در اینجا 10 اصطلاح کلیدی وجود دارد که هر علاقه مندان به هوش مصنوعی باید بدانند و درک کنند.
هوش مصنوعی (AI) به یک نیروی تحول آمیز در صنایع تبدیل شده است و نحوه تعامل ما با فناوری و دنیای اطراف ما را شکل می دهد. برای کسانی که در حوزه هوش مصنوعی عمیق هستند ، درک اصطلاحات اساسی بسیار مهم است.
1. هوش مصنوعی (AI): در اصل ، هوش مصنوعی به توسعه سیستم های رایانه ای قادر به انجام کارهایی است که به طور معمول به هوش انسانی نیاز دارند. یادگیری ، استدلال ، حل مسئله ، ادراک و درک زبان برخی از این وظایف است. سیستم های هوش مصنوعی از الگوریتم ها برای تجزیه و تحلیل داده ها ، یادگیری از آن و تصمیم گیری های آگاهانه استفاده می کنند و از هوش انسانی تقلید می کنند.
یادگیری ماشین (ML): یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که بر توسعه الگوریتم هایی که به سیستم ها امکان یادگیری و بهبود از تجربه را بدون برنامه نویسی صریح می دهد ، متمرکز است. الگوریتم های یادگیری ماشین ، رایانه ها را قادر می سازد تا الگوهای را بشناسند ، پیش بینی کنند و عملکرد آنها را با گذشت زمان بهبود بخشند زیرا در معرض داده های بیشتری قرار دارند.
شبکه های عصبی: شبکه های عصبی یکی از مؤلفه های اصلی یادگیری عمیق ، زیر مجموعه ای از یادگیری ماشین هستند. شبکه های عصبی با الهام از ساختار مغز انسان ، از لایه های گره ای به هم پیوسته یا نورونهای مصنوعی تشکیل شده اند. این شبکه ها برای تشخیص الگوها و تصمیم گیری در مورد داده ها آموزش داده می شوند و وظایف پیچیده ای مانند تصویر و تشخیص گفتار را فعال می کنند.
پردازش زبان طبیعی (NLP): پردازش زبان طبیعی زمینه ای از هوش مصنوعی است که بر تعامل بین رایانه ها و زبان انسانی متمرکز است. الگوریتم های NLP به رایانه ها اجازه می دهد تا زبان انسانی را درک ، تفسیر و تولید کنند ، برنامه هایی مانند چت بابات ، ترجمه زبان و تجزیه و تحلیل احساسات را تسهیل می کنند.
5. یادگیری عمیق: یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که شامل چندین لایه از شبکه های عصبی (شبکه های عصبی عمیق) است. این شبکه ها می توانند به طور خودکار نمایش های سلسله مراتبی از داده ها را بیاموزند و آنها را برای کارهایی مانند تصویر و گفتار و پردازش زبان طبیعی بسیار قدرتمند می کنند.
یک الگوریتم مجموعه ای از دستورالعمل های گام به گام یا قوانینی است که یک کامپیوتر برای حل یک مشکل خاص یا انجام یک کار خاص از آن پیروی می کند. در هوش مصنوعی ، الگوریتم ها برای پردازش و تجزیه و تحلیل داده ها بسیار مهم هستند ، دستگاه ها را قادر می سازد بر اساس الگوهای و اطلاعات تصمیم گیری یا پیش بینی کنند.
7 ، یادگیری تحت نظارت: یادگیری تحت نظارت نوعی یادگیری ماشین است که در آن الگوریتم ها بر روی مجموعه داده های دارای برچسب آموزش داده می شوند ، به این معنی که داده های ورودی با خروجی مربوطه مطابقت دارند. این الگوریتم یاد می گیرد که ورودی را به خروجی صحیح نقشه برداری کند و به آن اجازه می دهد پیش بینی هایی راجع به داده های جدید و غیب انجام دهد.
8. یادگیری بدون نظارت: بر خلاف یادگیری تحت نظارت ، یادگیری بدون نظارت شامل آموزش الگوریتم در مجموعه داده های بدون برچسب است. در صورت عدم راهنمایی صریح ، الگوریتم ها باید الگوهای و پیوندها را در داده ها پیدا کنند. کاهش و خوشه بندی دو کاربرد مشترک است.
9. یادگیری تقویت: یادگیری تقویت نوعی یادگیری ماشین است که در آن مأمورین یاد می گیرند با تعامل با محیط تصمیم گیری کنند. بسته به رفتار آنها ، نماینده در قالب مشوق ها یا مجازات ها بازخورد دریافت می کند ، که به شما کمک می کند تا به تدریج بهترین دوره عمل را بیاموزید.
چشم انداز رایانه: چشم انداز رایانه یک زمینه میان رشته ای است که ماشین ها را قادر می سازد بر اساس داده های بصری تفسیر و تصمیم گیری کنند. این شامل کارهایی مانند تشخیص تصویر و فیلم ، تشخیص شی و تقسیم تصویر می شود. چشم انداز رایانه بخشی جدایی ناپذیر از برنامه های کاربردی مانند تشخیص چهره و خودروهای خودران است.