Jasalma intellekt anıqlaması

Jasalma intellekt anıqlaması

Jasalma intellekt - bul kompyuterler hám mashinalardı ádette adamzat intellektin talap etetuǵın yamasa adamlar analiz qıla almaytuǵın dárejede úlken kólemdegi maǵlıwmatlardı qamtıytuǵın oylawǵa, úyreniw hám háreketlesiwge qábiletli etip jaratıw menen baylanıslı ilim tarawı.

Jasalma intellekt - bul kompyuter ilimleri, maǵlıwmatlar analitikası hám statistika, apparatlıq hám programmalıq támiyinlew, lingvistika, neyroilim, hám hátte filosofiya hám psixologiyanı óz ishine alatuǵın keń taraw.

Biznes maqsetlerinde operaciyalıq dárejede jasalma intellekt - bul tiykarınan mashinalıq úyreniw hám tereń úyreniwge tiykarlanǵan, maǵlıwmatlar analitikası, boljaw hám aldınnan kóriw, obyektlerdi kategoriyalastırıw, tábiyiy tildi qayta islew, usınıslar beriw, intellektual maǵlıwmatlardı izlew hám basqalar ushın qollanılatuǵın texnologiyalar jıyındısı.

Jasalma intellekt qalay isleydi?

Jasalma intellekt texnikalarınıń ózgeshelikleri hár qıylı bolsa da, tiykarǵı princip maǵlıwmatlar dógereginde aylanadı. Jasalma intellekt sistemaları ádetde adamlar kórip jetpeytuǵın nızamlılıqlardı hám baylanıslardı anıqlay otırıp, úlken kólemdegi maǵlıwmatlardı úyreniw arqalı úyrenedi hám jetilisedi.

Bul úyreniw procesi kóbinese algoritmlerdi óz ishine aladı, olar jasalma intellekttiń analizi hám sheshim qabıl etiwine baǵdar beretuǵın qaǵıydalar yamasa kórsetpeler jıyındısı bolıp tabıladı. Mashinalıq oqıtıwda, jasalma intellekttiń keń tarqalǵan bóliminde, algoritmler boljawı yamasa maǵlıwmatlardı kategoriyalastırıw ushın belgili yamasa belgisiz maǵlıwmatlar tiykarında úyretiledi.

Tereń oqıtıw, qosımsha qánigelesiw, maǵlıwmatlardı qayta islew ushın kóp qatlamlı jasalma neyron tarmaqlarınan paydalanıp, adam miyiniń dúzilisi hám funkciyasına eliklep isleydi. Úzliksiz Oqıtıw hám beyimlesiw arqalı jasalma intellekt sistemaları súwretlerdi tanıwdan baslap tillerdi awdarıwǵa shekem hám onnan da kóbirek arnawlı wazıypalardı orınlawda barǵan sayın sheberlesedi.

Jasalma intellekt penen jumıs islewdi úyreniwdi qáleysiz be? Jasalma intellektke [baslanǵıshlar ushın biypul kirisip](https://www.cloudskillsboost.google/paths/118??utm_source=cgc- site&utm_medium=et&utm_campaign=FY24-Q2-global-website- skillsboost&utm_content=developers&utm_term=-)eni alıń.

Jasalma intellekt túrleri

Jasalma intellekt rawajlanıw basqıshlarına yamasa orınlanatuǵın háreketlerge baylanıslı bir neshe usıllar menen shólkemlestiriliwi múmkin.

Mısalı, jasalma intellekttiń rawajlanıwınıń tórt basqıshı kóbinese tán alınadı.

1.Reakciyalı mashinalar: Tek aldınnan programmalanǵan qaǵıydalar tiykarında hár qıylı tásirlerge reakciya kórsetiwshi sheklengen jasalma intellekt. Yadtı paydalanbaydı hám sonlıqtan jańa maǵlıwmatlar menen úyrene almaydı. 1997-jılı shaxmat chempionı Garri Kasparovtı jeńgen IBM kompaniyasınıń Deep Blue atlı mashinası reakciyalı mashinaǵa mısal bola aladı.

2.Sheklengen yad: Házirgi zamandaǵı kópshilik jasalma intellektler sheklengen yadlı dep esaplanadı. Ol waqıt ótiwi menen jańa maǵlıwmatlar menen úyretiw arqalı jetilisiwi ushın yadtı paydalana aladı, ádetde bul jasalma neyron tarmaqları yamasa basqa úyretiw modelleri arqalı ámelge asırıladı. Mashinalıq oqıtıwdıń bir bólimi bolǵan tereń oqıtıw sheklengen yadlı jasalma intellekt dep esaplanadı.

3.Aqıl teoriyası: Aqıl teoriyası jasalma intellektti házirgi waqıtta ele bar emes, biraq onıń imkániyatların izertlew dawam etpekte. Bul adam aqılın modellestire alatuǵın hám adamǵa teń sheshim qabıl etiw qábiletin, sonıń ishinde emociyalardı tanıw hám este saqlawdı hám sociallıq jaǵdaylarda adam sıyaqlı reakciya kórsetiwdi óz ishine alatuǵın jasalma intellektti táriyipleydi.

4.Ózin-ózi ańlaw: Aqıl teoriyası jasalma intellektinen bir basqısh joqarı, óz-ózin ańlawshı jasalma intellekt óz barlıǵın ańlaytuǵın hám adamnıń intellektual hám emocional qábiletlerine iye bolǵan ápsanalıq mashinanı táriyipleydi. Aqıl teoriyası jasalma intellekti sıyaqlı, óz-ózin ańlawshı jasalma intellekt te házirgi waqıtta bar emes.

Jasalma intellekt túrlerin keń kólemde kategoriyalastırıwdıń qolaylıraq usılı - mashinanıń neni isleytuǵınına qaraw. Házirgi waqıtta jasalma intellekt dep atalatuǵınnıń barlıǵı jasalma "tar" intellekt dep esaplanadı, yaǵnıy ol tek óz programmalastırılıwı hám úyretilgenine tiykarlanǵan tárepler toplamın ǵana orınlay aladı. Mısalı, obyektlerdi klassifikaciyalaw ushın paydalanılatuǵın jasalma intellekt algoritmi tábiyiy tildi qayta islewdi orınlay almaydı. Google Search - bul tar jasalma intellekttiń bir túri, sonday-aq boljaw analitikası yamasa virtual járdemshiler de usınday.

Ulıwma jasalma intellekt (AGI) mashinanıń adam sıyaqlı "seziwi, oylanıwı hám háreket etiwi" qábileti boladı. AGI házirgi waqıtta ele bar emes. Keyingi basqısh jasalma super intellekt (ASI) boladı, bunda mashina barlıq tárepler boyınsha adamnan joqarı dárejede islewge qábiletli boladı.

Jasalma intellekt úyretiw modelleri

Biznesler jasalma intellekt haqqında sóz etkende, kóbinese "úyretiw maǵlıwmatları" haqqında aytadı. Biraq bul neni ańlatadı? Sheklengen yadlı jasalma intellekttiń jańa maǵlıwmatlar menen úyretiliw arqalı waqıt ótiwi menen jetilisetuǵının este tutıń. Mashinalıq oqıtıw - bul nátiyje alıw ushın maǵlıwmatlardı úyretiw ushın algoritmlerdi paydalanatuǵın jasalma intellekttiń bir bólimi.

Ulıwma kóriniste, mashinalıq oqıtıwda úsh túrli úyretiw modeli jiyі qollanıladı:

Baqlawlı úyreniw - bul belgilengen úyretiw maǵlıwmatların (strukturalanǵan maǵlıwmatlar) paydalanıp, belgili bir kiriwdi shıǵıwǵa sáykeslestiretuǵın mashinalıq úyreniw modeli. Ápiwayı túsindirgende, algoritmdi pıshıqlardıń súwretlerin tanıwǵa úyretiw ushın, oǵan pıshıq dep belgilengen súwretler beriledi.

Baqlawsız úyreniw - bul belgilenbegen maǵlıwmatlar (strukturalanbaǵan maǵlıwmatlar) tiykarında nızamlılıqlardı úyrenetuǵın mashinalıq oqıtıw modeli. Baqlawlı úyreniwden parqlı, aqırǵı nátiyje aldın ala belgili emes. Kerisinshe, algoritm maǵlıwmatlardı úyrenedi, olardı qásiyetlerine qarap toparlarǵa bóledi. Mısalı, baqlawsız úyreniw nızamlılıqlardı tabıwda hám táriyiplewshi modellestiriwde jaqsı nátiyje beredi.

Baqlawlı hám baqlawsız úyreniwden tısqarı, yarım baqlawlı úyreniw dep atalatuǵın aralaspa usıl da jiyі qollanıladı, bunda tek geybirewleri belgilengen maǵlıwmatlar paydalanıladı. Yarım baqlawlı úyreniwde aqırǵı nátiyje belgili, biraq algoritm qálegen nátiyjelerge erisiwi ushın maǵlıwmatlardı qalay shólkemlestiriw hám strukturalawdı ózi anıqlawı kerek.

Kúsheytiwshi úyreniw - bul keń mániste "islew arqalı úyreniw" dep táriyipleniwi múmkin bolǵan mashinalıq oqıtıw modeli. "Agent" belgilengen wazıypanı orınlawdı onıń

islewi qálewli shegaraǵa jetkeninshe sınaw hám qátelikler (keri baylanıs ilmegi) arqalı úyrenedi. Agent wazıypanı jaqsı orınlaǵanda oń kúsheytiwdi aladı hám jaman orınlaǵanda terіs kúsheytiwdi aladı. Kúsheytiwshi úyreniwge mısal retinde robotlı qoldı toptı kóteriwge úyretiwdi keltiriw múmkin.

Jasalma neyron tarmaqlarınıń keń tarqalǵan túrleri

Jasalma intellektte keń tarqalǵan úyretiw modeli - bul adam miyine tiykarlanǵan jasalma neyron tarmaqları.

Neyron tarmaq - bul maǵlıwmatlardı klassifikaciyalaw hám analiz qılıw ushın qollanılatuǵın esaplaw túyinleri bolǵan jasalma neyronlar - geyide perceptronlar dep ataladı - sisteması. Maǵlıwmatlar neyron tarmaqtıń birinshi qatlamına kirgiziledi, bunda hár bir perceptron sheshim qabıl etedi, keyin bul maǵlıwmatlardı keyingi qatlamdaǵı bir neshe túyinge ótkeredi. Úshten artıq qatlamı bar úyretiw modelleri "tereń neyron tarmaqları" yamasa "tereń úyreniw" dep ataladı. Geybirewleri házirgi zaman neyron tarmaqlarında júzlegen yamasa mıńlaǵan qatlamlar bar. Aqırǵı perceptronlardıń shıǵıwı neyron tarmaqqa qoyılǵan wazıypanı orınlaydı, mısalı, obyektti klassifikaciyalaw yamasa maǵlıwmatlardaǵı nızamlılıqlardı tabıw.

Siz ushırasıwıńız múmkin bolǵan eń keń tarqalǵan jasalma neyron tarmaqlarınıń túrlerine tómendegiler kiredi:

Aldıǵa baǵdarlanǵan neyron tarmaqları (FF) - bul neyron tarmaqlarınıń eń eski formaları, bunda maǵlıwmatlar jasalma neyronlar qatlamları arqalı bir baǵıtta aǵıp ótedi hám nátiyje alınadı. Házirgi waqıtta, kópshilik aldıǵa baǵdarlanǵan neyron tarmaqları bir neshe qatlamlı (hám birden artıq "jasırın" qatlamlı) "tereń aldıǵa baǵdarlanǵan" dep esaplanadı. Aldıǵa baǵdarlanǵan neyron tarmaqları ádetde "keri tarqalıw" dep atalatuǵın qátelikti dúzetiw algoritmi menen birge qollanıladı, ápiwayı túsindirgende, bul algoritm neyron tarmaqtıń nátiyjesi menen baslanıp, bastan-aq izge qaray islep, neyron tarmaqtıń anıqlıǵın jaqsılaw ushın qáteliklerdi tabadı. Kóp ápiwayı, biraq kúshli neyron tarmaqları tereń aldıǵa baǵdarlanǵan bolıp tabıladı.

Qaytalanatuǵın neyron tarmaqları (RNN) aldıǵa baǵdarlanǵan neyron tarmaqlarınan ózgesheligi, olar ádetde waqıt qatarı maǵlıwmatların yamasa izbe-izlikti qamtıytuǵın maǵlıwmatlardı paydalanıwında. Aldıǵa baǵdarlanǵan neyron tarmaqlarınan parqlı, olar tarmaqtıń hár bir túyininde salmaqlardı paydalanıwı menen, qaytalanatuǵın neyron tarmaqları házirgi qatlamınıń shıǵıwına baylanıslı bolǵan aldıńǵı qatlamda ne bolǵanı haqqında "este saqlaytuǵın" qábiletke iye. Mısalı, tábiyiy tildi qayta islewdi ámelge asırǵanda, RNN gápte qollanılǵan basqa sózlerdi "este saqlay aladı". RNN kóbinese sózdi tanıw, awdarıw hám súwretlerge jazıwlar jazıw ushın qollanıladı.

Uzaq/qısqa múddetli yad (LSTM) - bul aldıńǵı qatlamlarda ne bolǵanın "este saqlawı" ushın yadtı paydalana alatuǵın RNN nıń rawajlanǵan forması. RNN hám LSTM arasındaǵı parq, LSTM "yad kameraları"n paydalanıw arqalı bir neshe qatlam aldın ne bolǵanın este saqlay aladı. LSTM kóbinese sózdi tanıwda hám boljaw jaratıw ushın qollanıladı.

Úyirtkili neyron tarmaqları (CNN) házirgi zaman jasalma intellektindegi eń keń tarqalǵan neyron tarmaqlarınıń bazıların óz ishine aladı. Kóbinese súwretlerdi tanıw ushın qollanıladı, CNN bir neshe ózgeshe qatlamlardı (úyirtkili qatlam, keyin jıynaqlaw qatlamı) paydalanıp, súwrettiń hár qıylı bóleklerin filtirleydi, keyin onı qaytadan biriktiredi (tolıq baylanısqan qatlamda). Dáslepki úyirtkili qatlamlar súwrettiń ápiwayı belgilerin, mısalı reńler hám shegara sızıqların izlewi múmkin, keyin qosımsha qatlamlarda quramalı belgilerin izlewden aldın.

Generativlik qarsılas tarmaqlar (GAN) aqır-aqıbetinde shıǵıwdıń anıqlıǵın jaqsılaytuǵın oyında bir-birine qarsı gúresiwshi eki neyron tarmaqtı óz ishine aladı. Bir tarmaq (generator) mısallar jaratadı, ekinshisi (diskriminator) olardı haqıyqıy yamasa jalǵan ekenin anıqlawǵa háreket etedi. GAN haqıyqıyǵa uqsas súwretler jaratıw hám hátte kórkem óner dóretiw ushın qollanılǵan.

Derek: https://cloud.google.com/learn/what-is-artificial-intelligence?hl=ru

INGLISSHE TEKST:

Artificial intelligence defined

Artificial intelligence is a field of science concerned with building computers and machines that can reason, learn, and act in such a way that would normally require human intelligence or that involves data whose scale exceeds what humans can analyze.

AI is a broad field that encompasses many different disciplines, including computer science, data analytics and statistics, hardware and software engineering, linguistics, neuroscience, and even philosophy and psychology.

On an operational level for business use, AI is a set of technologies that are based primarily on machine learning and deep learning, used for data analytics, predictions and forecasting, object categorization, natural language processing, recommendations, intelligent data retrieval, and more.

How does AI work?

While the specifics vary across different AI techniques, the core principle revolves around data. AI systems learn and improve through exposure to vast amounts of data, identifying patterns and relationships that humans may miss.

This learning process often involves algorithms, which are sets of rules or instructions that guide the AI's analysis and decision-making. In machine learning, a popular subset of AI, algorithms are trained on labeled or unlabeled data to make predictions or categorize information.

Deep learning, a further specialization, utilizes artificial neural networks with multiple layers to process information, mimicking the structure and function of the human brain. Through continuous learning and adaptation, AI systems become increasingly adept at performing specific tasks, from recognizing images to translating languages and beyond.

Want to learn how to get started with AI? Take the free beginner's introduction to generative AI.

Types of artificial intelligence

Artificial intelligence can be organized in several ways, depending on stages of development or actions being performed.

For instance, four stages of AI development are commonly recognized.

1.Reactive machines: Limited AI that only reacts to different kinds of stimuli based on preprogrammed rules. Does not use memory and thus cannot learn with new data. IBM’s

Deep Blue that beat chess champion Garry Kasparov in 1997 was an example of a reactive machine.

2.Limited memory: Most modern AI is considered to be limited memory. It can use memory to improve over time by being trained with new data, typically through an artificial neural network or other training model. Deep learning, a subset of machine learning, is considered limited memory artificial intelligence.

3.Theory of mind: Theory of mind AI does not currently exist, but research is ongoing into its possibilities. It describes AI that can emulate the human mind and has decisionmaking capabilities equal to that of a human, including recognizing and remembering emotions and reacting in social situations as a human would.

4.Self aware: A step above theory of mind AI, self-aware AI describes a mythical machine that is aware of its own existence and has the intellectual and emotional capabilities of a human. Like theory of mind AI, self-aware AI does not currently exist.

A more useful way of broadly categorizing types of artificial intelligence is by what the machine can do. All of what we currently call artificial intelligence is considered artificial “narrow” intelligence, in that it can perform only narrow sets of actions based on its programming and training. For instance, an AI algorithm that is used for object classification won’t be able to perform natural language processing. Google Search is a form of narrow AI, as is predictive analytics, or virtual assistants.

Artificial general intelligence (AGI) would be the ability for a machine to “sense, think, and act” just like a human. AGI does not currently exist. The next level would be artificial superintelligence (ASI), in which the machine would be able to function in all ways superior to a human.

Artificial intelligence training models

When businesses talk about AI, they often talk about “training data.” But what does that mean?

Remember that limited-memory artificial intelligence is AI that improves over time by being trained with new data. Machine learning is a subset of artificial intelligence that uses algorithms to train data to obtain results.

In broad strokes, three kinds of learnings models are often used in machine learning:

Supervised learning is a machine learning model that maps a specific input to an output using labeled training data (structured data). In simple terms, to train the algorithm to recognize pictures of cats, feed it pictures labeled as cats.

Unsupervised learning is a machine learning model that learns patterns based on unlabeled data (unstructured data). Unlike supervised learning, the end result is not known ahead of time. Rather, the algorithm learns from the data, categorizing it into groups based on attributes. For instance, unsupervised learning is good at pattern matching and descriptive modeling.

In addition to supervised and unsupervised learning, a mixed approach called semi-supervised learning is often employed, where only some of the data is labeled. In semi-supervised learning, an end result is known, but the algorithm must figure out how to organize and structure the data to achieve the desired results.

Reinforcement learning is a machine learning model that can be broadly described as “learn by doing.” An “agent” learns to perform a defined task by trial and error (a feedback loop) until its performance is within a desirable range. The agent receives positive reinforcement when it performs the task well and negative reinforcement when it performs poorly. An example of reinforcement learning would be teaching a robotic hand to pick up a ball.

Common types of artificial neural networks

A common type of training model in AI is an artificial neural network, a model loosely based on the human brain.

A neural network is a system of artificial neurons—sometimes called perceptrons—that are computational nodes used to classify and analyze data. The data is fed into the first layer of a neural network, with each perceptron making a decision, then passing that information onto multiple nodes in the next layer. Training models with more than three layers are referred to as

“deep neural networks” or “deep learning.” Some modern neural networks have hundreds or thousands of layers. The output of the final perceptrons accomplish the task set to the neural network, such as classify an object or find patterns in data.

Some of the most common types of artificial neural networks you may encounter include:

Feedforward neural networks (FF) are one of the oldest forms of neural networks, with data flowing one way through layers of artificial neurons until the output is achieved. In modern days, most feedforward neural networks are considered “deep feedforward” with several layers (and more than one “hidden” layer). Feedforward neural networks are typically paired with an errorcorrection algorithm called “backpropagation” that, in simple terms, starts with the result of the neural network and works back through to the beginning, finding errors to improve the accuracy of the neural network. Many simple but powerful neural networks are deep feedforward.

Recurrent neural networks (RNN) differ from feedforward neural networks in that they typically use time series data or data that involves sequences. Unlike feedforward neural networks, which use weights in each node of the network, recurrent neural networks have

“memory” of what happened in the previous layer as contingent to the output of the current layer. For instance, when performing natural language processing, RNNs can “keep in mind” other words used in a sentence. RNNs are often used for speech recognition, translation, and to caption images.

Long/short term memory (LSTM) is an advanced form of RNN that can use memory to

“remember” what happened in previous layers. The difference between RNNs and LSTM is that LSTM can remember what happened several layers ago, through the use of “memory cells.”

LSTM is often used in speech recognition and making predictions.

Convolutional neural networks (CNN) include some of the most common neural networks in modern artificial intelligence. Most often used in image recognition, CNNs use several distinct

layers (a convolutional layer, then a pooling layer) that filter different parts of an image before putting it back together (in the fully connected layer). The earlier convolutional layers may look for simple features of an image, such as colors and edges, before looking for more complex features in additional layers.

Generative adversarial networks (GAN) involve two neural networks competing against each other in a game that ultimately improves the accuracy of the output. One network (the generator) creates examples that the other network (the discriminator) attempts to prove true or false. GANs have been used to create realistic images and even make art.