[Aprenda TensorFlow] - Compreendendo a Inteligência Artificial

 A Inteligência Artificial inclui o processo de simulação da inteligência humana por máquinas e sistemas de computador especiais. Os exemplos de inteligência artificial incluem aprendizado, raciocínio e autocorreção. As aplicações de IA incluem reconhecimento de voz, sistemas especialistas e reconhecimento de imagem e visão de máquina.

O aprendizado de máquina é o ramo da inteligência artificial, que lida com sistemas e algoritmos que podem aprender quaisquer novos dados e padrões de dados.

Vamos nos concentrar no diagrama de Venn mencionado abaixo para entender os conceitos de aprendizado de máquina e aprendizado profundo.

O aprendizado de máquina inclui uma seção de aprendizado de máquina e o aprendizado profundo faz parte do aprendizado de máquina. A capacidade do programa que segue os conceitos de aprendizado de máquina é melhorar o desempenho dos dados observados. 

O principal motivo da transformação de dados é aprimorar seus conhecimentos para obter melhores resultados no futuro, fornecer uma saída mais próxima da saída desejada para aquele sistema em particular. O aprendizado de máquina inclui o “reconhecimento de padrões”, que inclui a capacidade de reconhecer os padrões nos dados.

Os padrões devem ser treinados para mostrar a saída de maneira desejável.

O aprendizado de máquina pode ser treinado de duas maneiras diferentes:

• Treinamento supervisionado
• Treinamento não supervisionado

Aprendizagem Supervisionada

A aprendizagem supervisionada ou treinamento supervisionado inclui um procedimento onde o conjunto de treinamento é fornecido como entrada para o sistema, em que cada exemplo é rotulado com um valor de saída desejado. O treinamento neste tipo é executado usando a minimização de uma função de perda particular, que representa o erro de saída em relação ao sistema de saída desejado.

Após a conclusão do treinamento, a precisão de cada modelo é medida em relação aos exemplos separados do conjunto de treinamento, também chamado de conjunto de validação.

O melhor exemplo para ilustrar “Aprendizagem supervisionada” é com um monte de fotos fornecidas com informações nelas incluídas. Aqui, o usuário pode treinar uma modelo para reconhecer novas fotos.

Aprendizagem Não Supervisionada

Na aprendizagem não supervisionada ou treinamento não supervisionado, inclua exemplos de treinamento, que não são rotulados pelo sistema a qual classe pertencem. O sistema procura os dados que compartilham características comuns e os altera com base em recursos de conhecimento interno. Esse tipo de algoritmo de aprendizagem é usado basicamente em problemas de agrupamento.

O melhor exemplo para ilustrar o “aprendizado não supervisionado” é com um monte de fotos sem informações incluídas e um modelo de treinamento do usuário com classificação e agrupamento. Este tipo de algoritmo de treinamento funciona com suposições, pois nenhuma informação é fornecida.