επιπέδων που στοιβάζονται μεταξύ της εισόδου και της εξόδου, δηλαδή στο βάθος του γράφου υπολογισμού. Δεν έχει καμία ποιοτική χροιά.
Μετάφραση σε καθημερινή γλώσσα
Ένα δίκτυο με πολλούς ορόφους που κατασκευάζει το ίδιο, όροφο προς όροφο, τα σχετικά χαρακτηριστικά των δεδομένων.
Ουσιώδες σημείο: κανένα από αυτά τα επίπεδα δεν προσδιορίστηκε χειροκίνητα. Η ανάθεση «επίπεδο 1 = περιγράμματα» είναι μια εκ των υστέρων ερμηνεία αυτού που έμαθε το δίκτυο. Ακριβώς αυτή η ιδιότητα κάνει το Deep Learning ισχυρό και δύσκολα ερμηνεύσιμο.
| Κριτήριο | Κλασικό ML | Deep Learning |
|---|---|---|
| Απαιτούμενος όγκος δεδομένων | 10² έως 10⁵ παρατηρήσεις | 10⁴ έως 10⁷ και πέρα |
| Υπολογιστικοί πόροι | Τυπική CPU | GPU ή εξειδικευμένοι επιταχυντές |
| Προτιμώμενος τύπος δεδομένων | Δομημένα πινακοποιημένα δεδομένα | Μη δομημένα δεδομένα: εικόνα, ήχος, κείμενο, βίντεο |
| Μηχανική χαρακτηριστικών | Ευθύνη του μηχανικού | Μαθαίνεται από το δίκτυο |
| Ερμηνευσιμότητα | Υψηλή έως μέτρια | Χαμηλή χωρίς εξειδικευμένα εργαλεία |
| Χρόνος υλοποίησης | Λεπτά έως ώρες | Ώρες έως εβδομάδες |
| Αντιπροσωπευτικοί αλγόριθμοι | Παλινδρόμηση, δέντρα, τυχαία δάση, gradient boosting | CNN, RNN, Transformers |
Διαπίστωση που έχει καθιερωθεί από τη βιομηχανική πρακτική και τη συγκριτική βιβλιογραφία: σε πινακοποιημένα δεδομένα, οι μέθοδοι συνόλων που βασίζονται σε δέντρα (gradient boosting, τυχαία δάση) παραμένουν πολύ ανταγωνιστικές έναντι των βαθιών αρχιτεκτονικών, προσφέροντας ταυτόχρονα χρόνους εκπαίδευσης μικρότερους κατά αρκετές τάξεις μεγέθους και ανώτερη ερμηνευσιμότητα.
Το Deep Learning διατηρεί αποφασιστικό πλεονέκτημα στα μη δομημένα δεδομένα: υπολογιστική όραση, επεξεργασία ηχητικού σήματος, επεξεργασία φυσικής γλώσσας, βίντεο.
Αυτό το μάθημα αφορά το επιβλεπόμενο Machine Learning εφαρμοσμένο σε πινακοποιημένα δεδομένα, που αποτελεί την πλειονότητα των περιπτώσεων χρήσης στις επιχειρήσεις.
Ένα σφυρί και ένας εκσκαφέας είναι και τα δύο έγκυρα εργαλεία. Η επιλογή δεν εξαρτάται από την εγγενή ισχύ του εργαλείου αλλά από την καταλληλότητα για την εργασία.
Το να καρφώσεις ένα καρφί με εκσκαφέα είναι τεχνικά δυνατό και λειτουργικά παράλογο: δυσανάλογο κόστος κινητοποίησης, ανεπαρκής ακρίβεια, παράπλευρες ζημιές.
Το να γκρεμίσεις ένα κτίριο με σφυρί είναι αδύνατο όση προσπάθεια κι αν καταβληθεί.
Η επαγγελματική ικανότητα δεν συνίσταται στην κατοχή του πιο ισχυρού εργαλείου, αλλά στην επιλογή του κατάλληλου εργαλείου για το πρόβλημα που τίθεται.
Αυστηρός ορισμός
Διεπιστημονικός κλάδος που συνδυάζει στατιστική, πληροφορική και γνώση του πεδίου εφαρμογής, με αντικείμενο την εξαγωγή γνώσης και την υποστήριξη αποφάσεων από δεδομένα, σε όλη την αλυσίδα: απόκτηση, προετοιμασία, εξερεύνηση, μοντελοποίηση, επικύρωση, επικοινωνία.
Περίμετρος
Η Data Science περιλαμβάνει το Machine Learning ως μία από τις συνιστώσες της, μαζί με την προετοιμασία των δεδομένων, τη διερευνητική ανάλυση, τη στατιστική συμπερασματολογία και την παρουσίαση στους υπεύθυνους λήψης αποφάσεων.
Εμπειρική κατανομή της προσπάθειας
Οι επαγγελματικές έρευνες τοποθετούν γενικά μεταξύ 50 % και 80 % του χρόνου ενός επαγγελματία στην απόκτηση, τον καθαρισμό και την προετοιμασία των δεδομένων. Η καθαυτό μοντελοποίηση αντιπροσωπεύει ένα μειοψηφικό κλάσμα της δραστηριότητας.
Αυστηρός ορισμός
Σύνολο μεθόδων που στοχεύουν στην περιγραφή, σύνοψη και ερμηνεία ενός συνόλου δεδομένων ώστε να χαρακτηριστούν παρατηρούμενα φαινόμενα.
Κεντρική διάκριση
Η ανάλυση δεδομένων αφορά κυρίως την εξήγηση του παρελθόντος και τον χαρακτηρισμό του παρόντος. Η προγνωστική μοντελοποίηση αφορά την εκτίμηση μη παρατηρημένων τιμών, συνήθως μελλοντικών.
Αυστηρός ορισμός
Σύνολο δεδομένων του οποίου ο όγκος, η ταχύτητα ή η ποικιλία υπερβαίνουν τις δυνατότητες επεξεργασίας των συμβατικών συστημάτων διαχείρισης δεδομένων, επιβάλλοντας κατανεμημένες αρχιτεκτονικές.
Οι χαρακτηριστικές διαστάσεις
Το κλασικό μοντέλο διατηρεί τρεις διαστάσεις, συχνά επεκτεινόμενες:
Σημείο προσοχής
Big Data και Machine Learning είναι ορθογώνιες έννοιες. Το Big Data χαρακτηρίζει μια κλίμακα και μια αρχιτεκτονική, όχι έναν αναλυτικό σκοπό. Μπορεί κανείς να αξιοποιήσει Big Data χωρίς κανένα προγνωστικό μοντέλο, και να κατασκευάσει αποδοτικά μοντέλα με μερικές χιλιάδες παρατηρήσεις.
Παράδειγμα σε μία μόνο περίπτωση: ένας τηλεπικοινωνιακός πάροχος διαπιστώνει διάβρωση της πελατειακής βάσης του.
| Επίπεδο | Ερώτηση | Παραδοτέο | Εργαλεία |
|---|---|---|---|
| Περιγραφικό | Τι συνέβη; | «Το τριμηνιαίο ποσοστό αποχώρησης διαμορφώνεται στο 8,2 %» | Ερωτήματα, πίνακες ελέγχου |
| Διαγνωστικό | Γιατί; | «Η αποχώρηση συγκεντρώνεται στα μηνιαία πακέτα με περισσότερες από δύο επικοινωνίες με την υποστήριξη» | Τμηματοποίηση, στατιστικοί έλεγχοι |
| Προγνωστικό | Τι θα συμβεί; | «1 240 πελάτες παρουσιάζουν πιθανότητα καταγγελίας μεγαλύτερη από 0,70 στις 30 ημέρες» | Επιβλεπόμενη μάθηση |
| Κανονιστικό | Τι να κάνουμε; | «Στόχευση 300 πελατών με έκπτωση 15 %· αναμενόμενο καθαρό όφελος 84 000 $» | Βελτιστοποίηση υπό περιορισμούς |
Η επιβλεπόμενη μάθηση, αντικείμενο αυτού του μαθήματος, λειτουργεί στο προγνωστικό επίπεδο.
Επαναλαμβανόμενο σημείο προσοχής: το Deep Learning δεν αποτελεί μια τέταρτη οικογένεια δίπλα στην επιβλεπόμενη, τη μη επιβλεπόμενη και την ενισχυτική μάθηση. Πρόκειται για μια κλάση μοντέλων που μπορεί να κινητοποιηθεί και στα τρία παραδείγματα.
| Όρος | Μετάφραση | Φύση της έννοιας | Συμπυκνωμένος ορισμός | Παράδειγμα |
|---|---|---|---|---|
| Artificial Intelligence | Τεχνητή νοημοσύνη | Στόχος | Αυτοματοποίηση γνωστικών εργασιών | Σχεδιαστής διαδρομών |
| Machine Learning | Μηχανική μάθηση | Προσέγγιση | Επαγωγή κανόνων από δεδομένα | Φιλτράρισμα ηλεκτρονικών μηνυμάτων |
| Deep Learning | Βαθιά μάθηση | Κλάση μοντέλων | Πολυεπίπεδα δίκτυα που μαθαίνουν τις αναπαραστάσεις τους | Αναγνώριση εικόνων |
| Επιβλεπόμενη μάθηση | — | Παράδειγμα | Επαγωγή από επισημασμένα παραδείγματα | Εκτίμηση τιμών |
| Μη επιβλεπόμενη μάθηση | — | Παράδειγμα | Ανακάλυψη δομής χωρίς ετικέτες | Τμηματοποίηση πελατών |
| Ενισχυτική μάθηση | — | Παράδειγμα | Βελτιστοποίηση μιας πολιτικής μέσω ανταμοιβής | Ρομποτικός έλεγχος |
| Data Science | Επιστήμη δεδομένων | Κλάδος | Πλήρης αλυσίδα αξιοποίησης των δεδομένων | Επιχειρησιακή λειτουργία |
| Ανάλυση δεδομένων | — | Δραστηριότητα | Περιγραφή και ερμηνεία του υπάρχοντος | Πίνακας ελέγχου |
| Big Data | Μεγάλα δεδομένα | Κλίμακα και αρχιτεκτονική | Όγκος που υπερβαίνει τα συμβατικά συστήματα | Μαζική καταγραφή συμβάντων |
| Αλγόριθμος | — | Διαδικασία | Πεπερασμένη ακολουθία πράξεων που παράγει ένα αποτέλεσμα | Random Forest |
| Μοντέλο | — | Τεχνούργημα | Παραμετροποιημένο αποτέλεσμα της εφαρμογής ενός αλγορίθμου στα δεδομένα | Σειριοποιημένο αρχείο |
Η ΤΝ δηλώνει έναν στόχο, το Machine Learning μια προσέγγιση ανάμεσα σε άλλες για την επίτευξή του. Ένα έμπειρο σύστημα βασισμένο σε κανόνες ανήκει στην ΤΝ χωρίς να ανήκει στο Machine Learning.
Σωστή διατύπωση: «Το Machine Learning είναι μια προσέγγιση της τεχνητής νοημοσύνης που βασίζεται στην επαγωγή από δεδομένα.»
Η σχετική επίδοση εξαρτάται από τη φύση των δεδομένων. Σε πινακοποιημένα δεδομένα, οι μέθοδοι συνόλων που βασίζονται σε δέντρα παραμένουν πολύ ανταγωνιστικές, με σαφώς μικρότερο υπολογιστικό κόστος και αδιαφάνεια.
Σωστή διατύπωση: «Η επιλογή μεταξύ Deep Learning και κλασικών μεθόδων καθορίζεται από τη φύση των δεδομένων, τον διαθέσιμο όγκο, τους περιορισμούς ερμηνευσιμότητας και τον υπολογιστικό προϋπολογισμό.»
Ο απαραίτητος όγκος εξαρτάται από την πολυπλοκότητα του μοντελοποιούμενου φαινομένου και από τον αριθμό των επεξηγηματικών μεταβλητών, όχι από ένα απόλυτο κατώφλι. Πολλά μοντέλα σε παραγωγή βασίζονται σε μερικές χιλιάδες παρατηρήσεις.
Σωστή διατύπωση: «Η ποιότητα και η αντιπροσωπευτικότητα των δεδομένων υπερτερούν του ακατέργαστου όγκου.»
Το Deep Learning είναι μια κλάση μοντέλων. Ένα νευρωνικό δίκτυο εκπαιδευμένο σε επισημασμένα δεδομένα ανήκει στην επιβλεπόμενη μάθηση· ένας αυτοκωδικοποιητής ανήκει στη μη επιβλεπόμενη μάθηση· ένα δίκτυο βελτιστοποιημένο μέσω ανταμοιβής ανήκει στην ενισχυτική μάθηση.
Ένα στατιστικό μοντέλο εντοπίζει κανονικότητες σε μια αριθμητική αναπαράσταση. Δεν διαθέτει καμία σημασιολογική αναπαράσταση του πεδίου.
Λειτουργική συνέπεια: οι τρόποι αποτυχίας ενός μοντέλου δεν συμπίπτουν με εκείνους ενός ανθρώπινου χειριστή. Ένα μοντέλο μπορεί να αποτύχει σε περιπτώσεις τριβιαλές για έναν άνθρωπο, ενώ επιτυγχάνει σε δύσκολες περιπτώσεις. Αυτή η ασυμμετρία πρέπει να προβλεφθεί στον σχεδιασμό των μηχανισμών ασφαλείας.
ΤΑΞΙΝΟΜΙΑ
Deep Learning ⊂ Machine Learning ⊂ Τεχνητή Νοημοσύνη
ΦΥΣΗ ΤΩΝ ΕΝΝΟΙΩΝ
ΤΝ : ένας στόχος
Machine Learning: μια προσέγγιση βασισμένη στην επαγωγή
Deep Learning : μια κλάση μοντέλων
ΔΙΑΚΡΙΤΙΚΟ ΚΡΙΤΗΡΙΟ ΤΟΥ MACHINE LEARNING
Οι κανόνες επάγονται από παρατηρήσεις,
δεν προσδιορίζονται από έναν σχεδιαστή.
ΔΙΑΚΡΙΤΙΚΟ ΚΡΙΤΗΡΙΟ ΤΟΥ DEEP LEARNING
Οι ενδιάμεσες αναπαραστάσεις μαθαίνονται,
δεν σχεδιάζονται χειροκίνητα.
ΑΝΑΛΥΤΙΚΑ ΕΠΙΠΕΔΑ
Περιγραφικό → Διαγνωστικό → ΠΡΟΓΝΩΣΤΙΚΟ → Κανονιστικό
Η επιβλεπόμενη μάθηση λειτουργεί στο προγνωστικό επίπεδο.
ΟΡΙΣΜΟΣ ΑΝΑΦΟΡΑΣ (Mitchell, 1997)
Ένα πρόγραμμα μαθαίνει από μια εμπειρία E ως προς μια εργασία T
και ένα μέτρο επίδοσης P αν η επίδοσή του στην T, μετρούμενη
με το P, βελτιώνεται με την E.Συνθετική διατύπωση
Το Machine Learning συνίσταται στην επαγωγή ενός κανόνα απόφασης από παρατηρήσεις αντί στον ρητό προσδιορισμό του· η επιβλεπόμενη μάθηση είναι το παράδειγμα στο οποίο οι παρατηρήσεις συνοδεύονται από την τιμή-στόχο που πρέπει να προβλεφθεί.
Κουίζ και ερωτήσεις συνέντευξης: 001.1-quiz-ia-ml-deep-learning.md
Επόμενο κεφάλαιο: 002-programmation-classique-vs-ml.md