ປັນຍາທຽມ, ການຮຽນຮູ້ເຄື່ອງຈັກ, ການຮຽນຮູ້ເລິກແລະວິທະຍາສາດຂໍ້ມູນ - ມີຄວາມແຕກຕ່າງແນວໃດ?

ຄວາມແຕກຕ່າງລະຫວ່າງ AI, ML, DS, DL. ເຄຣດິດຮູບພາບ: Oluebube Princess Egbuna ສຳ ລັບນັກພັດທະນາ Circles ຂອງ Facebook

ເມື່ອຂ້ອຍເລີ່ມຕົ້ນຮຽນກ່ຽວກັບເຄື່ອງຈັກ, ຂ້ອຍມີຄວາມສັບສົນຫຼາຍ. ຄວາມສັບສົນຂອງຂ້ອຍບໍ່ແມ່ນເລື່ອງວິຊາການແຕ່ວ່າ ຄຳ ເວົ້າທີ່ຖືກຖີ້ມໄປໃນການເດີນທາງໄປສູ່ການຮຽນຮູ້ເຄື່ອງຈັກ.

ຂ້ອຍໄດ້ຍິນ ຄຳ ສັບຄ້າຍຄືວິທະຍາສາດຂໍ້ມູນ, ປັນຍາປະດິດ, ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນຮູ້ເລິກເຊິ່ງ. ພາຍໃນຂອບເຂດເຫຼົ່ານີ້, ມັນຍັງມີຫຼາຍ ຄຳ ທີ່ເຮັດໃຫ້ເກີດຄວາມຢາກຮູ້ຢາກເຫັນ.

ທ່ານອາດຈະສົງໄສວ່າມັນແຕກຕ່າງກັນແນວໃດ. ຫວັງວ່າ, ຂ້ອຍຈະສາມາດ ກຳ ຈັດຄວາມສົງໄສຂອງເຈົ້າໄດ້, ສະນັ້ນຈັບທີ່ນັ່ງ!

ຂົງເຂດເຫຼົ່ານີ້ ກຳ ລັງມີການພັດທະນາຢ່າງໄວວາແລະ ຄຳ ນິຍາມທີ່ທ່ານພົບໃນມື້ນີ້ອາດຈະແຕກຕ່າງຈາກສິ່ງທີ່ທ່ານຈະພົບໃນມື້ອື່ນ, ສະນັ້ນຢ່າລືມຕິດຕາມການເຕີບໃຫຍ່ຂອງເຕັກໂນໂລຢີ.

ປັນຍາປອມແມ່ນຫຍັງ?

ກ່ອນທີ່ຈະຊອກຫາຄວາມ ໝາຍ ຂອງປັນຍາປະດິດໂດຍສະເພາະ, ຂ້ອຍມີຄວາມຄິດທີ່ວ່າປັນຍາປະດິດ (AI) ແມ່ນກ່ຽວກັບຫຸ່ນຍົນທີ່ຍຶດຄອງໂລກໂດຍສາມາດເຮັດສິ່ງດຽວກັນກັບພວກເຮົາ, ຄືກັບມະນຸດສາມາດເຮັດໄດ້.

ໃນຂະນະທີ່ນີ້ແມ່ນສ່ວນ ໜຶ່ງ ຂອງຄວາມຈິງ, ນີ້ບໍ່ແມ່ນສິ່ງທັງ ໝົດ ຂອງປັນຍາປອມ. ດັ່ງທີ່ພວກເຮົາຮູ້ແລ້ວ, ຄວາມຈິງເຄິ່ງ ໜຶ່ງ ເກືອບບໍ່ມີຄວາມຈິງ.

ຄຳ ສັບສະຫລາດອີງຕາມວັດຈະນານຸກົມ Merriam-webster ແມ່ນ
'ຄວາມສາມາດໃນການຮຽນຮູ້ຫຼືເຂົ້າໃຈຫລືການຈັດການກັບສະຖານະການ ໃໝ່ ຫລືຄວາມພະຍາຍາມ.' ມັນຍັງຖືກ ກຳ ນົດວ່າເປັນການ ນຳ ໃຊ້ເຫດຜົນທີ່ມີຄວາມ ຊຳ ນິ ຊຳ ນານແລະຄວາມສາມາດໃນການ ນຳ ໃຊ້ຄວາມຮູ້ເພື່ອ ໝູນ ໃຊ້ສະພາບແວດລ້ອມຂອງຄົນອື່ນຫຼືຄິດແບບບໍ່ມີຕົວຕົນຕາມການວັດແທກໂດຍມາດຖານຈຸດປະສົງ (ເຊັ່ນວ່າການທົດສອບ)

ສະນັ້ນປັນຍາປະດິດ (AI) ແມ່ນອີງໃສ່ແນວຄວາມຄິດຂອງຄວາມສາມາດຂອງໂປແກຼມເຄື່ອງຈັກຫລືຄອມພິວເຕີ້ໃນການຄິດ (ເຫດຜົນ), ເຂົ້າໃຈແລະຮຽນຮູ້ຄືກັບມະນຸດ.

ຈາກ ຄຳ ນິຍາມຂອງຄວາມສະຫຼາດ, ພວກເຮົາຍັງສາມາດເວົ້າໄດ້ວ່າປັນຍາປະດິດແມ່ນການສຶກສາຄວາມເປັນໄປໄດ້ໃນການສ້າງເຄື່ອງທີ່ສາມາດ ນຳ ໃຊ້ຄວາມຮູ້ທີ່ໄດ້ຮັບຈາກຂໍ້ມູນໃນການ ໝູນ ໃຊ້ສະພາບແວດລ້ອມ.

ຍັງເວົ້າ ຄຳ ສັບຢູ່ບໍ? ລໍຖ້າ! ເວົ້າງ່າຍໆ…

AI (ປັນຍາປະດິດ) ກຳ ລັງສືບພັນປັນຍາຂອງມະນຸດໃນເຄື່ອງຈັກ, ໂດຍສະເພາະແມ່ນລະບົບຄອມພິວເຕີຜ່ານການຮຽນຮູ້, ການຫາເຫດຜົນແລະການແກ້ໄຂຕົນເອງ.

ຕົວຢ່າງຊີວິດຈິງຂອງ AI:

ຖ້າທ່ານເປັນເພື່ອນຂອງຂ້ອຍ, ແລະຂ້ອຍເຂົ້າໃຈວ່າເຈົ້າມັກຮູບເງົາທີ່ກະ ທຳ, ຂ້ອຍຈະແນະ ນຳ ຮູບເງົາການກະ ທຳ ໃຫ້ເຈົ້າ, ໂດຍອີງໃສ່ສິ່ງທີ່ຂ້ອຍຮູ້ກ່ຽວກັບເຈົ້າ. ນີ້ແມ່ນຄວາມສະຫຼາດຂອງມະນຸດ.

ເຄື່ອງຈັກຍັງສາມາດຜະລິດສິ່ງນີ້ໄດ້ອີກ, ຖ້າທ່ານເບິ່ງຮູບເງົາປະເພດໃດ ໜຶ່ງ ໃນ Netflix ຕົວຢ່າງ, Netflix ເລີ່ມໃຫ້ ຄຳ ແນະ ນຳ ກ່ຽວກັບຮູບເງົາກັບທ່ານ, ໂດຍອີງໃສ່ຮູບແບບໂມງຂອງທ່ານ.

ມັນເປັນໄປໄດ້ແນວໃດ? ປັນຍາປະດິດ. ນີ້ແມ່ນຕົວຢ່າງທົ່ວໄປທີ່ສຸດຂອງປັນຍາທຽມ.

Machine learning ແມ່ນຫຍັງ?

ປັນຍາປະດິດແມ່ນໃຫຍ່ຫຼວງຫຼາຍ. ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ແມ່ນຊຸດຍ່ອຍຂອງ Artificial Intelligence. ຈື່ລັກສະນະການຮຽນຮູ້ຂອງ ຄຳ ນິຍາມຂອງຄວາມສະຫຼາດຈາກວັກກ່ອນ ໜ້າ ນີ້ບໍ? ນັ້ນແມ່ນບ່ອນທີ່ ML ເຂົ້າມາ.

ການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ແມ່ນຊຸດຂອງເຄື່ອງມືສະຖິຕິເພື່ອຮຽນຮູ້ຈາກຂໍ້ມູນ. ແກນຂອງ ML ແມ່ນຢູ່ໃນການສອນຄອມພິວເຕີວິທີການຮຽນຮູ້ແລະການຄາດຄະເນຈາກຂໍ້ມູນໂດຍບໍ່ ຈຳ ເປັນຕ້ອງມີໂປແກມ.

ຕົວຢ່າງຊີວິດຈິງຂອງ ML:

ພວກເຮົາທຸກຄົນໄດ້ຮັບຈົດ ໝາຍ ສະແປມ. ສິ່ງເຫຼົ່ານີ້ຖືກກັ່ນຕອງໂດຍ gmail ສະ ເໝີ. ນອກຈາກນີ້, ຈົດ ໝາຍ ຖືກຈັດປະເພດເປັນການສົ່ງເສີມແລະສັງຄົມ, ລວມທັງ ໝວດ ອື່ນໆອີງຕາມການບໍລິການຈົດ ໝາຍ ທີ່ທ່ານໃຊ້. gmail ໄດ້ຮຽນຮູ້ທີ່ຈະເຮັດແນວໃດ? ການຮຽນຮູ້ເຄື່ອງຈັກ! ຢ່າລືມ ML ແມ່ນສ່ວນ ໜຶ່ງ ຂອງ AI.

ການຮຽນທີ່ເລິກເຊິ່ງແມ່ນຫຍັງ?

ໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ຂໍ້ມູນສ່ວນໃຫຍ່ຈະຜ່ານລະບົບການຄິດໄລ່ເຊິ່ງປະຕິບັດການຫັນປ່ຽນເສັ້ນຊື່ຕໍ່ພວກມັນເພື່ອຜະລິດຜົນຜະລິດ.

ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນຊຸດຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຊິ່ງຂໍ້ມູນຈະຜ່ານຫລາຍໆຮູບການທີ່ບໍ່ແມ່ນຮູບແຂບເພື່ອໃຫ້ໄດ້ຜົນຜະລິດ.

'ເລິກ' ໝາຍ ເຖິງຫຼາຍບາດກ້າວໃນກໍລະນີນີ້. ຜົນໄດ້ຮັບຂອງບາດກ້າວ ໜຶ່ງ ແມ່ນການປ້ອນຂໍ້ມູນໃຫ້ແກ່ອີກບາດກ້າວ ໜຶ່ງ, ແລະນີ້ແມ່ນເຮັດຢ່າງຕໍ່ເນື່ອງເພື່ອໃຫ້ໄດ້ຜົນສຸດທ້າຍ. ທຸກຂັ້ນຕອນເຫຼົ່ານີ້ບໍ່ເປັນເສັ້ນ. ຕົວຢ່າງຂອງການຫັນເປັນແບບບໍ່ມີເສັ້ນແມ່ນການຫັນປ່ຽນມາຕຣິກເບື້ອງ.

ການຮຽນຮູ້ເລິກບາງຄັ້ງກໍ່ຖືກເອີ້ນວ່າເຄືອຂ່າຍທາງເສັ້ນປະສາດເລິກ (DNN) ເພາະວ່າມັນເຮັດໃຫ້ການ ນຳ ໃຊ້ເຄືອຂ່າຍ neural ປອມຫຼາຍຊັ້ນເພື່ອປະຕິບັດການຮຽນຮູ້ເລິກເຊິ່ງ.

ໄດ້ເຫັນຮູບພາບຂອງ neuron ຈາກສະ ໝອງ ຂອງຄົນບໍ? ເຄືອຂ່າຍ neural ທຽມໄດ້ຖືກສ້າງຂື້ນຄ້າຍຄືກັນ, ມີເສັ້ນປະສາດເຊື່ອມຕໍ່ຄ້າຍຄືກັບເວັບ.

ສູດການຄິດໄລ່ເລິກການຮຽນຮູ້ຕ້ອງມີເຄື່ອງຈັກທີ່ມີປະສິດທິພາບສູງແລະມີປະໂຫຍດຫຼາຍໃນການກວດສອບຮູບແບບຈາກຂໍ້ມູນປ້ອນຂໍ້ມູນ.

ຄໍາຮ້ອງສະຫມັກຂອງການຮຽນຮູ້ເລິກ:

ເຄີຍໄດ້ຍິນກ່ຽວກັບ WaveNet ແລະ ຄຳ ເວົ້າເລິກໆບໍ? ພວກເຂົາທັງສອງແມ່ນເຄືອຂ່າຍ Deep Learning ທີ່ສ້າງສຽງໂດຍອັດຕະໂນມັດ. ລະບົບຂໍ້ຄວາມຫາລະບົບສຽງ, ກ່ອນ WaveNet ແລະ ຄຳ ເວົ້າທີ່ເລິກເຊິ່ງໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍຕົນເອງ.

ດ້ວຍການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ລະບົບຕ່າງໆ ກຳ ລັງຮຽນຮູ້ທີ່ຈະຮຽນແບບສຽງຂອງມະນຸດຈົນເຖິງຂັ້ນທີ່ຍາກທີ່ຈະແຍກແຍະລະຫວ່າງສຽງຂອງມະນຸດແລະຄອມພິວເຕີ້. ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເຮັດໃຫ້ພວກເຮົາໃກ້ຊິດກັບການໃຫ້ຄອມພິວເຕີມີຄວາມສາມາດໃນການເວົ້າຄືກັບມະນຸດ.

ການຮຽນຮູ້ເລິກແມ່ນຊຸດຍ່ອຍຂອງ ML ເຊິ່ງເປັນກຸ່ມຍ່ອຍຂອງ AI, ສະນັ້ນມັນແມ່ນ AI.

ວິທະຍາສາດຂໍ້ມູນແມ່ນຫຍັງ?

ວິທະຍາສາດຂໍ້ມູນມີຈຸດຕັດກັນກັບປັນຍາປະດິດແຕ່ບໍ່ແມ່ນກຸ່ມຍ່ອຍຂອງປັນຍາປະດິດ.

ວິທະຍາສາດຂໍ້ມູນແມ່ນການສຶກສາຄວາມຢາກຮູ້ຢາກເຫັນໃນຂົງເຂດໃດ ໜຶ່ງ, ການຂຸດຄົ້ນຂໍ້ມູນຈາກແຫຼ່ງຂໍ້ມູນໃຫຍ່ໆທີ່ກ່ຽວຂ້ອງກັບ ຄຳ ຖາມທີ່ຢູ່ໃນໃຈ, ການປະມວນຜົນຂໍ້ມູນ, ການວິເຄາະແລະການເບິ່ງເຫັນຂໍ້ມູນນີ້, ເພື່ອເຮັດໃຫ້ຄວາມ ໝາຍ ຂອງມັນ ສຳ ລັບໄອທີ ແລະຍຸດທະສາດດ້ານທຸລະກິດ.

ໃນຄໍາສັບທີ່ງ່າຍດາຍ, ມັນແມ່ນຄວາມເຂົ້າໃຈແລະເຮັດໃຫ້ຄວາມຮູ້ສຶກຂອງຂໍ້ມູນ. ເຄື່ອງມືຫຼາຍຢ່າງຖືກ ນຳ ໃຊ້ເຂົ້າໃນວິທະຍາສາດຂໍ້ມູນ. ມັນປະກອບມີເຄື່ອງມືສະຖິຕິ, ເຄື່ອງມືຄວາມເປັນໄປໄດ້, ພຶດຊະຄະນິດເສັ້ນທາງເສັ້ນແລະເມຕາ, ການເພີ່ມປະສິດທິພາບແລະການຂຽນໂປແກຼມ.

ຄໍາຮ້ອງສະຫມັກຂອງວິທະຍາສາດຂໍ້ມູນ:

ເລືອກແນວຄວາມຄິດແບບສຸ່ມ.

ຂ້ອຍເລືອກການສະ ໜັບ ສະ ໜູນ. ປະຊາຊົນໄດ້ຮັບການສະ ໜັບ ສະ ໜູນ ເພື່ອເຫດຜົນແນວໃດ. ຜູ້ທີ່ປົກກະຕິແລ້ວແມ່ນເຕັມໃຈທີ່ຈະຕອບອີເມວຮຽກຮ້ອງໃຫ້ຜູ້ສະ ໜັບ ສະ ໜູນ. ພວກເຂົາຄວນຄົ້ນຫາ ຄຳ ຫລັກຫຍັງໃນອີເມວທີ່ຮ້ອງຂໍການສະ ໜັບ ສະ ໜູນ? ພວກເຂົາມັກໂທລະສັບບໍ?

ໃນກໍລະນີນີ້, ວິທະຍາສາດຂໍ້ມູນສາມາດຊ່ວຍໄດ້. ບັນດາຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບທຸກໆຄົນທີ່ເຄີຍສະ ໜັບ ສະ ໜູນ ສາເຫດ, ເປັນຫຍັງພວກເຂົາຈຶ່ງສະ ໜັບ ສະ ໜູນ ມັນ, ຄວາມມັກຂອງພວກເຂົາໃນແງ່ຂອງຊ່ອງທາງການສື່ສານແລະອື່ນໆແມ່ນດຶງຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຫຼາຍ.

ຂໍ້ມູນໄດ້ຖືກປຸງແຕ່ງ, ວິເຄາະແລະເບິ່ງເຫັນໂດຍໃຊ້ເຄື່ອງມືຕ່າງໆທີ່ພວກເຮົາໄດ້ເວົ້າມາແລ້ວ. ຂໍ້ສະຫລຸບແມ່ນໄດ້ມາຈາກຂໍ້ມູນນີ້.

ຂໍ້ມູນນີ້ສາມາດຊ່ວຍບໍ່ຫວັງຜົນ ກຳ ໄລແລະຄົນທີ່ ກຳ ລັງຊອກຫາສາຍເຫດເພື່ອເບິ່ງແຍງຜູ້ສະ ໜັບ ສະ ໜູນ.

ວິທະຍາສາດຂໍ້ມູນບໍ່ແມ່ນປັນຍາທຽມຢ່າງເຕັມສ່ວນ, ຢ່າງໃດກໍ່ຕາມບາງສ່ວນຂອງວິທະຍາສາດຂໍ້ມູນແມ່ນຕັດກັນກັບປັນຍາທຽມ.

ໃນເວລາທີ່ມັນມາເຖິງມັນ, ສິ່ງ ໜຶ່ງ ທີ່ເປັນເລື່ອງ ທຳ ມະດາ ສຳ ລັບ ຄຳ ເວົ້າທີ່ດັງໆນີ້ - DATA!