Могут ли машинные обучения, нейронные сети, искусственные интеллекты конфликтовать друг с другом?

Думаю DS также монолитна, как и привычная с прошлого века фундаментальная математика. Более того многие проблемы , которые решает DS решить в классичесской теории нелинейной аппроксимации было бы очень тяжело ( из-за отсутствия экосистемы пайтон ) . Языки прогаммирования даже С или С++ не обладает той гибкостью и быстротой , которая привлекает многих математиков, что вовсе не значит , что Пайтон делает С++ ненужным ( до тех пор пока он является интерпретатором , имеющим серьезные проблемы с много-потоковым программированием ).

Коротко о терминологии

Чем глубокое обучение отличается от нейронных сетей?

Хотя это подразумевалось в описании нейронных сетей, стоит отметить это более подробно. «Глубокое» в глубоком обучении относится к глубине слоев в нейронной сети. Нейронная сеть, состоящая из более чем трех слоев, включая входные и выходные данные, может считаться алгоритмом глубокого обучения. Обычно это представляется с помощью следующей диаграммы:

Большинство глубоких нейронных сетей имеют прямую связь, то есть они движутся только в одном направлении от входа к выходу. Однако, нормой становится обучение своей модели с помощью обратного распространения; то есть двигаться в противоположном направлении от выхода к входу. Обратное распространение позволяет нам рассчитать и атрибутировать ошибку, связанную с каждым нейроном, что позволяет нам соответствующим образом настроить алгоритм.

================================

Чем глубокое обучение отличается от машинного обучения?

Глубокое обучение — это просто подмножество машинного обучения. Основные различия между ними заключаются в том, как каждый алгоритм обучается и сколько данных использует каждый тип алгоритма. Глубокое обучение автоматизирует большую часть процесса извлечения признаков, устраняя часть необходимого ручного вмешательства человека. Он также позволяет использовать большие наборы данных, за что получил название «масштабируемое машинное обучение» . Эта возможность будет особенно интересна, когда мы начнем больше изучать использование неструктурированных данных, особенно с учетом того, что 80-90% данных организации, по оценкам, являются неструктурированными.

=================================

Классическое или «неглубокое» машинное обучение в большей степени зависит от вмешательства человека. Эксперты-люди определяют иерархию функций, чтобы понять различия между входными данными, обычно требуя более структурированных данных для изучения. Например, предположим, что вы должны  показать серию изображений различных видов фаст-фуда, «пиццы», «гамбургера» или «тако». Человек-эксперт по этим изображениям должен определить характеристики, которые отличают каждое изображение от определенного типа фаст-фуда. 

В качестве альтернативы вы можете просто использовать ярлыки, такие как «пицца», «бургер» или «тако», чтобы упростить процесс обучения с помощью контролируемого обучения.

===================================

Что такое искусственный интеллект (ИИ)?

Наконец, искусственный интеллект (ИИ) — это самый широкий термин, используемый для классификации машин, имитирующих человеческий интеллект. Он используется для прогнозирования, автоматизации и оптимизации задач, которые исторически выполнялись людьми, таких как распознавание речи и лиц, принятие решений и перевод.

Существует три основных категории ИИ:

Искусственный узкий интеллект (ANI)

Общий искусственный интеллект (AGI)

Искусственный суперинтеллект (ASI)

ANI считается «слабым» ИИ, тогда как два других типа классифицируются как «сильный» ИИ. Слабый ИИ определяется его способностью выполнять очень специфическую задачу, например, выиграть в шахматы или идентифицировать конкретного человека на серии фотографий. По мере того, как мы переходим к более сильным формам ИИ, таким как AGI и ASI, включение большего количества человеческого поведения становится более заметным, например, способность интерпретировать тон и эмоции. Чат-боты и виртуальные помощники, такие как Siri, только поверхностно относятся к этому, но они все еще являются примерами ANI.

Сильный ИИ определяется его способностями по сравнению с людьми. Искусственный общий интеллект (AGI) будет работать наравне с другим человеком, в то время как искусственный суперинтеллект (ASI), также известный как суперинтеллект, превзойдет человеческий интеллект и способности. Ни одна из форм сильного ИИ пока не существует, но текущие исследования в этой области продолжаются.