Pendahuluan
Dalam beberapa tahun terakhir, periode pembelajaran kecerdasan buatan dan mesin mulai sering muncul pada teknologi baru dan website. Sebelum kita membahas lebih jauh, kami merekomendasikan untuk mengunjungi terlebih dahulu situs taruhan online Depoxito yang telah menggunakan machine learning yang canggih sehingga aman dari hacker. Mereka sering digunakan secara sinonim, tetapi banyak ahli percaya bahwa mereka memiliki perbedaan yang halus tapi nyata.
Dan, tentu saja, para ahli kadang-kadang tidak setuju di antara mereka sendiri tentang apa perbedaan.
Secara umum, bagaimanapun, dua hal tampak jelas: Pertama, jangka panjang buatan intelijen (AI), lebih tua dari belajar mesin jangka panjang (ML), dan kedua, sebagian besar orang berpikir bahwa mesin belajar dalam konteks kecerdasan buatan.
Kecerdasan Buatan VS Pembelajaran Mesin
Meskipun AI didefinisikan dalam banyak cara, definisi yang paling umum diterima sebagai “bidang ilmu komputer yang didedikasikan untuk memecahkan masalah kognitif umumnya terkait dengan kecerdasan manusia, seperti belajar, pemecahan masalah dan pengenalan pola, “pada dasarnya, adalah gagasan bahwa mesin dapat memiliki kecerdasan,
Jantung dari sistem ini didasarkan pada model kecerdasan buatan. Model lain adalah bahwa program-program yang meningkatkan pengetahuan mereka melalui proses pembelajaran untuk meninjau lingkungan. Berdasarkan jenis model pembelajaran, dikelompokkan dalam belajar tanpa pengawasan. Ada model lain dalam kategori model pembelajaran tanpa pengawasan.
Istilah “mesin belajar” juga berasal dari pertengahan abad terakhir. Pada tahun 1959, Arthur Samuel mendefinisikan sebagai “kemampuan untuk belajar tanpa secara eksplisit diprogram.” Kemudian ia memeriksa aplikasi komputer yang salah satu program pertama untuk belajar dari kesalahan dan meningkatkan kinerja dari waktu ke waktu.
Sebagai penelitian AI, ML populer untuk waktu yang lama, tetapi menjadi populer lagi ketika konsep data mining mulai lepas landas pada 1990-an menggunakan algoritma data mining untuk menemukan model di serangkaian informasi yang diberikan. ML melakukan hal yang sama, tapi pergi jauh – program perubahan perilaku yang didasarkan pada apa yang Anda pelajari.
Aplikasi ML yang telah menjadi sangat populer baru-baru adalah pengenalan gambar. Permintaan ini harus diatur terlebih dahulu – dengan kata lain, orang perlu melihat banyak gambar dan memberitahu sistem yang ada di gambar. Setelah ribuan pengulangan, studi model umumnya software pixel yang berhubungan dengan kuda, anjing, kucing, bunga, pohon, rumah, dll., Dan dapat memiliki pendekatan yang cukup baik untuk isi image.
Banyak perusahaan juga menggunakan web ML bahan bakar mesin rekomendasi. Misalnya, ketika Facebook memutuskan apa yang akan muncul di feed berita Anda ketika Amazon menyorot produk yang mereka ingin membeli dan ketika Netflix merekomendasikan film yang Anda mungkin ingin melihat semua rekomendasi ini didasarkan pada perkiraan yang dihasilkan oleh model yang sudah ada. data.
Perbatasan Kecerdasan Buatan Dan Pembelajaran Mesin
Tentu saja, tidak hanya istilah “ML” dan “AI” terkait dengan bidang komputasi. IBM sering menggunakan istilah “komputasi kognitif”, yang kurang lebih identik dengan AI.
Namun, istilah lain memiliki cara yang unik dalam melakukan sesuatu. Misalnya, jaringan saraf atau jaringan saraf adalah sistem yang telah dirancang untuk memproses informasi dengan cara yang mirip dengan bagaimana otak biologis. Bisa membingungkan karena jaringan saraf cenderung sangat baik dalam belajar mesin, sehingga kedua istilah ini kadang-kadang dikombinasikan.
Selain itu, jaringan saraf menyediakan dasar untuk studi mendalam, yang merupakan jenis tertentu mesin belajar. Belajar menggunakan satu set mesin belajar algoritma yang beroperasi di beberapa lapisan. Hal ini dimungkinkan, sebagian, oleh sistem yang menggunakan GPU untuk menangani banyak data sekaligus.
Jika Anda bingung dengan semua kata-kata ini berbeda, Anda tidak sendirian. komputer terus memperdebatkan definisi yang tepat dari mereka dan mungkin untuk beberapa waktu ke depan. Dan sebagai perusahaan terus uang gaji dalam studi kecerdasan buatan dan mesin belajar, adalah mungkin bahwa beberapa jangka panjang tampaknya bahkan menambah kompleksitas masalah.
Artikel terkait : Contoh Penerapan Machine Learning
