Künstliche Intelligenz (KI) und maschinelles Lernen (ML)

Künstliche Intelligenz ist ein Gegensatz zur menschlichen Intelligenz. Es legt nahe, dass Maschinen Menschen beim Sprechen, Denken, Lernen, Planen und Verstehen nachahmen können.
Künstliche Intelligenz wird auch als Maschinenintelligenz und Computerintelligenz bezeichnet.

1. Künstliche Intelligenz

Künstliche Intelligenz ist eine wissenschaftliche Disziplin, die mehrere Data-Science-Bereiche umfasst, die von enger KI bis hin zu starker KI reichen, einschließlich maschinellem Lernen, Deep Learning, Big Data und Data Mining.

Schwache KI

Die eingeschränkte künstliche Intelligenz ist auf enge (spezifische) Bereiche beschränkt, wie die meisten KIs, die wir heute um uns herum haben (z. B. E-Mail-Spam-Filter, Text-to-Speech, Spracherkennung, selbst fahrende Autos, E-Payment, Google Maps, Text-Autokorrektur, Automatisiert). Übersetzung, Chatbots, soziale Medien, Gesichtserkennung, visuelle Wahrnehmung, Suchalgorithmen, Roboter, automatisierte Investition, NLP – Verarbeitung natürlicher Sprache, fliegende Drohnen, Dr. Watson von IBM, Siri von Apple, Cortana von Microsoft, Alexa von Amazon, Empfehlungen von Netflix, Narrow AI ist auch Schwache KI genannt).
Schwache KI: Entwickelt, um menschliche Intelligenz zu simulieren. Starke KI: Entwickelt, um menschliche Intelligenz zu kopieren.

Starke KI

Starke künstliche Intelligenz ist die Art von KI, die die menschliche Intelligenz nachahmt. Starke KI bezeichnet die Fähigkeit zu denken, zu planen, zu lernen und zu kommunizieren. Starke KI ist die theoretische nächste Stufe der KI: Wahre Intelligenz. Starke KI bewegt sich in Richtung Maschinen mit Selbstbewusstsein, Bewusstsein und objektiven Gedanken.

2. Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz. „Lernende Maschinen zur Nachahmung menschlicher Intelligenz“

Maschinelles Lernen vs. Programmierung

Bei der herkömmlichen Programmierung werden Algorithmen verwendet, um Ergebnisse aus Daten zu erzeugen:
Daten + Algorithmen = Ergebnisse

Maschinelles Lernen erstellt Algorithmen aus Daten und Ergebnissen:
Daten + Ergebnisse = Algorithmen

Neuronale Netze (NN)

Neuronale Netze sind eine beim maschinellen Lernen verwendete Programmiertechnik, die aus Fehlern lernt. Neuronale Netze basieren auf der Funktionsweise des menschlichen Gehirns. Neuronen senden einander Nachrichten. Während die Neuronen (wiederholt) versuchen, ein Problem zu lösen, stärken sie die Verbindungen, die zum Erfolg führen, und schwächen die Verbindungen, die zum Scheitern führen.

Perceptron

Ein Perzeptron ist ein künstliches Neuron und das einfachste mögliche neuronale Netzwerk. Neuronale Netze sind die Bausteine ​​des maschinellen Lernens. Das Perceptron definiert den ersten Schritt in neuronale Netze. Es stellt ein einzelnes Neuron mit nur einer Eingabeschicht und keinen verborgenen Schichten dar.

Das ursprüngliche Perceptron wurde entwickelt, um mehrere binäre Eingaben zu verarbeiten und eine binäre Ausgabe (0 oder 1) zu erzeugen. Die Idee bestand darin, unterschiedliche Gewichtungen zu verwenden, um die Wichtigkeit jeder Eingabe darzustellen, und dass die Summe der Werte größer als ein Schwellenwert sein sollte, bevor über Ja oder Nein (wahr oder falsch) (0 oder 1) entschieden wird.

Stellen Sie sich ein Perzeptron (in Ihrem Gehirn) vor. Das Perzeptron versucht zu entscheiden, ob Sie zu einem Konzert gehen sollten. Ist der Künstler gut? Ist das Wetter gut? Welches Gewicht sollten diese Fakten haben?

Kriterien	Input	Gewichtung
Künstler ist gut	x1 = 0 oder 1	w1 = 0.7
Das Wetter ist gut	x2 = 0 oder 1	w2 = 0.6
Freund wird kommen	x3 = 0 oder 1	w3 = 0.5
Essen wird serviert	x4 = 0 oder 1	w4 = 0.3

Neuronale Netze

Neuronale Netze sind mehrschichtige Perzeptrone. In seiner einfachsten Form besteht ein neuronales Netzwerk aus:

Die erste Schicht: Die gelben Perzeptrone treffen einfache Entscheidungen basierend auf den Eingaben. Jede einzelne Entscheidung wird an das Perzeptron in der nächsten Schicht gesendet.

Die zweite Schicht: Die blauen Perzeptrone treffen Entscheidungen, indem sie die Ergebnisse der ersten Schicht abwägen. Diese Schicht trifft komplexere Entscheidungen auf einer abstrakteren Ebene als die erste Schicht.

Tiefe neuronale Netze

Tiefe neuronale Netze bestehen aus mehreren verborgenen Schichten neuronaler Netze, die komplexe Operationen an riesigen Datenmengen durchführen. Jede nachfolgende Ebene verwendet die vorherige Ebene als Eingabe. Beim optischen Lesen werden beispielsweise niedrige Schichten zum Erkennen von Kanten und höhere Schichten zum Erkennen von Buchstaben verwendet.

Die erste Schicht:
Die gelben Perzeptrone treffen einfache Entscheidungen basierend auf den Eingaben. Jede einzelne Entscheidung wird an das Perzeptron in der nächsten Schicht gesendet.

Die zweite Schicht:
Die blauen Perzeptrone treffen Entscheidungen, indem sie die Ergebnisse der ersten Schicht abwägen. Diese Schicht trifft komplexere Entscheidungen auf einer abstrakteren Ebene als die erste Schicht.

Die dritte Schicht:
Noch komplexere Entscheidungen werden vom grünen Perzeptron getroffen.

Mehrschichtiges Lernen (Deep Learning DL)

Deep Learning ist eine Teilmenge des maschinellen Lernens, die für den KI-Boom der letzten Jahre verantwortlich ist. Es handelt sich um eine fortgeschrittene Art von ML, die komplexe Aufgaben wie die Bilderkennung übernimmt.