Unsupervised Learning: Crash Course AI #6

00:12:35
https://www.youtube.com/watch?v=JnnaDNNb380

摘要

TLDRVideoen præsenterer grundlæggende koncepter inden for kunstig intelligens, specifikt overvåget og ikke-overvåget læring. Den forklarer, hvordan mennesker lærer gennem observation og mønstergenkendelse uden en lærer, og hvordan computere kan anvende lignende metoder. Gennem eksempler som klassificering af blomster og billedgenkendelse illustreres, hvordan ikke-overvåget læring fungerer ved at gruppere data baseret på ligheder. Videoen afslutter med en henvisning til Wix som en platform til at oprette hjemmesider.

心得

  • 🤖 AI kan lære uden en lærer.
  • 🌼 Ikke-overvåget læring grupperer data.
  • 📊 Mennesker lærer ved at observere mønstre.
  • 🌍 Verden omkring os er en lærer.
  • 🌸 Eksempler på ikke-overvåget læring inkluderer blomsterklassificering.
  • 🖼️ Billedgenkendelse bruger ikke-overvåget læring.
  • 🔍 Clustering hjælper med at finde ligheder i data.
  • 📈 AI kan analysere store datamængder.
  • 🧠 Menneskelig hjerne er designet til ikke-overvåget læring.
  • 💻 Wix tilbyder værktøjer til at oprette hjemmesider.

时间轴

  • 00:00:00 - 00:05:00

    I denne video introducerer Gabriel emnet for kunstig intelligens og fokuserer på forskellen mellem overvåget og uovervåget læring. Han forklarer, hvordan mennesker lærer både med og uden en lærer, og hvordan computere også kan lære uden supervision ved at finde mønstre i data. Eksempler som at observere hunde og elefanter eller lære sportsregler ved at se på spil illustrerer dette koncept. Gabriel nævner også Siri som et eksempel på uovervåget læring, hvor computeren kan forudsige og lære fra data uden menneskelig indgriben.

  • 00:05:00 - 00:12:35

    I den anden del af videoen forklarer Gabriel, hvordan uovervåget læring kan anvendes til at gruppere data, som i eksemplet med irisblomster. Han beskriver, hvordan man kan måle egenskaber som længde og bredde af blomsterblade for at finde grupper af blomster. Gabriel introducerer K-means algoritmen som en metode til at finde disse grupper og forklarer, hvordan modellen justerer sig selv baseret på de data, den observerer. Han afslutter med at nævne, at uovervåget læring er en vigtig del af AI-forskning og hvordan det kan anvendes til at finde mønstre i billeder og sprog.

思维导图

视频问答

  • Hvad er forskellen mellem overvåget og ikke-overvåget læring?

    Overvåget læring involverer en lærer, der giver data med etiketter, mens ikke-overvåget læring finder mønstre i data uden etiketter.

  • Hvordan lærer mennesker uden en lærer?

    Mennesker lærer ved at observere og finde mønstre i verden omkring dem.

  • Hvad er clustering i ikke-overvåget læring?

    Clustering er processen med at gruppere data i kategorier baseret på ligheder.

  • Hvordan kan AI bruge ikke-overvåget læring?

    AI kan analysere store mængder data for at finde mønstre og lave forudsigelser uden menneskelig indgriben.

  • Hvad er et eksempel på ikke-overvåget læring?

    Et eksempel er at klassificere blomster i forskellige grupper baseret på deres egenskaber.

  • Hvad er en autoencoder?

    En autoencoder er en type neural netværk, der bruges til at lære repræsentationer af data ved at forsøge at genskabe inputdata.

  • Hvordan kan ikke-overvåget læring anvendes i billedgenkendelse?

    Det kan bruges til at finde mønstre i billeder og gruppere dem baseret på ligheder.

  • Hvad er formålet med ikke-overvåget læring?

    Formålet er at forstå og modellere verden uden at have brug for foruddefinerede etiketter.

  • Hvad er betydningen af at finde mønstre i data?

    At finde mønstre hjælper med at forstå data bedre og kan føre til nye indsigter.

  • Hvordan kan jeg lære mere om kunstig intelligens?

    Du kan følge kurser som Crash Course AI for at få en bedre forståelse af emnet.

查看更多视频摘要

即时访问由人工智能支持的免费 YouTube 视频摘要！
字幕
ar
自动滚动:
  • 00:00:00
    .شكراً لويكس لدعم إستديوهات (بي بي اس) الرقمية
  • 00:00:02
    مرحباً،أنا جابريل ارحب بكم في الذكاء الصناعي لقناة
  • 00:00:06
    .كراش كورس
  • 00:00:07
    قد ركزنا حتي الان في سلسة الذكاء الصناعي بإستخدام التعليم بإشراف
  • 00:00:12
    تحتاج هذه البرامج إلي معلم يستخدم بيانات مسماة لأخبارهم "الصواب" من "الخطا"
  • 00:00:17
    ونحن البشر لدينا أماكن حيث يتم التعليم بإشراف كالفصول الدراسية بمعلمين
  • 00:00:22
    لكن هذة ليست الطريقة الوحيدة التي نتعلم بها
  • 00:00:24
    يمكننا أيضًا تعلم الكثير من الأشياء بمفردنا من خلال العثور علي أنماط العالم
  • 00:00:28
    يمكننا النظر إلي الكلاب و الفيلة و معرفة أنها حيوانات مختلفة دون أن يخبرنا أحد
  • 00:00:33
    .أو معرفة قواعد الرياضة بمجرد مشاهدة الناس و هم يلعبون
  • 00:00:38
    هذا النوع من التعلم بلا معلم يسمي التعليم بلا إشراف
  • 00:00:42
    .وفي بعض الحالات يمكن للكمبيوتر القيام بذلك أيضًا
  • 00:00:45
    سيري،مساعد أبل الإلكترونية اصدرت في فبراير 2010 كا تطبيق 4s و لاحقا في اكتوبر 2011 اصبحت جزء من ايفون
  • 00:00:47
    .انشأت ديناميكيات بوسطن أول إنسان ألي يسمي بيك
  • 00:00:48
    هل نحن حقيقيون أم ذكاء صناعي؟
  • 00:00:51
    الذكاء الصناعي كراش كورس
  • 00:00:54
    إن الفرق الأساسي بين التعليم بإشراف و التعليم بلا إشراف
  • 00:00:57
    .هو ما نحاول توقعه
  • 00:00:59
    في التعليم بإشراف نحاول بناء نموذج لتوقع إجابة أو مسمي .يقدمه المعلم
  • 00:01:05
    في التعليم بلا إشراف بدلاً من معلم في الواقع يقدم العالم من .من حولنا بيانات مسماة
  • 00:01:11
    مثلا، إذا قمت بتجميد هذا الفيديو الخاص بكرة التنس الأن
  • 00:01:15
    هل يمكنك رسم ما يمكن أن يكون الإطار التالي؟
  • 00:01:18
    التعلم بلا إشراف يدور حول نمذجة العالم من خلال التخمين مثل هذا وهو أمر مفيد
  • 00:01:22
    .لأننا لا نحتاج إلي مسميات يقدمها معلم
  • 00:01:25
    إن الأطفال يفعلون الكثير من التعليم بلا إشراف من خلال مشاهدة الناس و تقليدهم
  • 00:01:28
    و نود أن تكون أجهزة الكمبيوتر قادرة علي ذلك أيضًا
  • 00:01:33
    و هذا يتيح لنا استخدام الكثير من البيانات المتاحة .بحرية في العالم أو علي الإنترنت
  • 00:01:38
    AIفي حالات كثيرة واحدة من أسهل الطرق لفهم كيف يمكن ل
  • 00:01:42
    استخدام التعلم بلا إشراف هي القيام بذلك بأنفسنا
  • 00:01:45
    فلننظر إلي بعض صور الزهور التي لاتحمل مسميات
  • 00:01:48
    الطريقة الأساسية لنمذجة العالم هي أن نفترض أنه يتألف من مجموعات متميزة
  • 00:01:53
    من أشياء تتشارك خواص
  • 00:01:55
    إذا،مثلا،كم عدد أنواع الزهور هنا؟
  • 00:01:59
    يمكننا القول أن هناك أثنان لأن هناك لونين أرجواني و أصفر
  • 00:02:03
    أو يمكننا النظر علي أشكال البتلات و تقسميها إلي بتلات مستديرة و رأسية طويلة
  • 00:02:08
    أو ربما لدينا الخبرة في الزهور و نتدرك أن اثنين منهم نبات الزنبق
  • 00:02:12
    واحدة دوار الشمس و الأخيرة زهرة أقحوان فهناك ثلاث أنواع
  • 00:02:16
    التعرف فورًا علي خصائص مختلفة مثل هذة و إنشاء فئات يسمي
  • 00:02:21
    تجميع بلا إشراف
  • 00:02:23
    ليس لدينا تسميات يقدمها معلم و لكن لدينا افتراض أساسي عن
  • 00:02:28
    العالم الذي نستعرضه بعض الكائنات تشبه بعضها أكثر من غيرها
  • 00:02:32
    يمكننا برمجة أجهزة الكمبيوتر لإجراء التجميع
  • 00:02:35
    و لكن للقيام بذلك نحتاج إلي اختيار بعض خصائص الزهور التي نهتم بالنظر إليها
  • 00:02:40
    .مثل كيفية اختيرنا الألوان أو الأشكال الأن
  • 00:02:43
    مثال أكثر واقعية دعونا نقول أنني اشتريت رزمة من بذور السوسن لزرعتها في حديقتي
  • 00:02:49
    بعد أن تفتحت الزهور يبدو أن هناك العديد من أنواع عديدة من السوسن المختلطة
  • 00:02:54
    في تلك الحزمة الواحدة
  • 00:02:56
    AI أنا لست خبير ولكن يمكنني استخدام لمساعدتي في تحليل حديقتي
  • 00:03:00
    لإنشاء نموذج يجب أن نجيب علي سؤالين رئيسيين
  • 00:03:05
    أولاً،ما هي الملاحظات التي يمكننا قياسها؟
  • 00:03:07
    كل هذة الزهور أرجوانية لذا ربما لا تكون هذة هي الطريقة الأفضل للتفريق بينهما
  • 00:03:13
    و لكن يبدو أن السوسن لديهم البتلات أطوالها وعروضها مختلفة
  • 00:03:17
    نستطيع قياسهم ووضعهم علي هذا الرسم البياني X وعرض علي المحور Yمع طول بتلة علي المحور
  • 00:03:24
    ثانيًا،كيف نريد أن نمثل العالم؟
  • 00:03:27
    سنلتزم بافتراض بسيط للغاية: يوجد هنا مجموعات في بياناتنا
  • 00:03:33
    Kتحديدًا، سنقول هناك عددًا من المجموعات التي تسمي ولكن لا نعرف أين هم
  • 00:03:40
    Kلمساعدتنا سوف نستخدم بمعني مجموعة الخوارزميات
  • 00:03:44
    هو تجميع خوارزميات بسيطة K
  • 00:03:47
    كل ما يحتاج هو طريقة لمقارنة الملاحظات طريقة لتخمين عدد المجموعات الموجودة
  • 00:03:52
    .في البيانات و طريقة لحساب متوسطات لكل مجموعة توقع بها
  • 00:03:56
    خاصة نريد حساب الوسط عن طريق إضافة جميع نقاط البيانات في مجموعة
  • 00:04:02
    .و القسمة علي إجمالي عدد النقاط
  • 00:04:04
    تذكر، التعليم بلا إشراف هو عن استعراض العالم فيكون للخوارزميات خطوتان
  • 00:04:11
    سيتوقع AI أولاً،
  • 00:04:13
    ماذا يتوقع النموذج أن يبدو العالم؟
  • 00:04:16
    بمعني أخر ما الزهور التي يجب تجميعها معًا لأنها من الأنواع نفسها؟
  • 00:04:21
    سوف يصحح أو يتعلم AI ثانيًا،
  • 00:04:24
    النموذج سوف يحدث معتقداته ليتفق مع مراقبة العالم
  • 00:04:29
    لبدأ العملية علينا أن نحدد عدد المجموعات التي يجب أن يبحث عنها النموذج
  • 00:04:33
    و أنا أخمن أن هناك ثلاث مجموعات من البيانات حتي يصبح فهم النموذج الأول للعالم
  • 00:04:39
    أو ثلاثة أنواع من السوسن k=3 نبحث عن متوسطات
  • 00:04:45
    و لكن لنبدأ، نموذجنا لا يعرف أي شيء حقًا لذا المتوسطات عشوائية و كذلك توقعاتها
  • 00:04:52
    يتم تسمية كل نقطة بيانات (الزهرة) بنوع1 أو نوع 2 أو نوع 3
  • 00:04:59
    استنادًا إلي معتقدات الخوارزميات
  • 00:05:01
    ثم يحاول النموذج تصحيح نفسه
  • 00:05:03
    يجب أن يكون متوسط كل مجموعة من نقاط البيانات في المنتصف لذا يصحح النموذج نفسه
  • 00:05:09
    عن طريق حساب متوسطات جديدة
  • 00:05:11
    يمكننا أن نري هذه المتوسطات هنا التي تعطي النموذج المحدث (X)مميزة بعلامات
  • 00:05:15
    ثلاثة (أو هكذا خمنا) أنواع السوسن
  • 00:05:19
    لا يزال الرسم البياني صاخبًا كثيرًا
  • 00:05:22
    مثال من الغريب أن يكون هناك نوع 2 قريب إلي متوسط نوع 3
  • 00:05:28
    و لكن بدأنا نموذج عشوائي لذا لا يمكننا أن نتوقع قدرا كبير من الدقة
  • 00:05:33
    منطقيًا نحن نعلم أن السوسن من نفس النوع تميل إلي الحصول علي بتلات مماثلة
  • 00:05:38
    لذا يجب تجميع نقاط البيانات معًا
  • 00:05:41
    بما أننا قمنا للتو بخطوة تصحيح أو تعلم يمكننا تكرار العملية بدءا بتوقع جديد
  • 00:05:48
    (X) دعونا نتوقع مسميات جديدة باستخدام علامات التي تحدد متوسط كل مسمي
  • 00:05:53
    نوع 1 أو نوع 2 أو نوع 3--(X)سنقدم لكل نقطة بيان تسمية أقرب لل
  • 00:05:59
    ثم نحسب المتوسطات الجديدة
  • 00:06:02
    و هذا أفضل و لكن ليس أفضل التجمعات حتي يتسني لنا أن نكرر هذة العملية مرة أخري
  • 00:06:09
    توقع، تعلم، توقع، تعلم
  • 00:06:14
    سيتوقف عن الحركة (X) في النهاية و لدينا نموذج من مجموعات السوسن
  • 00:06:18
    التي انشأت باستخدام التعليم بلا إشراف
  • 00:06:20
    ؟AIالسؤال النهائي هل وجدنا أنماط ذات معني عن العالم ب
  • 00:06:26
    لقد افترضنا أن هناك ثلاث أنواع من السوسن ولديهم لابتلات أطوالها وعروضها مختلفة
  • 00:06:33
    !هل كان هذا صحيحًا
  • 00:06:35
    لحسن حظنا لدي صديق بستاني حاصل علي درجة الماجستير
  • 00:06:38
    :أريته الزهور الحقيقية الأقرب إلي كل من المتوسطات الثلاث وقال
  • 00:06:43
    أن النوع 1 متحول الألوان والنوع 2 سيتوسا والنوع 3 فيرجينكا
  • 00:06:48
    !ثلاث أنواع سوسن مختلفة
  • 00:06:51
    لقد تعلمنا عن العالم من المراقبة وهذا التعليم بلا إشراف
  • 00:06:56
    علي الرغم أننا اعتمدنا قليلاً علي المعلم (البستاني) للتأكيد والمساعدة
  • 00:07:03
    الأن لقد تعلمنا الأساسيات يمكننا أن نجرب أمثلة أكثر صعوبة
  • 00:07:07
    دعونا نقول أننا نريد استخدام خوارزميات التعليم بلا إشراف لفرز مجموعة من الصور المختلفة
  • 00:07:11
    ليس فقط ثلاث أنواع سوسن
  • 00:07:13
    أولاً، ما الملاحظات التي يمكننا قياسها؟
  • 00:07:16
    كم عدد الأخضر؟
  • 00:07:17
    اذا كان هناك أنف و فرو؟
  • 00:07:19
    لجعل الكمبيوتر يقوم بإجراء الملاحظات نحتاج إلي قياس الألاف من الأحمر والأخضر والأزرق في كل صورة
  • 00:07:26
    ثانيًا، كيف نمثل العالم؟
  • 00:07:28
    كنا نعمل من قبل علي ميزتين فقط لنستطيع أن نستخدم متوسطات مجموعات نقاط البيانات
  • 00:07:34
    والحصول علي معني منها
  • 00:07:36
    ولكن عند التعامل مع الصور لا يمكننا استخدام نفس الطريقة لأننا لا نسطيع أن نحصل علي الكثير
  • 00:07:41
    من متوسط عناصر الصور الملونة لما نريد إنجازه
  • 00:07:45
    بطريقة ما نحتاج إلي النموذج لإنشاء عرض يخبرنا اذا الصورتان متشابهتان
  • 00:07:51
    هناك أنماط ذات معني في البيانات مجردة أكثر من عناصر الصور الفردية
  • 00:07:56
    والعثور عليهم عبر العديد في الصور يسمي التعليم بالعرض
  • 00:08:01
    هذه الانماط تساعدنا في فهم ماذا يوجد في الصور و كيف نقارن بينهما
  • 00:08:06
    التعليم بالعرض يحدث في نماذج التعليم بإشراف والتعليم بلا إشراف
  • 00:08:11
    فنسطيع أن نفعل مع أو بلا مسميات أن نجد أنماط في العالم
  • 00:08:15
    :لفهم الفكرة الأساسية للتعليم بالعرض راجع هذه التجربة
  • 00:08:20
    سوف انظر إلي صورة سريعًا و أحاول أن أرسمها
  • 00:08:23
    هيا لنبدأ الأن
  • 00:08:25
    ...
  • 00:08:32
    !واه، كان ذلك 5 ثوان
  • 00:08:35
    لقد التقطت عيني الصورة وتذكرت المعالم المهمة سوف ابني عرض في عقلي
  • 00:08:41
    ولكن لا استطيع أن أريكم أفكاري للحصول علي تعليقات علي الأجزاء التي لم اتذكرها
  • 00:08:46
    لذا يجب أن أعيد البناء أو ارسم الصورة الأصلية من ذاكرتي
  • 00:08:52
    ...
  • 00:09:00
    حسنًا، هذا ما حصلت عليه دعونا نقارن الرسمة للصورة الأصلية
  • 00:09:06
    لنري طبق مستدير و شريحة مثلثة من البيتزا وبعض الجبن والعجين وغطاء مائدة
  • 00:09:13
    جيد
  • 00:09:14
    إعادة البناء يعني صنع عنصر صورة بقدر صحيح (AI) بالنسبة ل
  • 00:09:20
    بمعني مجموعة الخوارزميات من قبل توقعه K فئات للزهور بناءً علي مدي
  • 00:09:25
    قرب نقاط البيانات بالنسبة للمتوسطات
  • 00:09:27
    للصور سنتعلم عرض الصور بدلاً من المتوسطات
  • 00:09:31
    سيصحح نفسه AI بعد تلك الخطوة، تمامًا مثل قبل
  • 00:09:36
    بناء علي مدي ملائمة k سابقًا، حدثنا مجموعات التسميات المتوقعة للبيانات بشكل جيد
  • 00:09:42
    ولكن للصور علينا تحديث التمثيل الداخلي للنموذج بناءً علي إعادة البناء الخاص به
  • 00:09:49
    هناك طرق مختلفة للاستخدام التعليم بلا إشراف مع التعليم بالعرض
  • 00:09:54
    مقارنة الصور AI ليستطيع
  • 00:09:57
    مثلا، هناك نوع من الشبكات العصبية يسمي أوتوانكودر يستخدم
  • 00:10:02
    نفس المبادئ الأساسية للأوزان والانحيازات لمعالجة المدخلات يتم تمرير البيانات لطبقات العصبية المخفية
  • 00:10:08
    و أخيرًا إلي طبقة إخراج التوقع
  • 00:10:10
    لو كان روبوت جون جرين مبرمج بالاوتوانكودر المدخل سيكون صورة وطبقات مخفية ستتكون
  • 00:10:16
    من عرض و الإخراج سوف يكون إعادة بناء بأكملة للصور الأصلية
  • 00:10:22
    الخاص به كلما اصبح اكثر دقة AI كلما دربنا
  • 00:10:25
    نظريًا، سأعطي روبوت جون جرين عرض لبيتزا و بوسعه إعادة بناء صورة الأصلية للبيتزا
  • 00:10:31
    الشيء القوي في التعليم بلا إشراف هو أن العالم معلمنا
  • 00:10:36
    بالتطلع حولنا والحصول علي الكثير من البيانات وتوقع ماذا سنري و نسمع التالي
  • 00:10:40
    نتعلم كيف يعمل العالم و كيف يجب أن يُقدم
  • 00:10:44
    طموحة الكبري AI عندما سئل كيف سيحقق
  • 00:10:47
    "بروفسور "يأن لي كن الفائز بجائزة تورينج 2018
  • 00:10:51
    "قال: "نعلم جميعًا التعليم بلا إشراف هو الجواب النهائي
  • 00:10:55
    لذا أعتقد أنه الأفضل أن نواصل العمل عليه
  • 00:10:59
    التعليم بلا إشراف مجال ضخم من الابحاث الجارية
  • 00:11:02
    مخ الإنسان مصمم خصيصًا لهذا النوع من التعليم و به أجزاء مختلفة
  • 00:11:06
    للرؤية واللغة والحركة وهكذا
  • 00:11:09
    تطورت هذه التركيبات وأنواع الأنماط التي تبحث عنها أدمغتنا
  • 00:11:15
    علي مدي مليارات السنين من التطور
  • 00:11:17
    يفعل تعليم بلا إشراف AI ولكن الأمر صعُب جدًا لبناء
  • 00:11:22
    نظم لا تستطيع التعلم بالضبط كما يفعل الإنسان عادة AI لأن
  • 00:11:25
    بمجرد المشاهدة والتقليد ويجب علي شخص مثلنا تصميم النماذج وإخبارها بكيفية
  • 00:11:30
    .البحث عن الأنماط قبل تركهم
  • 00:11:33
    AI في المرة القادمة سننظر إلي تطبيق مفاهيم مماثلة علي نظم
  • 00:11:37
    التي تجد أنماط في الكلمات واللغة فيما .يسمي بمعالجة اللغة الطبيعية
  • 00:11:42
    !أراكم حينها
  • 00:11:44
    شكراً لويكس لدعم إستديوهات (بي بي اس) الرقمية
  • 00:11:47
    اذا كنت تريد انشاء موقع ويب خاص بك Wix.com تفقد
  • 00:11:50
    ويكس منهاج يسمح لك لإنشاء موقع ويب مخصص تقريبًا لأي غرض
  • 00:11:55
    بدءًا من الترويج لعملك أو إنشاء متجر عبر الإنترنت لوضعه لاختبار الأفكار الجديدة
  • 00:12:01
    تسمح لك تقنياتهم بإنشاء شيء فريد بغض النظر عن مستوي مهاراتك باستخدام القوالب
  • 00:12:06
    و كل ذلك في إدارة واحدة
  • 00:12:08
    إذا كنت ترغب في التحقق منه فيمكنك الانتقال إلي wix.com/go/crashcourse
  • 00:12:12
    أو انقر الرابط في صندوق الوصف
  • 00:12:14
    انتجت بالاشتراك مع(AI) كراش كورس إستديوهات (بي بي اس) الرقمية
  • 00:12:18
    يمكنكم الإنضمام إلي مجموعتنا إذا كنتم ترغبون في الحفاظ علي مجانية القناة بشكل دائم
  • 00:12:23
    (علي (باتريون
  • 00:12:24
    Kو إذا كنتم ترغبون في علم المزيد عن مجموعة معني راجع هذا الفيديو علم الإحصاء كراش كورس
  • 00:12:30
    ترجمة: هاجر شرف الدين
标签
  • Kunstig intelligens
  • Overvåget læring
  • Ikke-overvåget læring
  • Mønstergenkendelse
  • Clustering
  • Dataanalyse
  • Billedgenkendelse
  • Autoencoder
  • Uddannelse
  • Wix