Deep Learning.

Deep Learning noemen we ook wel gestructureerd- of hiërarchisch leren. Deep learning maakt deel uit van een bredere variatie van machine learning-methoden. Deep learning kan feitelijk op drie manieren geschieden:

• Gecontroleerd: in dit geval krijgt het algoritme een input en een voorbeeld van een output. Het algoritme leert op basis van het voorbeeld.
• Semi-gecontroleerd: houdt het midden tussen gecontroleerde en ongecontroleerde deep learning.
• Ongecontroleerd: in dit geval krijgt het algoritme geen voorbeeld van een output.

Deep learning wordt succesvol gebruikt op het gebied van bijvoorbeeld beeldherkenning, spraakherkenning en vertaling.

Machine Learning (ML).

Machine learning, of automatisch leren is een behoorlijk breed onderzoeksveld binnen kunstmatige intelligentie en teven in software ontwikkeling. Als we het binnen software ontwikkeling over machine learning hebben dan hebben we het feitelijk over de ontwikkeling van algoritmes of andere software waarmee computers kunnen leren. Software wordt dus beter in haar taak naarmate ze deze vaker uitvoert. De ontwikkelende performance van machine learning software kan uitgedrukt worden middels de volgende formule. 

T = Task
X = Number of excersises
P = Performance

T x X = P

Machine learning leunt sterk op statistische analyse, het analyseren van data. Machine learning is meer gericht op algoritmische complexiteit in programma’s. Tevens is machine learning sterk gerelateerd aan data mining. In data mining wordt op een geautomatiseerde manier gezocht naar relaties of voorkomende patronen in een grote hoeveelheid data.

Methodes binnen machine learning zijn ruwweg te verdelen in die categorieën: 

Supervised learning

Supervised learning maakt gebruik van data welke gelabeld is door mensen. Supervised data wordt voornamelijk gebruikt om middels data gebeurtenissen te voorspellen. Anders gezegd, er kan het beste voor supervised learning gekozen worden als de gewenste output van een algoritme bekend is. In supervised learning leert een algoritme een serie inputs samen met een serie inputs in combinatie met de corresponderende (verlangde) outputs en de vergelijking tussen ongewenste outputs. Op basis van de discrepantie tussen de beiden past het model zich aan.

Een voorbeeld van supervised learning is Apple’s Photos op iOS en Mac OS X. Als de gebruiker een paar vrienden tagged op een paar foto’s is de software in staat om deze mensen voortaan te herkennen op foto’s en deze zelfstandig te taggen.

Classification

Classification valt onder supervised learning. Classification kan het beste worden gedefinieerd als het pogen om een output te voorspellen wanneer de input bekend is. Om dit te kunnen doen heeft het model behoefte aan een gelabeld voorbeeld in de vorm van een afbeelding, tekst of spraak.

Unsupervised learning

In het geval van data welke niet gelabeld is kan het beste gebruik gemaakt worden van unsupervised learning. In dit geval poogt de software nieuwe patronen in de data te ontdekken zonder dat de software bekend is met de soort data of labels in welke vorm dan ook. Deze vorm van machine learning werkt goed voor, bijvoorbeeld, clustering. Bij clustering wordt data georganiseerd op basis van overeenkomstige kenmerken.

Reinforcement learning

Deze manier van machine learning is sterk gebaseerd op een theorie uit de psychologie. In het kort, reinforcement behavior is niets anders dan leren door ‘Trial & Error’. Dat kan een computer natuurlijk ook. In het geval van reinforcement learning onderzoekt een computer de ideale uitkomst door deze simpelweg een groot aantal keer te simuleren. Deze vorm van machine learning wordt veel gebruikt bij navigatie applicaties of gaming.

Kunstmatige intelligentie.

Als we het hebben over kunstmatige intelligentie dan hebben we het over een gecreëerd (en dus kunstmatig) verschijnsel dat in meerdere of mindere mate intelligentie vertoond.

Wikipedia (what else) definieert intelligentie als volgt:

Intelligentie is een algemeen begrip uit de psychologie dat een mentale eigenschap beschrijft met veel verschillende functies; zoals de mogelijkheid overeenkomsten en verschillen op te merken in waarnemingen, zich in de ruimte te oriënteren, te redeneren, plannen te maken, problemen te doorgronden en op te lossen, in abstracties te denken, ideeën en taal te begrijpen en te produceren, informatie op te slaan in het geheugen en daar weer uit op te halen, te leren van ervaringen. -Wikipedia

Het feit dat Wikipedia refereert naar een mentale eigenschap impliceert dat intelligentie louter voorbehouden zou zijn aan levende wezens. Kunstmatige intelligentie is dus het vermogen zoals hierboven wordt beschreven maar dan bij een levenloos object zoals een computer.

Binnen het veld van kunstmatige intelligentie maken we onderscheid tussen beperkte en sterke kunstmatige intelligentie.

Sterke kunstmatige intelligentie.

Sterke kunstmatige intelligentie ontwikkeld software die echt zelfstandig problemen kan oplossen. Theoretisch gezien is het mogelijk dat een dergelijk systeem een eigen bewustzijn zou kunnen ontwikkelen. Software die dus daadwerkelijk haar eigen identiteit beleeft. Een dergelijk bewustzijn kan zich op twee manieren uiten. Een intelligentie gebaseerd op de menselijk intelligentie. In dit geval denkt en uit de computer zich als een mens. De tweede mogelijke mogelijkheid is anders, de software ontwikkelt zich op een niet menselijke manier. Het is lastig te omschrijven hoe een dergelijk construct er daadwerkelijk uit zou zien. Fictieve voorbeelden zijn bekend uit films zoals iRobot, The Terminator en The Matrix. U leest het goed, op dit moment is het onmogelijk om een sterke A.I te bouwen.

Samengevat.

Deep learning is een discipline van machine learning, in deep learning leren gelaagde neurale netwerken van grote hoeveelheden data. Met machine learning refereren we naar algoritmen wiens performance verbetert naarmate ze in een verloop van tijd meerdere keren aan data worden blootgesteld. Kunstmatige intelligentie is een (software) construct dat zelfstandig kan waarnemen, redeneren en reageren.