机器学习怎么样?

机器学习怎么样?

机器学习是人工智能的一个领域。Il porte plus spécifiquement sur des algorithmes informatiques capables des 'améliorer d 'eux-mêmes grâce à des données d 'entraînement，无编程spécifique。这最大的规模perçu comme le moyen le plus prometteur de parvenir à une intelligence artificielle qui se prapproche véritablement de l 'intelligence human。

Les algorithmes du machine learning peuvent être globalement classés en trois catégories:

• Apprentissage监督: vous fournissez des libellés et présentez des exampleples d 'entrées avec les sorties通讯员que vous cherchez à obtenir, en laissant l ' algorithm apprenre les règles de mappage entre les entrées et les sorties。
• 徒弟非supervisé: vous ne fournissez aucun libellé， ce qui permet à l 'algorithme de rechercher lui-même sa propre structure pour le traitement des entrées(例如，pour découvrir des schémas cachés parmi les données)。
• 学徒制强化: l 'algorithme interagit de façon récurrente avec UN environmental dynamique dans UN but bien spécifique, par示例gagner à UN jeu ou conduire une voiture。L ' algorithm exécute des séries répétitives de tests et d ' erurs pour obtenir approximation la solution optimale au problème。

Cet文章présente brièvement les concepts d '学徒机器(ou机器学习)et de深度学习，et en explque les différences。

什么是深度学习?

Le deep learning est une branch du machine learning qui utildes réseaux neuronaux artificiels pour se rapprocher de l 'intelligence humaine。Inspiré des neurones humains, le深度学习利用la théorie des graphes pour organiser les algorithmes de pondération en couches de nouluds et d 'arêtes。Les algorithmes de deep learning sont extrêmement performants pour traiter des données non structurées (par examples, des images ou languages)。

技术，倒être considéré comme«profond»(«deep»en anglais)， un réseau neuronal doit contenir des couches cachées entre les couches d 'entrée et de sortie d 'un perceptron, c 'est -à-dire la structure de base d 'un réseau neuronal。Ces沙发sont considérées comme«cachées»car elles n 'ont aucun lien avec le monde extérieur。深度学习架构示例:

• 前馈(FF):Les données sont transmises dans UN sens, en partant de la couche d 'entrée pour traverser Les couches cachées avant de rejoindre la couche de sortie。Tous les nouluds sont connectées et les données ne rebouclent jamais par les长沙发cachées。Le mode FF est utilisé dans la compression de données et dans Le traitement d 'images de base。
• Réseau de neurones récurrents (RNN):type de réseau FF qui ajoute un délai sur les couches cachées pour permettre d 'accéder aux information précédentes pendant une itération en cours。花絮de rétroaction simule la mémoire et rend les RNN parfaitement adaptés au traitement linguistique。Les réseaux RNN sont utilisés，举例来说，pour le texte prédictif qui relie Les termes que vous employez le加上souvent afin d 'adapter的建议。
• Réseaux neuronaux convolutifs (CNN):Une卷积est Une opération mathématique sur deux function qui producit Une troisième function décrivant de quelle manière l 'une est modifiée par l 'autre。Essentiellement utilisés pour la reconnaissance et la classification d 'images, ces réseaux sont les«yeux»de l 'IA。Les couches cachées d 'un réseau CNN agissent à la manière de filters mathématiques, en utilant des sommes pondérées pour identifier Les bords, Les couleurs, le contraste et d ' aures éléments qui composent un pixel。

Différences entre学徒机器和深度学习

Le深度学习est assimilé à unsous -ensemble du机器学习。La principale différence entre les algorithms de deep learning et les autres algorithms du machine learning tient à leur utilisation de réseaux de neurones artificiels。Par ailleurs, la présence de couches cachées entre les couches d 'entrée et de sortie (qui forment un perceptron élémentaire) est ce qui permet de qualifier un réseau neuron de«profond»。

深度学习的优势

Les算法de深度学习渗透de traiter des données非structurées， à条件约束de处置d 'une puissance de traitement suffisante。Dans les domaines de l ' apprentice non supervisé et de l ' apprentice par reinforcement, cela confère au深度学习unavage indéniable sur les autres algorithms du机器学习。Les réseaux neuronaux de深度学习ont considérablement gagné en viabilité grâce à l 'amélioration de la puissance de traitement et du stockage de données, ce qui a considérablement contribué aux récents progrès observés dans le domaine de l 'IA。

亚搏充值后支付宝能申诉吗纯存储优化应用程序的机器学习

亚搏充值后支付宝能申诉吗Pure Storage®bénéficie d 'une position idéale pour tierrer parti du monde de l 'IA tout en y contribuant。Les réseaux neuronaux de深度学习nécessitent des données à la fois volumineuses et rapides。纯建议des解决方案de库存100%闪存qui associassociles性能d 'une mémoire闪存100% NVMe à la puissance d 'une analytique prédictive alimentée par l 'IA afin d 'offrir une现代数据体验™。Avec Pure, vous pouvez:

• 盘整者données在联合国数据中心unifie;
• Accélérer l 'accès à des信息stratégiques grâce à une临时分析réel/basée日志分析；
• 新方法的利润者génération de la gestion du stockage de données optimisée ' a ' avecPure1元®；
• 优化vos解决方案IA avecAIRI®， une solution d 'infrastructure AI-Ready complète proposée par亚搏充值后支付宝能申诉吗 Pure Storage et NVIDIA;
• bénéficier d 'une prise en charge complète des cycles de vie d 'IA et du machine learning avecFlashStack®， une solution d 'infrastructure convergée développée en tenariat avec Cisco。