نسل بعدی هوش مصنوعی (AI) به زودی در مرکز هر سیستم بزرگ فناوری در جهان خواهد بود
از جمله: امنیت سایبری و کشور، پرداخت ، بازارهای مالی ، بیوتکنولوژی ، مراقبت های بهداشتی ،
بازاریابی ، پردازش زبان طبیعی ، دید رایانه ای ، شبکه های برقی ، نیروگاه های هسته ای ، کنترل ترافیک هوایی و اینترنت اشیاء.
در حالی که به نظر می رسد اخیراً A.I. توجه بشریت را به خود جلب کرده است
، واقعیت این است که A.I. بیش از 60 سال است که به عنوان یک رشته فن آوری فعالیت می کند.
و امروزه نسل بعد هوش مصنوعی کار خود را آغز کرده است
در اواخر دهه 1950 ، آرتور ساموئل برنامه بازی چکرز نوشت که می تواند از اشتباهات بیاموزد و به مرور زمان در بازی بهتر شود. MYCIN
اولین سیستم خبره مبتنی بر قانون ، در اوایل دهه 1970 توسعه یافت که ابتدایی ترین قدم به سمت نسل بعد هوش مصنوعی
و براساس نتایج آزمایش های مختلف پزشکی قادر به تشخیص عفونت های خونی بود.
سیستم MYCIN قادر به عملکرد بهتر نسبت پزشکان غیر متخصص بود.
. MYCIN اولین سیستم خبره مبتنی بر قانون ، در اوایل دهه 1970 توسعه یافت کهاولین قدم به سمت نسل بعدی هوش مصنوعی بود
و براساس نتایج آزمایش های مختلف پزشکی قادر به تشخیص عفونت های خونی بود.
سیستم MYCIN قادر به عملکرد بهتر نسبت پزشکان غیر متخصص بود.
در حالی که هوش مصنوعی در حال تبدیل شدن به عنوان اصلی ترین فن آوری است ، کمتر کسی مزایا و کاستی های A.I و فن آوری های یادگیری ماشین را درک می کند.
است ، کمتر کسی مزایا و کاستی های A.I و فن آوری های یادگیری ماشین را درک می کند.
نسل بعدی هوش مصنوعی ،یادگیری ماشینی، علم عملی شدن رایانه ها بدون برنامه ریزی صریح است.
یادگیری ماشینی در زمینه های مختلفی مانند دید رایانه ای ، تشخیص گفتار ، NLP ، جستجوی وب ، بیوتکنولوژی ، مدیریت ریسک ، امنیت سایبر و بسیاری موارد دیگر کاربرد دارد.
الگوی یادگیری ماشین را می توان به عنوان “برنامه نویسی ” مشاهده کرد.
معمولاً از دو نوع یادگیری استفاده می شود: تحت نظارت و بدون نظارت.
در یادگیری نظارت شده ، مجموعه ای از الگوهای دارای برچسب ارائه می شود ، و فرایند یادگیری با کیفیت برچسب زدن به الگوی تازه مواجه شده اندازه گیری می شود.
از الگوهای برچسب زده شده برای یادگیری توصیف کلاسهایی که به نوبه خود
برای برچسب زدن الگوی جدید استفاده می شود ، استفاده می شود.
در مورد یادگیری بدون نظارت که در واقع به درستی نسل بعدی هوش مصنوعی است،
مشکل این است که مجموعه خاصی از الگوهای بدون برچسب را به دسته های معنی دار گروه بندی کنید.
در یادگیری نظارت شده ، دو نوع برچسب مختلف وجود دارد: طبقه بندی و رگرسیون.
در یادگیری طبقه بندی ، هدف این است که اشیاء را به دسته های خاص ثابت طبقه بندی کنیم.
از طرف دیگر یادگیری رگرسیون سعی دارد که ارزش واقعی را پیش بینی کند.
ما ممکن است بخواهیم تغییرات در قیمت سهام را پیش بینی کنیم
هر دو روش می تواند برای به دست آوردن بینش استفاده شود.
از روش طبقه بندی برای تعیین میزان افزایش یا کاهش قیمت سهام استفاده می شود
و از روش رگرسیون برای پیش بینی میزان افزایش یا کاهش سهام استفاده می شود.
