Os dispositivos conectados à Internet são chamados de dispositivos inteligentes. Praticamente tudo relacionado à Internet é conhecido como dispositivo inteligente^{(smart device)} . Nesse contexto, pode-se dizer que o código que torna os dispositivos MAIS SMART –^{(SMARTER – )} para que funcionem com o mínimo ou sem qualquer intervenção humana – é baseado em Inteligência Artificial^{(Artificial Intelligence)} (IA). Os outros dois, a saber: Machine Learning (ML) e Deep Learning (DL), são diferentes tipos de algoritmos criados para trazer mais recursos para os dispositivos inteligentes. Vamos ver IA vs ML vs DL^{(AI vs ML vs DL )} em detalhes abaixo para entender o que eles fazem e como estão conectados à IA.

O que é Inteligência Artificial em relação a ML e DL

A IA pode ser chamada de um superconjunto de processos de Machine Learning (ML) e processos de Deep Learning (DL). AI geralmente é um termo abrangente usado para ML e DL. Deep Learning é novamente um subconjunto de Machine Learning (veja a imagem acima).

Alguns argumentam que o Machine Learning não faz mais parte da IA ​​universal. Eles dizem que o ML é uma ciência completa por si só e, portanto, não precisa ser chamado com referência à Inteligência Artificial^{(Artificial Intelligence)} . A IA prospera em dados: Big Data . Quanto mais dados ele consome, mais preciso ele é. Não é que ele sempre preveja corretamente. Haverá bandeiras falsas também. A IA se treina nesses erros e se torna melhor no que deve fazer – com ou sem supervisão humana.

A Inteligência Artificial não pode ser definida adequadamente, pois penetrou em quase todos os setores e afeta muitos tipos de processos e algoritmos (de negócios). Podemos dizer que a Inteligência^{(Intelligence)} Artificial é baseada em Data Science (DS: Big Data ) e contém Machine Learning como sua parte distinta. Da mesma forma^(Likewise) , Deep Learning é uma parte distinta do Machine Learning .

Da forma como o mercado de TI está se inclinando, o futuro seria dominado por dispositivos inteligentes conectados, chamados de Internet das Coisas (IoT)^{(Internet of Things (IoT))} . Dispositivos inteligentes^(Smart) significam inteligência artificial: direta ou indiretamente. Você já está usando inteligência artificial (IA) em muitas tarefas em sua vida diária. Por exemplo, digitar em um teclado de smartphone que fica cada vez melhor em “sugestão de palavras”. Entre outros exemplos em que você está lidando sem saber com Inteligência Artificial^{(Artificial Intelligence)} estão procurando coisas na Internet , compras on-line e, claro, as caixas de entrada de e-mail sempre inteligentes do Gmail e do Outlook .^(Outlook)

O que é aprendizado de máquina

Machine Learning é um campo da Inteligência Artificial^{(Artificial Intelligence)} onde o objetivo é fazer com que uma máquina (ou computador, ou um software) aprenda e se treine sem muita programação. Esses dispositivos precisam de menos programação, pois aplicam métodos humanos para concluir tarefas, incluindo aprender a ter um melhor desempenho. Basicamente^(Basically) , ML significa programar um computador/dispositivo/software um pouco e permitir que ele aprenda por conta própria.

Existem vários métodos para facilitar o Machine Learning . Destes, os três seguintes são amplamente utilizados:

1. Supervisionado,
2. Sem supervisão e
3. Aprendizagem de reforço.

Aprendizado Supervisionado em Machine Learning

Supervisionado no sentido de que os programadores primeiro fornecem à máquina dados rotulados e respostas já processadas. Aqui, rótulos significam os nomes das linhas ou colunas em um banco de dados ou planilha. Depois de alimentar grandes conjuntos desses dados no computador, ele está pronto para analisar outros conjuntos de dados e fornecer resultados por conta própria. Isso significa que você ensinou o computador a analisar os dados alimentados a ele.

Normalmente, é confirmado usando a regra 80/20. Enormes^(Huge) conjuntos de dados são alimentados a um computador que tenta e aprende a lógica por trás das respostas. 80% dos dados de um evento são enviados ao computador junto com as respostas. Os 20% restantes são alimentados sem respostas para ver se o computador pode apresentar resultados adequados. Esses 20% são usados ​​para verificação cruzada para ver como o computador (máquina) está aprendendo.

Aprendizado de máquina não supervisionado

O aprendizado não supervisionado acontece quando a máquina é alimentada com conjuntos de dados aleatórios que não estão rotulados e não estão em ordem. A máquina tem que descobrir como produzir os resultados. Por exemplo, se você oferecer bolas de softball de cores diferentes, ele deve ser capaz de categorizar por cores. Assim, no futuro, quando a máquina for presenteada com uma nova bola de softball, ela poderá identificar a bola com etiquetas já presentes em seu banco de dados. Não há dados de treinamento neste método. A máquina tem que aprender sozinha.

Aprendizado por Reforço

Máquinas que podem tomar uma sequência de decisões se enquadram nessa categoria. Depois, há um sistema de recompensa. Se a máquina for boa em qualquer coisa que o programador queira, ela recebe uma recompensa. A máquina é programada de uma maneira que anseia por recompensas máximas. E para obtê-lo, resolve problemas criando diferentes algoritmos em diferentes casos. Isso significa que o computador de IA usa métodos de tentativa e erro para obter resultados.

Por exemplo, se a máquina for um veículo autônomo, ela deve criar seus próprios cenários na estrada. Não há como um programador programar cada passo, pois ele não consegue pensar em todas as possibilidades quando a máquina está na estrada. É aí que entra o Aprendizado por Reforço^{(Reinforcement Learning)} . Você também pode chamá-lo de IA de tentativa e erro.

Como o Deep Learning é diferente do Machine Learning

Deep Learning é para tarefas mais complicadas. Deep Learning é um subconjunto de Machine Learning . Só que contém mais redes neurais que ajudam a máquina no aprendizado. As redes^(Manmade) neurais artificiais não são novas. Laboratórios^(Labs) em todo o mundo estão tentando construir e melhorar redes neurais para que as máquinas possam tomar decisões informadas. Você deve ter ouvido falar de Sophia , uma humanóide na Arábia Saudita^(Saudi) que recebeu cidadania regular. As redes neurais são como os cérebros humanos, mas não tão sofisticadas quanto o cérebro.

Existem algumas boas redes que fornecem aprendizado profundo não supervisionado. Você pode dizer que Deep Learning é mais redes neurais que imitam o cérebro humano. Ainda assim, com dados de amostra suficientes, os algoritmos de Deep Learning podem ser usados ​​para coletar detalhes dos dados de amostra. Por exemplo, com uma máquina DL com processador de imagem, é mais fácil criar rostos humanos com emoções mudando de acordo com as perguntas feitas à máquina.

O acima explica AI vs MI vs DL em uma linguagem mais fácil. AI e ML são campos vastos – que estão apenas se abrindo e têm um tremendo potencial. Esta é a razão pela qual algumas pessoas são contra o uso de Machine Learning e Deep Learning em Inteligência Artificial^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devіces. Pretty much everything rеlated tо 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 Powered by Machine Learning

• Fatos e mitos sobre Artificial Intelligence

• O que é Learning and Neural Network profunda

• Best Free Artificial Intelligence software para Windows 10

• Como instalar o Drupal usando WAMP no Windows

• OpenGL aplicativos não rodam em Miracast wireless exibição no Windows 10

• Os melhores recursos em LibreOffice Calc

• Whiteboard Fox é um online whiteboard gratuito que permite real-time sharing

• Fix Partner não se conecta ao erro do roteador em TeamViewer em Windows 10

• Video Conferência etiqueta, dicas e regras que você precisa seguir

• Ocorreu um erro durante a verificação de atualizações em VLC

• Como fazer Invitation Card em Windows PC

• O aplicativo de mensagens de sessão oferece forte segurança; No phone Número obrigatório!

• Traga seu próprio Device (BYOD) Advantages, Best Practices, etc

• O que são "chip e PIN" ou EMV Credit

• Task Management Software grátis para gerenciar o trabalho em equipe

• O que é virtual Credit Cards e como e onde você os pega?

• Como fechar o seu Payoneer Account?

• Best Software & Hardware Bitcoin Wallets para Windows, iOS, Android

• Best Laptop Tables para comprar online