تسمى الأجهزة المتصلة بالإنترنت بالأجهزة الذكية. ^(Internet)يُعرف إلى حد كبير كل ما يتعلق بالإنترنت^(Internet) بأنه جهاز ذكي^{(smart device)} . في هذا السياق ، يمكن القول بأن الكود الذي يجعل الأجهزة أكثر ذكاءً -^{(SMARTER – )} بحيث يمكن أن تعمل بأقل قدر من التدخل البشري أو بدونه - يعتمد على الذكاء الاصطناعي^{(Artificial Intelligence)} (AI). النوعان الآخران ، وهما: التعلم الآلي^{(Machine Learning)} (ML) والتعلم العميق^{(Deep Learning)} (DL) ، هما نوعان مختلفان من الخوارزميات المصممة لتوفير المزيد من القدرات للأجهزة الذكية. دعونا نرى بالتفصيل AI vs ML vs DL بالتفصيل أدناه لفهم ما يفعلونه وكيفية ارتباطهم بالذكاء الاصطناعي.

ما هو الذكاء الاصطناعي فيما يتعلق ب ML & DL

يمكن تسمية الذكاء الاصطناعي بمجموعة شاملة من عمليات التعلم الآلي^{(Machine Learning)} (ML) وعمليات التعلم العميق^{(Deep Learning)} (DL). عادةً ما يكون الذكاء الاصطناعي مصطلحًا شاملاً يُستخدم لوصف ML و DL. التعلم العميق^{(Deep Learning)} هو مرة أخرى ، مجموعة فرعية من التعلم الآلي^{(Machine Learning)} (انظر الصورة أعلاه).

يجادل البعض بأن التعلم الآلي^{(Machine Learning)} لم يعد جزءًا من الذكاء الاصطناعي العالمي. يقولون إن ML هو علم كامل في حد ذاته ، وبالتالي ، لا داعي لأن يتم استدعاؤه بالإشارة إلى الذكاء الاصطناعي^{(Artificial Intelligence)} . يزدهر الذكاء الاصطناعي بالبيانات: البيانات الضخمة^{(Big Data)} . كلما زادت البيانات التي تستهلكها ، زادت دقتها. لا يعني ذلك أنه سيتنبأ دائمًا بشكل صحيح. ستكون هناك أعلام كاذبة أيضًا. يدرب الذكاء الاصطناعي نفسه على هذه الأخطاء ويصبح أفضل فيما يفترض أن يفعله - بإشراف بشري أو بدونه.

لا يمكن تعريف الذكاء الاصطناعي بشكل صحيح لأنه اخترق جميع الصناعات تقريبًا ويؤثر على العديد من أنواع العمليات والخوارزميات (التجارية). يمكننا القول أن الذكاء الاصطناعي يعتمد^{(Intelligence)} على علم البيانات^{(Data Science)} (DS: البيانات الكبيرة^{(Big Data)} ) ويحتوي على التعلم الآلي^{(Machine Learning)} كجزء متميز منه. وبالمثل^(Likewise) ، يعد التعلم العميق^{(Deep Learning)} جزءًا مميزًا من التعلم الآلي^{(Machine Learning)} .

الطريقة التي يميل بها سوق تكنولوجيا المعلومات ، ستهيمن على المستقبل الأجهزة الذكية المتصلة ، والتي تسمى إنترنت الأشياء (IoT)^{(Internet of Things (IoT))} . الأجهزة الذكية^(Smart) تعني الذكاء الاصطناعي: بشكل مباشر أو غير مباشر. أنت تستخدم بالفعل الذكاء الاصطناعي (AI) في العديد من المهام في حياتك اليومية. على سبيل المثال ، الكتابة على لوحة مفاتيح هاتف ذكي تستمر في تحسين "اقتراح الكلمات". من بين الأمثلة الأخرى التي تتعامل فيها عن غير قصد مع الذكاء الاصطناعي^{(Artificial Intelligence)} ، تبحث عن أشياء على الإنترنت^(Internet) ، والتسوق عبر الإنترنت ، وبالطبع ، صناديق البريد الإلكتروني الذكية في Gmail و Outlook .

ما هو تعلم الآلة

التعلم^(Learning) الآلي هو مجال من مجالات الذكاء الاصطناعي^{(Artificial Intelligence)} حيث الهدف هو جعل آلة (أو كمبيوتر ، أو برنامج) تتعلم وتدرب نفسها دون الحاجة إلى الكثير من البرمجة. تحتاج هذه الأجهزة إلى برمجة أقل لأنها تطبق أساليب بشرية لإكمال المهام ، بما في ذلك تعلم كيفية الأداء بشكل أفضل. في الأساس^(Basically) ، يعني ML برمجة جهاز كمبيوتر / جهاز / برنامج قليلاً والسماح له بالتعلم بمفرده.

هناك عدة طرق لتسهيل التعلم الآلي^{(Machine Learning)} . من بينها ، يتم استخدام الثلاثة التالية على نطاق واسع:

1. تحت إشراف ،
2. غير خاضع للإشراف ، و
3. تعزيز التعلم.

التعلم الخاضع للإشراف في التعلم الآلي^{(Machine Learning)}

يتم الإشراف عليه بمعنى أن المبرمجين يزودون الجهاز أولاً ببيانات مصنفة وإجابات تمت معالجتها بالفعل. هنا ، تعني التسميات أسماء الصفوف أو الأعمدة في قاعدة بيانات أو جدول بيانات. بعد تغذية مجموعات ضخمة من هذه البيانات إلى الكمبيوتر ، يصبح جاهزًا لتحليل مجموعات بيانات أخرى وتقديم النتائج بمفرده. هذا يعني أنك علمت الكمبيوتر كيفية تحليل البيانات التي يتم تغذيتها به.

عادة ، يتم تأكيده باستخدام قاعدة 80/20. يتم تغذية مجموعات ضخمة^(Huge) من البيانات إلى جهاز كمبيوتر يحاول ويتعلم المنطق الكامن وراء الإجابات. يتم تغذية 80 بالمائة من البيانات من حدث ما إلى الكمبيوتر جنبًا إلى جنب مع الإجابات. يتم تغذية نسبة الـ 20 بالمائة المتبقية بدون إجابات لمعرفة ما إذا كان بإمكان الكمبيوتر الوصول إلى النتائج المناسبة. تُستخدم نسبة الـ 20 بالمائة هذه للتدقيق الشامل لمعرفة كيف يتعلم الكمبيوتر (الآلة).

التعلم الآلي غير الخاضع للإشراف

يحدث التعلم غير الخاضع للإشراف عندما يتم تغذية الجهاز بمجموعات بيانات عشوائية غير مصنفة وليست مرتبة. يجب على الآلة معرفة كيفية تحقيق النتائج. على سبيل المثال ، إذا قدمت لها كرات لينة بألوان مختلفة ، فيجب أن تكون قادرة على التصنيف حسب الألوان. وهكذا ، في المستقبل ، عندما يتم تقديم الكرة اللينة الجديدة للآلة ، يمكنها تحديد الكرة من خلال الملصقات الموجودة بالفعل في قاعدة البيانات الخاصة بها. لا توجد بيانات تدريب في هذه الطريقة. يجب أن تتعلم الآلة من تلقاء نفسها.

تعزيز التعلم

تندرج الآلات التي يمكنها اتخاذ سلسلة من القرارات ضمن هذه الفئة. ثم هناك نظام مكافأة. إذا كانت الآلة تعمل جيدًا في كل ما يريده المبرمج ، فإنها تحصل على مكافأة. تمت برمجة الآلة بطريقة تجعلها تتوق إلى أقصى قدر من المكافآت. وللحصول عليه ، فإنه يحل المشكلات من خلال ابتكار خوارزميات مختلفة في حالات مختلفة. هذا يعني أن كمبيوتر AI يستخدم طرق التجربة والخطأ للتوصل إلى النتائج.

على سبيل المثال ، إذا كانت الماكينة مركبة ذاتية القيادة ، فعليها إنشاء سيناريوهات خاصة بها على الطريق. لا توجد طريقة يمكن للمبرمج من خلالها برمجة كل خطوة لأنه لا يمكنه التفكير في كل الاحتمالات عندما تكون الآلة على الطريق. هذا هو المكان الذي يأتي فيه Reinforcement Learning . يمكنك أيضًا تسميته بالتجربة والخطأ AI.

كيف يختلف التعلم العميق عن التعلم الآلي^{(Machine Learning)}

التعلم العميق^{(Deep Learning)} مخصص للمهام الأكثر تعقيدًا. التعلم العميق^{(Deep Learning)} هو مجموعة فرعية من التعلم الآلي^{(Machine Learning)} . فقط أنه يحتوي على المزيد من الشبكات العصبية التي تساعد الآلة في التعلم. الشبكات العصبية التي يصنعها الإنسان ليست جديدة . ^(Manmade)تحاول المعامل في جميع أنحاء العالم بناء وتحسين الشبكات العصبية حتى تتمكن الآلات من اتخاذ قرارات مستنيرة. ^(Labs)لا بد أنك سمعت عن صوفيا^(Sophia) ، وهي إنسان في السعودية^(Saudi) حصلت على الجنسية العادية. الشبكات العصبية تشبه أدمغة الإنسان ولكنها ليست متطورة مثل الدماغ.

هناك بعض الشبكات الجيدة التي توفر التعلم العميق غير الخاضع للإشراف. يمكنك القول أن التعلم العميق^{(Deep Learning)} هو عبارة عن شبكات عصبية أكثر تحاكي الدماغ البشري. ومع ذلك ، مع وجود بيانات نموذجية كافية ، يمكن استخدام خوارزميات التعلم العميق^{(Deep Learning)} لالتقاط التفاصيل من عينة البيانات. على سبيل المثال ، باستخدام جهاز DL بمعالج الصور ، يكون من الأسهل إنشاء وجوه بشرية مع تغيير المشاعر وفقًا للأسئلة التي تطرحها الآلة.

ما ورد أعلاه يشرح AI vs MI vs DL بلغة أسهل. الذكاء الاصطناعي والتعلم الآلي مجالان شاسعان - وهما مفتوحان للتو ولديهما إمكانات هائلة. هذا هو السبب في أن بعض الناس يعارضون استخدام التعلم الآلي والتعلم^{(Machine Learning)} العميق في^{(Deep Learning)} الذكاء الاصطناعي^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Іnternet are called smart devices. Pretty much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS Application مدعوم من Machine Learning

• حقائق وخرافات حول Artificial Intelligence

• ما هو عميق Learning and Neural Network

• Best Free Artificial Intelligence software ل Windows 10

• كيفية تثبيت Drupal باستخدام WAMP على Windows

• Setup Internet Radio Station مجانا على Windows PC

• Cyber Monday & Black Friday Sale نصائح للتسوق التي تريد اتباعها

• Online Reputation Management Tips، Tools & Services

• Best Laptop Tables لشراء عبر الإنترنت

• Zip file خطأ كبير جدا عند تنزيل الملفات من DropBox

• ما هي Virtual Credit Cards وكيف وأين تحصل عليها؟

• يقدم تطبيق المراسلة الجلسة أمن قوي؛ رقم No phone مطلوب!

• Whiteboard Fox عبارة عن online whiteboard مجانية تتيح real-time sharing

• كيفية إغلاق Payoneer Account الخاص بك؟

• كيفية تثبيت Windows 95 على ويندوز 10

• لا تعمل OpenGL تطبيقات على Miracast wireless عرض في Windows 10

• كيفية حماية كلمة المرور وثائق PDf آمنة مع LibreOffice

• Nine Nostalgic Tech Sounds ربما لم تسمع منذ سنوات

• Disqus comment مربع لا تحميل أو عرض لموقع ويب

• Best مجانا Secure Digital Notebook Software & Online Services