Swahili AI
JF-Expert Member
- Mar 2, 2016
- 10,174
- 89,364
Njia rahisi zaidi ya kuelewa uhusiano kati ya Akili bandia (AI), Machine Learning (ujifunzaji wa mashine), na Deep Learning (ujifunzaji wa kina) ni kama ifuatavyo.
-Kujifunza kwa mashine (Machine Learning) ni sehemu ndogo ya programu ya AI ambayo hujifunza yenyewe. Inajifanya upya yenyewe,
kwani inachimba data zaidi, kufanya kazi maalum iliyoundwa na kufanya kwa usahihi zaidi.
-Mafunzo ya kina (Deep learning) ni sehemu ndogo ya programu ya kujifunza kwa mashine ambayo hujifundisha na kufanya kazi maalum
kwa usahihi zaidi, bila kuingiliwa kati na mwanadamu.
Wacha tuangalie kwa undani kujifunza kwa mashine na kujifunza kwa kina, na jinsi zinavyotofautiana.
Matumizi ya kujifunza kwa mashine yanategemea mtandao wa neva, ambao ni mtandao wa mahesabu ambayo inajaribu kuiga mtazamo na mchakato wa mawazo ya ubongo wa mwanadamu. Kwa msingi wake, mtandao wa neva una yafuatayo:
Kiwango cha kuingiza, ambapo data inaingia kwenye mtandao.
Angalau ngazi moja iliyofichwa, ambapo algorithms ya ujifunzaji wa mashine husindika taarifa na kutumia uzito, upendeleo, na vizingiti kwa taarifa hizo.
Safu ya pato, ambapo hitimisho anuwai-ambalo mtandao una digrii anuwai za kujiamini-huibuka.
Aina za ujifunzaji wa mashine ambazo sio mifano ya kina ya kujifunza hutegemea mitandao bandia ya neva yenye safu moja tu iliyofichwa. Mifano hizi zinapewa data yenye lebo-data iliyoboreshwa na vitambulisho ambavyo hutambua sifa zake kwa njia ambayo inasaidia modeli kutambua na kuelewa data. Wana uwezo wa kujifunza kusimamiwa (kwa mfano, kujifunza ambayo inahitaji usimamizi wa binadamu), kama vile marekebisho ya mara kwa mara ya algorithms katika modeli.
Mifano za kina za kujifunza zinategemea mitandao ya kina ya neva-mitandao ya neva iliyo na tabaka nyingi zilizofichwa, ambayo kila moja husafisha hitimisho la safu ya awali. Mwendo huu wa mahesabu kupitia safu zilizofichwa hadi safu ya pato huitwa uenezi wa mbele. Mchakato mwingine, uitwao kueneza kwa nyuma, hutambua makosa katika mahesabu, huwapa uzani, na kuwasukuma kurudi kwenye matabaka ya awali ili kusafisha au kufundisha mfano.
Wakati aina zingine za ujifunzaji wa kina zinafanya kazi na data iliyo na lebo, wengi wanaweza kufanya kazi na data isiyo na lebo-na nyingi. Mifano ya kina ya ujifunzaji pia inauwezo wa kujifunza bila kusimamiwa-kugundua sifa na mifumo katika data na kiwango cha chini cha usimamizi wa mwanadamu.
Kielelezo rahisi cha tofauti kati ya ujifunzaji wa kina na ujifunzaji mwingine wa mashine ni tofauti kati ya Siri ya Apple au Alexa ya Amazon (ambayo hutambua amri zako za sauti bila mafunzo) na matumizi ya sauti-kwa-aina ya muongo mmoja uliopita, ambayo ilihitaji watumiaji "kutoa mafunzo ”Mpango (na weka data kwenye data) kwa kuongea maneno mengi kwa mfumo kabla ya matumizi. Lakini mifano ya ujifunzaji wa kina huwezesha matumizi ya kisasa zaidi, pamoja na mifumo ya utambuzi wa picha ambayo inaweza kutambua vitu vya kila siku haraka na kwa usahihi kuliko wanadamu.
Itaaendelea.......
-Kujifunza kwa mashine (Machine Learning) ni sehemu ndogo ya programu ya AI ambayo hujifunza yenyewe. Inajifanya upya yenyewe,
kwani inachimba data zaidi, kufanya kazi maalum iliyoundwa na kufanya kwa usahihi zaidi.
-Mafunzo ya kina (Deep learning) ni sehemu ndogo ya programu ya kujifunza kwa mashine ambayo hujifundisha na kufanya kazi maalum
kwa usahihi zaidi, bila kuingiliwa kati na mwanadamu.
Wacha tuangalie kwa undani kujifunza kwa mashine na kujifunza kwa kina, na jinsi zinavyotofautiana.
Matumizi ya kujifunza kwa mashine yanategemea mtandao wa neva, ambao ni mtandao wa mahesabu ambayo inajaribu kuiga mtazamo na mchakato wa mawazo ya ubongo wa mwanadamu. Kwa msingi wake, mtandao wa neva una yafuatayo:
Kiwango cha kuingiza, ambapo data inaingia kwenye mtandao.
Angalau ngazi moja iliyofichwa, ambapo algorithms ya ujifunzaji wa mashine husindika taarifa na kutumia uzito, upendeleo, na vizingiti kwa taarifa hizo.
Safu ya pato, ambapo hitimisho anuwai-ambalo mtandao una digrii anuwai za kujiamini-huibuka.
Aina za ujifunzaji wa mashine ambazo sio mifano ya kina ya kujifunza hutegemea mitandao bandia ya neva yenye safu moja tu iliyofichwa. Mifano hizi zinapewa data yenye lebo-data iliyoboreshwa na vitambulisho ambavyo hutambua sifa zake kwa njia ambayo inasaidia modeli kutambua na kuelewa data. Wana uwezo wa kujifunza kusimamiwa (kwa mfano, kujifunza ambayo inahitaji usimamizi wa binadamu), kama vile marekebisho ya mara kwa mara ya algorithms katika modeli.
Mifano za kina za kujifunza zinategemea mitandao ya kina ya neva-mitandao ya neva iliyo na tabaka nyingi zilizofichwa, ambayo kila moja husafisha hitimisho la safu ya awali. Mwendo huu wa mahesabu kupitia safu zilizofichwa hadi safu ya pato huitwa uenezi wa mbele. Mchakato mwingine, uitwao kueneza kwa nyuma, hutambua makosa katika mahesabu, huwapa uzani, na kuwasukuma kurudi kwenye matabaka ya awali ili kusafisha au kufundisha mfano.
Wakati aina zingine za ujifunzaji wa kina zinafanya kazi na data iliyo na lebo, wengi wanaweza kufanya kazi na data isiyo na lebo-na nyingi. Mifano ya kina ya ujifunzaji pia inauwezo wa kujifunza bila kusimamiwa-kugundua sifa na mifumo katika data na kiwango cha chini cha usimamizi wa mwanadamu.
Kielelezo rahisi cha tofauti kati ya ujifunzaji wa kina na ujifunzaji mwingine wa mashine ni tofauti kati ya Siri ya Apple au Alexa ya Amazon (ambayo hutambua amri zako za sauti bila mafunzo) na matumizi ya sauti-kwa-aina ya muongo mmoja uliopita, ambayo ilihitaji watumiaji "kutoa mafunzo ”Mpango (na weka data kwenye data) kwa kuongea maneno mengi kwa mfumo kabla ya matumizi. Lakini mifano ya ujifunzaji wa kina huwezesha matumizi ya kisasa zaidi, pamoja na mifumo ya utambuzi wa picha ambayo inaweza kutambua vitu vya kila siku haraka na kwa usahihi kuliko wanadamu.
Itaaendelea.......