دانلود زیگپ 
هوش مصنوعی (AI) اصطلاحی است برای استراتژی‌ها و تکنیک‌های مختلفی که می‌توانید برای شبیه‌تر کردن ماشین‌ها به کار ببرید. هوش مصنوعی شامل همه چیز از دستیارهای هوشمند مانند الکسا گرفته تا جاروبرقی‌های رباتیک و خودروهای خودران است.
یادگیری ماشینی (ML) یکی از شاخه‌های دیگر هوش مصنوعی است. یادگیری ماشینی علم توسعه الگوریتم‌ها و مدل‌های آماری است که سیستم‌های کامپیوتری برای انجام کارهای پیچیده بدون دستورالعمل‌های صریح از آن استفاده می‌کنند. در عوض سیستم‌ها بر الگوها و استنتاج تکیه می‌کنند.
سیستم‌های کامپیوتری از الگوریتم‌های ML برای پردازش مقادیر زیادی از داده‌های تاریخی و شناسایی الگوهای داده استفاده می‌کنند.
در حالی که یادگیری ماشینی زیرمجموعه هوش مصنوعی است، همه فعالیت‌های هوش مصنوعی یادگیری ماشینی نیستند.
شباهت‌های هوش مصنوعی و یادگیری ماشینی چیست؟
یادگیری ماشینی (ML) شاخه‌ای از هوش مصنوعی (AI) است که تمرکز محدودی دارد. اما هر دوی این زمینه‌ها فراتر از اتوماسیون و برنامه‌نویسی اولیه هستند تا خروجی‌هایی بر اساس تجزیه‌و‌تحلیل داده‌های پیچیده تولید کنند.
حل مسئله به شیوه انسان
راه حل‌های هوش مصنوعی و یادگیری ماشین برای کارهای پیچیده‌ای مناسب هستند که عموما شامل نتایج دقیق بر اساس دانش آموخته‌شده است.
به عنوان مثال، یک ماشین هوش مصنوعی خودران از دید کامپیوتری برای تشخیص اشیاء در میدان دید خود و دانش قوانین راهنمایی و رانندگی برای هدایت یک وسیله نقلیه استفاده می‌کند.
به عنوان مثال، یک الگوریتم یادگیری ماشینی قیمت‌گذاری ملک، دانش قیمت‌های فروش قبلی، شرایط بازار، نقشه‌های طبقه و مکان را برای پیش‌بینی قیمت یک خانه به کار می‌گیرد.
رشته‌های علوم کامپیوتر
هوش مصنوعی و یادگیری ماشین رشته‌هایی از علوم کامپیوتر هستند که بر ایجاد نرم‌افزاری تمرکز می‌کنند که داده‌ها را به روش‌های پیچیده تجزیه‌و‌تحلیل، تفسیر و درک می‌کند. دانشمندان در این زمینه‌ها تلاش می‌کنند تا یک سیستم کامپیوتری را برای انجام وظایف پیچیده‌ای که شامل خودآموزی است برنامه‌ریزی کنند. نرم‌افزاری که به خوبی طراحی شده باشد، وظایف را به همان سرعت یا سریع‌تر از یک شخص انجام می‌دهد.
کاربردهای بین صنعتی
کاربردهای هوش مصنوعی در تمام صنایع وجود دارد. می‌توانید از هوش مصنوعی برای بهینه‌سازی زنجیره‌های تامین، پیش‌بینی نتایج ورزشی، بهبود نتایج کشاورزی و شخصی‌سازی توصیه‌های مراقبت از پوست استفاده کنید.
کاربردهای یادگیری ماشینی نیز گسترده هستند. آن‌ها می توانند شامل برنامه‌ریزی پیش‌بینی تعمیر و نگهداری ماشین‌آلات، قیمت‌گذاری پویای سفرها، تشخیص تقلب بیمه‌ای، و پیش‌بینی تقاضای خرده‌فروشی باشند.
تفاوت‌های کلیدی هوش مصنوعی و یادگیری ماشینی
یادگیری ماشینی (ML) شاخه خاصی از هوش مصنوعی (AI) است. ML در مقایسه با هوش مصنوعی دامنه و تمرکز محدودی دارد. هوش مصنوعی شامل چندین استراتژی و فناوری است که خارج از محدوده یادگیری ماشینی هستند.
در اینجا چند تفاوت اساسی بین این دو وجود دارد.
اهداف
هدف هر سیستم هوش مصنوعی این است که یک ماشین یک کار پیچیده انسانی را به نحو احسن انجام دهد. چنین وظایفی ممکن است شامل یادگیری، حل مسئله و تشخیص الگو باشد.
از سوی دیگر، هدف یادگیری ماشینی این است که یک ماشین حجم زیادی از داده‌ها را تجزیه‌و‌تحلیل کند. این دستگاه از مدل‌های آماری برای شناسایی الگوها در داده‌ها و ایجاد نتیجه استفاده می‌کند. نتیجه دارای احتمال صحت یا درجه اطمینان مرتبط است.
روش‌ها
حوزه هوش مصنوعی شامل انواع روش‌های مورد استفاده برای حل مشکلات مختلف است. این روش‌ها شامل الگوریتم‌های ژنتیک، شبکه‌های عصبی، یادگیری عمیق، الگوریتم‌های جستجو، سیستم‌های مبتنی بر قوانین و خود یادگیری ماشینی است.
در یادگیری ماشینی، روش‌ها به دو دسته کلی تقسیم می‌شوند: یادگیری تحت نظارت و بدون نظارت. الگوریتم‌های نظارت‌شده یادگیری ماشینی یاد می‌گیرند که مسائل را با استفاده از مقادیر داده با برچسب ورودی و خروجی حل کنند. یادگیری بدون نظارت بیشتر اکتشافی است و سعی می‌کند الگوهای پنهان در داده‌های بدون برچسب را کشف کند.
پیاده‌سازی‌ها
فرایند ساخت یک راه حل یادگیری ماشینی معمولا شامل دو کار است:
- انتخاب و آماده‌سازی یک مجموعه داده آموزشی
- انتخاب یک استراتژی یا مدل ML از قبل‌موجود، مانند رگرسیون خطی یا درخت تصمیم
دانشمندان داده ویژگی‌های مهم داده را انتخاب و آن‌ها را به مدل برای آموزش وارد می‌کنند. آن‌ها به طور مداوم مجموعه داده را با داده‌های به‌روز و بررسی خطا اصلاح می‌کنند. کیفیت و تنوع داده‌ها دقت مدل یادگیری ماشینی را بهبود می‌بخشد.
ساخت یک محصول هوش مصنوعی معمولا فرایند پیچیده‌تری است، بنابراین بسیاری از مردم راه‌حل‌های هوش مصنوعی از پیش ساخته شده را برای رسیدن به اهداف خود انتخاب می‌کنند. این راه‌حل‌های هوش مصنوعی عموما پس از سال‌ها تحقیق توسعه یافته‌اند و توسعه‌دهندگان آن‌ها را برای ادغام با محصولات و خدمات از طریق APIها در دسترس قرار می‌دهند.
نیازمندی‌ها
راه‌حل‌های یادگیری ماشینی به مجموعه داده‌ای از چند صد‌نقطه داده برای آموزش، به علاوه قدرت محاسباتی کافی برای اجرا نیاز دارند. بسته به کاربرد و مورد استفاده شما، یک نمونه سرور یا یک خوشه سرور کوچک ممکن است کافی باشد.
سایر سیستم‌های هوشمند ممکن است نیازمندی‌های زیرساختی متفاوتی داشته باشند که به وظیفه‌ای که می‌خواهید انجام دهید و روش تحلیل محاسباتی مورد استفاده شما بستگی دارد. موارد استفاده محاسباتی بالا نیازمند چندین هزار ماشین برای دستیابی به اهداف پیچیده است.
با این حال، توجه به این نکته مهم است که هر دو عملکرد AI و ML از پیش ساخته شده در دسترس هستند. شما می‌توانید آن‌ها را از طریق API ها بدون نیاز به منابع اضافی در برنامه خود ادغام کنید.
یک سازمان برای شروع با هوش مصنوعی و یادگیری ماشینی به چه چیزی نیاز دارد؟
اگر می‌خواهید از هوش مصنوعی (AI) یا یادگیری ماشینی (ML) استفاده کنید، با تعریف مشکلاتی که می‌خواهید حل کنید یا سؤالاتی را که می‌خواهید بررسی کنید، شروع کنید. هنگامی که فضای مشکل را شناسایی کردید، می توانید فناوری AI یا ML مناسب را برای حل آن تعیین کنید. مهم است که نوع و اندازه داده های آموزشی موجود را در نظر بگیرید و قبل از شروع، داده ها را از قبل پردازش کنید.
منبع : گوگل