కృత్రిమ మేధస్సు మరియు యంత్ర అభ్యాసం యొక్క ప్రాథమిక జ్ఞానం

పరిచయం చేయండి

గత కొన్ని సంవత్సరాలుగా, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషీన్ లెర్నింగ్ అనే పదాలు వెబ్‌సైట్‌లు మరియు సాంకేతిక వార్తలలో తరచుగా కనిపించడం ప్రారంభించాయి. తరచుగా రెండు పర్యాయపదాలుగా ఉపయోగించబడతాయి, కానీ చాలా మంది నిపుణులు వాటికి సూక్ష్మమైన కానీ నిజమైన వ్యత్యాసాన్ని కలిగి ఉంటారని సూచిస్తున్నారు.

మరియు వాస్తవానికి, ఆ తేడాలు ఏమిటో నిపుణులు కొన్నిసార్లు విభేదిస్తారు.

సాధారణంగా, అయితే, రెండు విషయాలు స్పష్టంగా కనిపిస్తున్నాయి: మొదటిది, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అనే పదం మెషిన్ లెర్నింగ్ (ML) అనే పదం కంటే పాతది మరియు రెండవది, చాలా మంది వ్యక్తులు మెషిన్ లెర్నింగ్ అనేది కృత్రిమ మేధస్సు యొక్క ఉపసమితి యొక్క సమాహారంగా భావిస్తారు.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ vs మెషిన్ లెర్నింగ్

AI అనేక విధాలుగా నిర్వచించబడినప్పటికీ, అత్యంత విస్తృతంగా ఆమోదించబడిన నిర్వచనం ఏమిటంటే “మానవ మేధస్సుతో సాధారణంగా అనుబంధించబడిన అభ్యాసం, సమస్య పరిష్కారం మరియు నమూనా గుర్తింపు వంటి అభిజ్ఞా సమస్యలను పరిష్కరించడానికి అంకితమైన కంప్యూటర్ సైన్స్ రంగం”, ఇది ప్రాథమికంగా ఆలోచన. యంత్రాలు తెలివితేటలను కలిగి ఉంటాయి.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ఆధారిత వ్యవస్థ యొక్క గుండె దాని నమూనా. మోడల్ దాని పర్యావరణాన్ని గమనించడం ద్వారా అభ్యాస ప్రక్రియ ద్వారా దాని జ్ఞానాన్ని పెంచుకునే ప్రోగ్రామ్ తప్ప మరొకటి కాదు. ఈ రకమైన అభ్యాస-ఆధారిత మోడల్ సూపర్‌వైజ్డ్ లెర్నింగ్ కింద సమూహం చేయబడింది. పర్యవేక్షించబడని అభ్యాస నమూనాల వర్గం క్రిందకు వచ్చే ఇతర నమూనాలు ఉన్నాయి.

“మెషిన్ లెర్నింగ్” అనే పదబంధం కూడా గత శతాబ్దం మధ్యకాలం నాటిది. 1959లో, ఆర్థర్ శామ్యూల్ ML అనేది “స్పష్టంగా ప్రోగ్రామ్ చేయకుండానే నేర్చుకునే సామర్థ్యం”గా నిర్వచించబడింది. మరియు అతను కంప్యూటర్ టెస్ట్ అప్లికేషన్‌ను రూపొందించడానికి వెళ్ళాడు, ఇది దాని స్వంత తప్పుల నుండి నేర్చుకునే మరియు కాలక్రమేణా దాని పనితీరును మెరుగుపరచగల మొదటి ప్రోగ్రామ్‌లలో ఒకటి.

AI పరిశోధన వలె, ML చాలా కాలంగా వాడుకలో లేదు, అయితే 1990లలో డేటా మైనింగ్ భావన ఉద్భవించడం ప్రారంభించినప్పుడు ఇది మళ్లీ ప్రజాదరణ పొందింది. ఇచ్చిన సమాచారం యొక్క సెట్‌లో నమూనాలను కనుగొనడానికి అల్గారిథమ్‌లను ఉపయోగించండి. ML అదే పని చేస్తుంది, కానీ ఒక అడుగు ముందుకు వేస్తుంది – ఇది నేర్చుకునే దాని ఆధారంగా ప్రోగ్రామ్ యొక్క ప్రవర్తనను మారుస్తుంది.

ఇటీవల బాగా ప్రాచుర్యం పొందిన ML యొక్క ఒక అప్లికేషన్ ఇమేజ్ రికగ్నిషన్. ఈ యాప్‌లు ముందుగా శిక్షణ పొందాలి – మరో మాటలో చెప్పాలంటే, మానవులు చిత్రాల శ్రేణిని చూసి, ఆ ఫోటోలో ఏముందో సిస్టమ్‌కి తెలియజేయాలి. వేల మరియు వేల పునరావృత్తులు తర్వాత, గుర్రాలు, కుక్కలు, పిల్లులు, పువ్వులు, చెట్లు, ఇళ్ళు మొదలైన వాటితో సాధారణంగా ఏ పిక్సెల్ నమూనాలు అనుబంధించబడి ఉంటాయో సాఫ్ట్‌వేర్ నేర్చుకుంటుంది మరియు ఇది చిత్రం యొక్క కంటెంట్ గురించి మంచి అంచనా వేయగలదు.

అనేక వెబ్ ఆధారిత కంపెనీలు కూడా తమ సిఫార్సు ఇంజిన్‌లను శక్తివంతం చేయడానికి MLని ఉపయోగిస్తాయి. ఉదాహరణకు, Facebook మీ వార్తల ఫీడ్‌లో ఏమి చూపించాలో నిర్ణయించినప్పుడు, అమెజాన్ మీరు కొనాలనుకునే ఉత్పత్తులను హైలైట్ చేసినప్పుడు మరియు Netflix మీరు చూడాలనుకునే సినిమాలను సిఫార్సు చేసినప్పుడు, ఆ అవుట్‌పుట్‌లు అన్నీ వాటి ప్రస్తుత ప్యాటర్న్‌ల ఆధారంగా అంచనాలపై ఆధారపడి ఉంటాయి. సమాచారం.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క సరిహద్దులు: డీప్ లెర్నింగ్, న్యూరల్ నెట్స్ మరియు కాగ్నిటివ్ కంప్యూటింగ్

వాస్తవానికి, “ML” మరియు “AI” ఈ కంప్యూటర్ సైన్స్ రంగానికి సంబంధించిన పదాలు మాత్రమే కాదు. IBM తరచుగా “కాగ్నిటివ్ కంప్యూటింగ్” అనే పదాన్ని ఉపయోగిస్తుంది, AIకి ఎక్కువ లేదా తక్కువ పర్యాయపదంగా ఉంటుంది.

అయితే, కొన్ని ఇతర పదాలకు చాలా ప్రత్యేకమైన అర్థాలు ఉన్నాయి. ఉదాహరణకు, ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ లేదా న్యూరల్ నెట్‌వర్క్ అనేది బయోలాజికల్ మెదళ్ళు ఎలా పనిచేస్తుందో అదే విధంగా సమాచారాన్ని ప్రాసెస్ చేయడానికి రూపొందించబడిన వ్యవస్థ. మెషిన్ లెర్నింగ్‌లో న్యూరల్ నెట్‌వర్క్‌లు చాలా మంచివి కాబట్టి విషయాలు గందరగోళంగా మారవచ్చు, కాబట్టి ఆ రెండు పదాలు కొన్నిసార్లు కలిపి ఉంటాయి.

అదనంగా, న్యూరల్ నెట్‌వర్క్‌లు లోతైన అభ్యాసానికి పునాదిని అందిస్తాయి, ఇది ఒక నిర్దిష్ట రకమైన యంత్ర అభ్యాసం. డీప్ లెర్నింగ్ అనేది బహుళ లేయర్‌లలో పనిచేసే నిర్దిష్ట మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లను ఉపయోగిస్తుంది. మొత్తం డేటాను ఒకేసారి ప్రాసెస్ చేయడానికి GPUని ఉపయోగించే సిస్టమ్‌ల ద్వారా ఇది పాక్షికంగా సాధ్యమవుతుంది.

ఈ విభిన్న నిబంధనలతో మీరు గందరగోళానికి గురైతే, మీరు ఒంటరిగా లేరు. కంప్యూటర్ శాస్త్రవేత్తలు వారి ఖచ్చితమైన నిర్వచనాలను చర్చిస్తూనే ఉన్నారు మరియు బహుశా కొంత సమయం వరకు ఉండవచ్చు. మరియు కంపెనీలు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ రీసెర్చ్‌లో డబ్బు పోయడం కొనసాగిస్తున్నందున, సమస్యలకు సంక్లిష్టతను జోడించడానికి కొన్ని అదనపు నిబంధనలు ఉండే అవకాశం ఉంది.

Leave a Reply

Your email address will not be published. Required fields are marked *