راهنمای تصویری
ببینید هوش مصنوعی و یادگیری ماشین چطور به هم وصل میشوند: گستره، یادگیری، استقرار و یک نمای شبکهای ساده.
این نمودارها را چطور بخوانیم؟
هر کارت یک تصویر ساده را با توضیح کوتاه جفت میکند—برای جهتیابی است نه تعریف رسمی.
هوش مصنوعی حوزهٔ وسیعی است. یادگیری ماشین یک رویکرد مهم درون آن است و یادگیری عمیق نوع قدرتمندی از یادگیری ماشین است. کارتهای بعدی گستره، یک چیدمان کلاسیک یادگیری، آموزش در برابر استفاده از مدل، و یک شبکهٔ سادهشده را نشان میدهند.
هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
هوش مصنوعی چتر هدف است؛ یادگیری ماشین الگو را از داده میگیرد؛ یادگیری عمیق شبکههای عصبی بزرگ—اغلب برای ادراک و زبان در مقیاس.
مثل دایرههای تو در تو فکر کنید: هر سیستم هوش مصنوعی لزوماً یادگیری ماشین مدرن ندارد، اما بیشتر ابزارهای پرسروصدا امروز دارند.
یادگیری نظارتشده (تصویر کلاسیک)
با پاسخ درست نشان میدهید تا سیستم نگاشت از ورودی به خروجی را یاد بگیرد.
بعد از آموزش امیدوارید نگاشت به نمونههای جدید تعمیم یابد—همیشه روی دادهای که مدل حفظ نکرده بسنجید.
آموزش در برابر استنتاج
آموزش فاز یادگیری پرهزینه است؛ استنتاج اعمال مدل آموزشدیده به درخواستهای جدید—جایی که کاربر با تأخیر و هزینه روبهرو میشود.
همان مدل میتواند روی گوشی کوچک یا در مرکز داده بزرگ باشد؛ نمودان دربارهٔ فاز است نه سختافزار.
لایهها در شبکهٔ عصبی
هر لایه یک نمایش را تبدیل میکند؛ عمق به ترکیب ویژگیهای ساده در پیچیده کمک میکند.
مدلهای زبانی امروز بسیار پیچیدهترند، اما شهود «لایهها سیگنال را تبدیل میکنند» هنوز برای خواندن نمودار معماری مفید است.