色控传媒

O que é aprendizado de máquina (Machine Learning)?

Aprendizado de máquina é um subcampo da inteligência artificial que lida com algoritmos de computa??o que podem ser melhorados via dados de treinamento sem programa??o explícita. ? considerado o caminho mais promissor para alcan?ar a inteligência artificial verdadeiramente próxima à humana.?

Algoritmos de aprendizado de máquina podem ser classificados, de maneira geral, em três categorias:

• Aprendizagem supervisionada: S?o feitas entradas de rótulos e exemplos atuais a respectiva saída desejada e isso permite ao algoritmo aprender as regras que mapeiam entradas e saídas.??
• Aprendizagem n?o supervisionada: Os rótulos n?o s?o fornecidos e, portanto, o algoritmo pode encontrar sua própria estrutura de processamento das entradas (por exemplo, encontrando padr?es ocultos nos dados).
• Aprendizagem por refor?o: O algoritmo interage repetidamente com um ambiente din?mico com um objetivo específico como, por exemplo, ganhar um jogo ou dirigir um carro. O algoritmo chega à solu??o mais otimizada para o problema por meio de repetidos erros e tentativas.

Neste artigo, apresentaremos uma breve vis?o geral de aprendizado de máquina e aprendizagem profunda, além das diferen?as entre os dois conceitos.

O que é aprendizagem profunda?

Aprendizagem profunda é um ramo do aprendizado de máquina que usa redes neurais artificiais para se aproximar da inteligência humana. Inspirada pelos neur?nios humanos, a aprendizagem profunda usa a teoria dos grafos para organizar algoritmos ponderados em camadas de vértices e arestas. Os algoritmos da aprendizagem profunda s?o ótimos em processar dados n?o estruturados, como imagens ou linguagem.?

Tecnicamente, para ser classificada como profunda, a rede neural precisa conter camadas ocultas entre as camadas de entrada e saída da perceptron, que é a estrutura base de uma rede neural. Essas camadas s?o consideradas ocultas porque n?o têm conex?o com o mundo exterior. Exemplos de arquiteturas de aprendizagem profunda incluem:

• Redes neurais sem realimenta??o ou redes neurais feedforward (FF):?os dados trafegam em uma dire??o desde a camada de entrada, passando pelas camadas ocultas, até a camada de saída; todos os vértices est?o conectados e os dados nunca retomam o ciclo nas camadas ocultas. A rede feedforward é usada na compacta??o de dados e no processamento básico de imagens.?
• Redes neurais recorrentes (RNN, Recurrent Neural Networks):?um tipo de rede feedforward que adiciona um tempo de espera às camadas ocultas, o que permite o acesso à informa??es anteriores durante uma itera??o corrente. Esse loop de feedback se aproxima da memória, o que torna as RNNs adequadas para processamento de linguagem.? Um bom exemplo disso é o texto preditivo que se baseia em palavras usadas com mais frequência para personalizar as sugest?es.?
• Redes neurais convolucionais (CCN, Convolutional neural networks):?convolu??o é uma opera??o matemática em duas fun??es que produz uma terceira, descrevendo como uma é modificada pela outra. Usada principalmente para reconhecimento e classifica??o de imagens, as CNNs s?o os “olhos” da inteligência artificial. As camadas ocultas em uma CNN agem como filtros matemáticos usando a soma ponderada para identificar arestas, cores, contraste e outros elementos de um pixel.

Aprendizado de máquina vs. aprendizagem profunda

A aprendizagem profunda é considerada um subgrupo do aprendizado de máquina. A principal diferen?a entre algoritmos da aprendizagem profunda e do aprendizado de máquina é o uso de redes neurais artificiais. E a principal característica que faz uma rede neural ser considerada profunda é a presen?a de camadas ocultas entre as camadas de entrada e saída que constituem uma perceptron básica.

Benefícios da aprendizagem profunda

Os algoritmos da aprendizagem profunda s?o adequados para processar dados n?o estruturados, desde que haja capacidade de processamento para isso. Isso dá à aprendizagem profunda uma vantagem sobre algoritmos de aprendizado de máquina quando se trata de aprendizagem n?o supervisionada e por refor?o. Os recentes avan?os em inteligência artificial s?o decorrentes do aumento da viabilidade das redes neurais de aprendizagem profunda, gra?as às melhorias na capacidade de processamento e armazenamento de dados.

Como a 色控传媒 potencializa os aplicativos de aprendizado de máquina

A 色控传媒? está em posi??o única tanto para aproveitar quanto para dar suporte ao mundo da inteligência artificial. As redes neurais de aprendizagem profunda demandam grande volume de dados rápidos. As solu??es de armazenamento totalmente flash da Pure combinam o desempenho da memória flash 100% NVMe com análise preditiva com inteligência artificial para oferecer uma Modern Data Experience?. Com a Pure, é possível:

• Consolidar silos de armazenamento de dados em um?data hub unificado.
• Acelerar o tempo dos insights com?análise de log/em tempo real.
• Experimentar o futuro do gerenciamento de armazenamento de dados com inteligência artificial usando o Pure1 Meta?.
• Potencializar suas solu??es de inteligência artificial com a?AIRI?, uma solu??o de infraestrutura pronta para inteligência artificial, de pilha completa, da 色控传媒 e NVIDIA.
• Obter suporte de pilha completa para o ciclo de vida de inteligência artificial e aprendizado de máquina com a?FlashStack?, uma solu??o de infraestrutura convergente desenvolvida em parceria com a Cisco.