what is artificial intelligence
Leer wat kunstmatige intelligentie (AI) is, elementen van intelligentie en subvelden van AI zoals machine learning, diep leren, NLP, enz .:
Het computernetwerksysteem heeft de menselijke levensstijl verbeterd door de verschillende soorten gadgets en apparaten te bieden die de fysieke en mentale inspanningen van de mens om verschillende taken uit te voeren, verminderen. De kunstmatige intelligentie is de volgende stap in dit proces om het effectiever te maken door logische, analytische en productievere technologieën in deze inspanning toe te passen.
In deze tutorial wordt uitgelegd wat kunstmatige intelligentie is en de definitie en componenten ervan met behulp van verschillende voorbeelden. We zullen ook het verschil onderzoeken tussen menselijke en machine-intelligentie.
Wat je leert:
Wat is kunstmatige intelligentie (AI)?
Er zijn verschillende technische definities beschikbaar om kunstmatige intelligentie te beschrijven, maar ze zijn allemaal erg complex en verwarrend. We zullen de definitie in eenvoudige bewoordingen uitwerken voor een beter begrip.
De mensen worden beschouwd als de meest intelligente soort op aarde, omdat ze elk probleem kunnen oplossen en big data kunnen analyseren met hun vaardigheden zoals analytisch denken, logisch redeneren, statistische kennis en wiskundige of computationele intelligentie.
Rekening houdend met al deze combinaties van vaardigheden, wordt kunstmatige intelligentie ontwikkeld voor machines en robots die het vermogen opleggen om complexe problemen in de machines op te lossen als vergelijkbaar met die welke door mensen kunnen worden gedaan.
De kunstmatige intelligentie is toepasbaar op alle gebieden inclusief geneeskunde, auto's, dagelijkse levensstijltoepassingen, elektronica, communicatie en computernetwerksystemen.
Dus technisch gezien de AI in de context van computernetwerken kan worden gedefinieerd als de computerapparatuur en het netwerksysteem die de onbewerkte gegevens nauwkeurig kunnen begrijpen, nuttige informatie uit die gegevens kunnen verzamelen en vervolgens die bevindingen kunnen gebruiken om de uiteindelijke oplossing te bereiken. en toewijzing van het probleem met een flexibele aanpak en gemakkelijk aanpasbare oplossingen.
Elementen van intelligentie
# 1) Redenering: Het is de procedure die ons in staat stelt om de basiscriteria en richtlijnen te geven voor het maken van een oordeel, voorspelling en besluitvorming bij elk probleem.
Redenering kan van twee soorten zijn, een is een algemene redenering die is gebaseerd op de algemeen waargenomen incidenten en uitspraken. De conclusie kan in dit geval soms onjuist zijn. De andere is een logische redenering, die is gebaseerd op feiten, cijfers en specifieke verklaringen en specifieke, genoemde en waargenomen incidenten. In dit geval is de conclusie dus correct en logisch.
# 2) Leren: Het is de handeling van het verwerven van kennis en de ontwikkeling van vaardigheden uit verschillende bronnen, zoals boeken, echte gebeurtenissen in het leven, ervaringen, onderwezen worden door sommige experts, enz. Het leren vergroot de kennis van de persoon op gebieden waarvan hij zich niet bewust is.
Het leervermogen wordt niet alleen door mensen getoond, maar ook door sommige dieren en kunstmatige intelligente systemen bezitten deze vaardigheid.
Het leren is van verschillende typen, zoals hieronder vermeld:
- Audiospraak leren is gebaseerd op het proces waarbij een leraar een lezing geeft en de hoorbare studenten het horen, onthouden en vervolgens gebruiken om er kennis uit te halen.
- Het lineaire leren is gebaseerd op het onthouden van de reeks gebeurtenissen die de persoon is tegengekomen en ervan heeft geleerd.
- Observationeel leren betekent leren door gedrag en gezichtsuitdrukkingen van andere personen of wezens zoals dieren te observeren. Bijvoorbeeld, het kleine kind leert spreken door zijn ouders na te bootsen.
- Perceptueel leren is gebaseerd op leren door de beelden en objecten te identificeren en classificeren en ze te onthouden.
- Relationeel leren is gebaseerd op het leren van incidenten en fouten uit het verleden en inspanningen leveren om deze te improviseren.
- Ruimtelijk leren betekent leren van visuals zoals afbeeldingen, video's, kleuren, kaarten, films, enz. Die mensen zullen helpen bij het creëren van een beeld van degenen in gedachten wanneer dit nodig is voor toekomstig gebruik.
# 3) Probleemoplossing: Het is het proces van het identificeren van de oorzaak van het probleem en het vinden van een mogelijke manier om het probleem op te lossen. Dit wordt gedaan door het probleem te analyseren, beslissingen te nemen en vervolgens meer dan één oplossing te vinden om tot de uiteindelijke en meest geschikte oplossing voor het probleem te komen.
Het laatste motto hier is om uit de beschikbare oplossingen de beste oplossing te vinden om de beste resultaten van probleemoplossing in minimale tijd te bereiken.
# 4) Perceptie: Het is het fenomeen van het verkrijgen, trekken van een gevolgtrekking, het kiezen en systematiseren van de bruikbare gegevens uit de ruwe invoer.
Bij mensen wordt de perceptie afgeleid van de ervaringen, zintuigen en situationele omstandigheden van de omgeving. Maar wat betreft de perceptie van kunstmatige intelligentie, het wordt op een logische manier verworven door het kunstmatige sensormechanisme in combinatie met de gegevens.
# 5) Taalkundige intelligentie: Het is het fenomeen van iemands vermogen om de verbale dingen in verschillende talen te gebruiken, uit te zoeken, te lezen en te schrijven. Het is de basiscomponent van de communicatiewijze tussen de twee of meer individuen en de noodzakelijke ook voor analytisch en logisch begrip.
Verschil tussen menselijke en machine-intelligentie
De volgende punten verklaren de verschillen:
# 1) We hebben hierboven de componenten van menselijke intelligentie uitgelegd op grond waarvan de mens verschillende soorten complexe taken uitvoert en de verschillende soorten onderscheidende problemen in verschillende situaties oplossen.
#twee) De mens ontwikkelt machines met intelligentie net als mensen en ze geven ook in zeer nabije mate resultaten voor het complexe probleem, net als mensen.
# 3) De mensen onderscheiden de gegevens door visuele en audiopatronen, situaties uit het verleden en omstandigheden, terwijl de kunstmatig intelligente machines het probleem herkennen en het probleem afhandelen op basis van vooraf gedefinieerde regels en achterstandgegevens.
# 4) Mensen onthouden de gegevens van het verleden en herinneren het zich zoals ze het hebben geleerd en in de hersenen bewaard, maar de machines zullen de gegevens van het verleden vinden door algoritmen te zoeken.
# 5) Met taalkundige intelligentie kunnen mensen zelfs de vervormde beelden en vormen en ontbrekende patronen van spraak, gegevens en afbeeldingen herkennen. Maar machines hebben deze intelligentie niet en ze gebruiken computerleermethodologie en diepgaand leerproces, waarbij opnieuw verschillende algoritmen nodig zijn om de gewenste resultaten te verkrijgen.
windows fout reparatie tool windows 10
# 6) Mensen volgen altijd hun instinct, visie, ervaring, omstandigheden, situaties, omgevingsinformatie, beschikbare visuele en onbewerkte gegevens, en ook de dingen die sommige leraren of ouderen hebben geleerd om te analyseren, elk probleem op te lossen en met enkele effectieve en zinvolle resultaten te komen van elk probleem.
Aan de andere kant gebruiken kunstmatig intelligente machines op elk niveau de verschillende algoritmen, vooraf gedefinieerde stappen, achterstandgegevens en machine learning om tot enkele bruikbare resultaten te komen.
# 7) Hoewel het proces dat door de machines wordt gevolgd complex is en veel procedures met zich meebrengt, geven ze toch de beste resultaten in het geval van het analyseren van de grote bron van complexe gegevens en wanneer het onderscheidende taken van verschillende velden op hetzelfde moment precies en nauwkeurig moet uitvoeren. nauwkeurig en binnen het gegeven tijdsbestek.
Het foutenpercentage in deze gevallen van machines is veel lager dan bij mensen.
Deelgebieden van kunstmatige intelligentie
# 1) Machine learning
Machine learning is een functie van kunstmatige intelligentie die de computer de mogelijkheid biedt om automatisch gegevens te verzamelen en te leren van de ervaring van de problemen of gevallen die ze zijn tegengekomen, in plaats van speciaal geprogrammeerd om de gegeven taak of het gegeven werk uit te voeren.
Machine learning benadrukt de groei van de algoritmen die de gegevens nauwkeurig kunnen onderzoeken en er voorspellingen van kunnen doen. Het belangrijkste gebruik hiervan is in de gezondheidszorg, waar het wordt gebruikt voor diagnose van de ziekte, interpretatie van medische scans, enz.
Patroonherkenning is een subcategorie van machine learning. Het kan worden omschreven als de automatische herkenning van de blauwdruk uit de onbewerkte gegevens met behulp van computeralgoritmen.
Een patroon kan een aanhoudende reeks gegevens in de loop van de tijd zijn die wordt gebruikt om een reeks gebeurtenissen en trends te voorspellen, bepaalde kenmerken van de kenmerken van afbeeldingen om de objecten te identificeren, een terugkerende combinatie van woorden en zinnen voor taalondersteuning, en kan een specifieke verzameling van acties van mensen in elk netwerk die kunnen duiden op een sociale activiteit en nog veel meer.
Het patroonherkenningsproces omvat verschillende stappen. Deze worden als volgt uitgelegd:
(i) Data-acquisitie en detectie: Dit omvat het verzamelen van onbewerkte gegevens zoals fysieke variabelen enz. En het meten van frequentie, bandbreedte, resolutie, enz. Er zijn twee soorten gegevens: trainingsgegevens en leergegevens.
De trainingsdata is er een waarin er geen labeling van de dataset is voorzien en het systeem past clusters toe om ze te categoriseren. Terwijl de leergegevens een goed gelabelde gegevensset hebben, zodat deze direct met de classificator kan worden gebruikt.
(ii) Voorverwerking van invoergegevens Dit omvat het filteren van de ongewenste gegevens zoals ruis van de invoerbron en dit wordt gedaan door middel van signaalverwerking. In dit stadium wordt de filtering van reeds bestaande patronen in de invoergegevens ook gedaan voor verdere referenties.
(iii) Feature-extractie Verschillende algoritmen worden uitgevoerd als een algoritme voor patroonaanpassing om het passende patroon te vinden zoals vereist in termen van functies.
(iv) Classificatie Op basis van de uitvoer van uitgevoerde algoritmen en verschillende modellen die zijn geleerd om het overeenkomende patroon te krijgen, wordt de klasse toegewezen aan het patroon.
(v) Nabewerking Hier wordt de uiteindelijke output gepresenteerd en u kunt er zeker van zijn dat het behaalde resultaat bijna net zo waarschijnlijk nodig is.
Model voor patroonherkenning:
(beeld bron
Zoals te zien is in de bovenstaande afbeelding, zal de feature-extractor de features afleiden van de ingevoerde ruwe data, zoals audio, beeld, video, geluid, etc.
Nu ontvangt de classificator x als invoerwaarde en wijst hij verschillende categorieën toe aan de invoerwaarde zoals klasse 1, klasse 2…. klasse C. op basis van de klasse van de gegevens, verdere herkenning en analyse van het patroon worden gedaan.
Voorbeeld van herkenning van een driehoeksvorm via dit model:
De patroonherkenning wordt gebruikt in de identificatie- en authenticatieprocessoren zoals spraakherkenning en gezichtsauthenticatie, in verdedigingssystemen voor doelherkenning en navigatiebegeleiding en in de auto-industrie.
# 2) Diep leren
Het is het proces van leren door de invoergegevens op verschillende manieren te verwerken en te analyseren totdat de machine de gewenste uitvoer ontdekt. Het wordt ook wel het zelfleren van de machines genoemd.
De machine voert verschillende willekeurige programma's en algoritmen uit om de ingevoerde onbewerkte volgorde van de uit te voeren invoergegevens in kaart te brengen. Door de verschillende algoritmen in te zetten, zoals neuro-evolutie en andere benaderingen zoals gradiëntdaling op een neurale topologie, wordt de output y uiteindelijk verhoogd van de onbekende inputfunctie f (x), aangenomen dat x en y gecorreleerd zijn.
Hier is interessant genoeg de taak van neurale netwerken om de juiste f-functie te achterhalen.
Deep learning zal getuige zijn van alle mogelijke menselijke kenmerken en gedragsdatabases en zal leren onder supervisie uitvoeren. Dit proces omvat:
- Detectie van verschillende soorten menselijke emoties en tekens.
- Identificeer de mens en de dieren aan de hand van de afbeeldingen, bijvoorbeeld aan de hand van bepaalde tekens, markeringen of kenmerken.
- Spraakherkenning van verschillende sprekers en onthoud ze.
- Omzetting van video en spraak in tekstgegevens.
- Identificatie van goede of verkeerde gebaren, classificeren van spam-zaken en fraudegevallen (zoals fraudeclaims).
Alle andere kenmerken, inclusief de hierboven genoemde, worden gebruikt om de kunstmatige neurale netwerken voor te bereiden door middel van diep leren.
Voorspellende analyse: Na het verzamelen en leren van enorme datasets, wordt het clusteren van vergelijkbare soorten datasets gedaan door de beschikbare modelsets te benaderen, zoals het vergelijken van vergelijkbare spraaksets, afbeeldingen of documenten.
Aangezien we de classificatie en clustering van de datasets hebben gedaan, zullen we de voorspelling van toekomstige gebeurtenissen die zijn gebaseerd op de gronden van de huidige gevallen van gebeurtenissen benaderen door de correlatie tussen beide vast te stellen. Onthoud dat de voorspellende beslissing en aanpak niet tijdgebonden is.
Het enige punt dat in gedachten moet worden gehouden bij het doen van een voorspelling, is dat de uitvoer zinvol en logisch moet zijn.
Door repetitieve opnames te geven en zelfanalyse te maken, wordt hiermee voor machines de oplossing voor problemen bereikt. Het voorbeeld van deep learning is spraakherkenning in telefoons, waardoor de smartphones een ander soort accent van de spreker kunnen verstaan en omzetten in zinvolle spraak.
# 3) Neurale netwerken
De neurale netwerken zijn het brein van kunstmatige intelligentie. Het zijn de computersystemen die de replica zijn van de neurale verbindingen in het menselijk brein. De kunstmatige overeenkomstige neuronen van de hersenen staan bekend als de perceptron.
De stapel van verschillende perceptron die samenkomen, vormt de kunstmatige neurale netwerken in de machines. Alvorens een gewenste output te geven, doen de neurale netwerken kennis op door verschillende trainingsvoorbeelden te verwerken.
Met het gebruik van verschillende leermodellen zal dit proces van data-analyse ook een oplossing bieden voor veel gerelateerde vragen die voorheen onbeantwoord waren.
Diep leren in combinatie met de neurale netwerken kan de meerdere lagen van verborgen gegevens ontvouwen, inclusief de uitvoerlaag van complexe problemen, en is een hulpmiddel voor de subvelden zoals spraakherkenning, natuurlijke taalverwerking en computervisie, enz.
hoe bin-bestanden op Android te bekijken
(beeld bron
De vroegere soorten neurale netwerken bestonden uit één ingang en één uitgang en hoogstens één verborgen laag of slechts één laag perceptron.
De diepe neurale netwerken zijn samengesteld uit meer dan één verborgen laag tussen de invoer- en uitvoerlagen. Daarom is een diep leerproces vereist om de verborgen lagen van de data-eenheid te ontvouwen.
Bij het diep leren van neurale netwerken is elke laag bedreven in de unieke set attributen, gebaseerd op de uitvoerfuncties van de vorige lagen. Hoe meer u in het neurale netwerk komt, het knooppunt krijgt de mogelijkheid om meer complexe attributen te herkennen terwijl ze de uitvoer van alle voorgaande lagen voorspellen en opnieuw combineren om de duidelijkere uiteindelijke uitvoer te produceren.
Dit hele proces wordt een functiehiërarchie genoemd en ook bekend als de hiërarchie van de complexe en immateriële gegevenssets. Het vergroot het vermogen van de diepe neurale netwerken om zeer grote en breed-dimensionale data-eenheden te verwerken met miljarden beperkingen die door de lineaire en niet-lineaire functies zullen gaan.
Het belangrijkste probleem waarmee de machine-intelligentie worstelt, is het verwerken en beheren van de niet-gelabelde en ongestructureerde gegevens in de wereld die over alle velden en landen zijn verspreid. Nu kunnen de neurale netten omgaan met de latentie en complexe kenmerken van deze gegevenssubsets.
Het diepe leren in samenwerking met kunstmatige neurale netwerken heeft de naamloze en ruwe gegevens in de vorm van afbeeldingen, tekst, audio, enz. Geclassificeerd en gekarakteriseerd in een georganiseerde relationele database met de juiste labels.
Bijvoorbeeld, het diepe leren neemt de duizenden onbewerkte afbeeldingen als input en classificeert ze vervolgens op basis van hun basiskenmerken en karakters zoals alle dieren zoals honden aan de ene kant, niet-levende dingen zoals meubels in een hoek en alle foto's van je familie op de derde zijde completeert daarmee de totaalfoto die ook wel smart-photo albums wordt genoemd.
Een ander voorbeeld, Laten we eens kijken naar het geval van tekstgegevens als invoer waar we duizenden e-mails hebben. Hier zal het deep learning de e-mails clusteren in verschillende categorieën, zoals primaire, sociale, promotionele en spam-e-mails volgens hun inhoud.
Feedforward neurale netwerken: Het doel van het gebruik van de neurale netwerken is om het eindresultaat te bereiken met minimale fouten en een hoge nauwkeurigheid.
Deze procedure omvat vele stappen en elk van de niveaus omvat de voorspelling, foutbeheer en gewichtsupdates, wat een kleine toename is ten opzichte van de coëfficiënt, aangezien deze langzaam zal evolueren naar de gewenste functies.
Aan het beginpunt van de neurale netwerken weet het niet welk gewicht en welke gegevenssubsets ervoor zorgen dat het de invoer omzet in de best passende voorspellingen. Het zal dus allerlei subsets van gegevens en gewichten als modellen beschouwen om opeenvolgende voorspellingen te doen om het beste resultaat te bereiken en het leert elke keer van zijn fout.
Bijvoorbeeld, we kunnen de neurale netwerken verwijzen naar de kleine kinderen, zoals wanneer ze worden geboren, ze niets weten over de wereld om hen heen en geen intelligentie hebben, maar naarmate ze oud worden, leren ze van hun levenservaringen en fouten om een beter mens en intellectueel te worden.
De architectuur van het feed-forward netwerk wordt hieronder weergegeven door een wiskundige uitdrukking:
Invoer * gewicht = voorspelling
Vervolgens,
Grondwaarheid - voorspelling = fout
Vervolgens,
Fout * gewichtsbijdrage aan fout = aanpassing
Dit kan hier worden uitgelegd, de invoergegevensset zal ze in kaart brengen met de coëfficiënten om de meervoudige voorspellingen voor het netwerk te krijgen.
Nu wordt de voorspelling vergeleken met de grondfeiten die zijn overgenomen uit de real-time scenario's, feiten en ervaring om het foutenpercentage te vinden. De aanpassingen worden gedaan om met de fout om te gaan en de bijdrage van gewichten eraan te relateren.
Deze drie functies zijn de drie belangrijkste bouwstenen van de neurale netwerken die input scoren, het verlies evalueren en een upgrade van het model implementeren.
gemakkelijkste manier om youtube naar mp3 te converteren
Het is dus een feedbacklus die de coëfficiënten beloont die ondersteunen bij het maken van de juiste voorspellingen en die de coëfficiënten die tot fouten leiden, negeert.
Handschriftherkenning, herkenning van gezichten en digitale handtekeningen, identificatie van ontbrekende patronen zijn enkele van de real-time voorbeelden van neurale netwerken.
# 4) Cognitief computergebruik
Het doel van dit onderdeel van kunstmatige intelligentie is het initiëren en versnellen van de interactie voor het voltooien van complexe taken en het oplossen van problemen tussen mens en machine.
Terwijl ze met mensen aan verschillende soorten taken werken, leren en begrijpen de machines menselijk gedrag, gevoelens in verschillende onderscheidende omstandigheden en bootsen ze het denkproces van mensen na in een computermodel.
Door dit te oefenen, verwerft de machine het vermogen om menselijke taal en beeldreflecties te begrijpen. Dus het cognitieve denken samen met kunstmatige intelligentie kan een product maken dat menselijke acties zal hebben en dat ook gegevensverwerkingsmogelijkheden kan hebben.
Cognitive computing is in staat om nauwkeurige beslissingen te nemen bij complexe problemen. Het wordt dus toegepast op het gebied dat oplossingen moet verbeteren met optimale kosten en wordt verworven door natuurlijke taal en evidence-based leren te analyseren.
Bijvoorbeeld, Google Assistant is een heel groot voorbeeld van cognitief computergebruik.
# 5) Natuurlijke taalverwerking
Met deze functie van kunstmatige intelligentie kunnen computers menselijke taal en spraak interpreteren, identificeren, lokaliseren en verwerken.
Het concept achter de introductie van dit onderdeel is om de interactie tussen de machines en de menselijke taal naadloos te laten verlopen en de computers zullen in staat worden om logische reacties te geven op menselijke spraak of vraag.
De natuurlijke taalverwerking richt zich op zowel het verbale als het geschreven gedeelte van menselijke talen, wat zowel actieve als passieve manieren van gebruik van algoritmen betekent.
De Natural Language Generation (NLG) verwerkt en decodeert de zinnen en woorden die mensen spraken (verbale communicatie), terwijl de NaturalLanguage Understanding (NLU) de nadruk legt op het geschreven vocabulaire om de taal in de tekst of pixels te vertalen die kunnen worden begrepen door machines.
De op Graphical User Interfaces (GUI) gebaseerde applicaties van de machines zijn het beste voorbeeld van natuurlijke taalverwerking.
De verschillende soorten vertalers die de ene taal in de andere omzetten, zijn voorbeelden van het natuurlijke taalverwerkingssysteem. De Google-functie van spraakassistent en spraakzoekmachine is hier ook een voorbeeld van.
# 6) Computervisie
De computervisie is een zeer vitaal onderdeel van kunstmatige intelligentie omdat het de computer in staat stelt automatisch de visuele gegevens van de echte wereldbeelden en visuals te herkennen, analyseren en interpreteren door ze vast te leggen en te onderscheppen.
Het bevat de vaardigheden van diep leren en patroonherkenning om de inhoud van afbeeldingen uit alle gegeven gegevens te extraheren, inclusief afbeeldingen of videobestanden in een PDF-document, Word-document, PPT-document, XL-bestand, grafieken en afbeeldingen, enz.
Stel dat we een complex beeld hebben van een bundel dingen, dan is alleen het zien en onthouden van het beeld niet voor iedereen gemakkelijk mogelijk. De computervisie kan een reeks transformaties in het beeld opnemen om de bit- en bytedetails eruit te halen, zoals de scherpe randen van de objecten, ongebruikelijk ontwerp of gebruikte kleur, enz.
Dit wordt gedaan door verschillende algoritmen te gebruiken door wiskundige uitdrukkingen en statistieken toe te passen. De robots maken gebruik van computer vision-technologie om de wereld te zien en in realtime situaties te handelen.
De toepassing van deze component wordt zeer veel gebruikt in de gezondheidszorg om de gezondheidstoestand van de patiënt te analyseren met behulp van een MRI-scan, röntgenfoto, enz. Ook gebruikt in de auto-industrie om met computergestuurde voertuigen en drones om te gaan.
Gevolgtrekking
In deze tutorial hebben we eerst de verschillende elementen van intelligentie uitgelegd met een diagram en hun betekenis voor het toepassen van intelligentie in praktijksituaties om de gewenste resultaten te krijgen.
Vervolgens hebben we de verschillende subgebieden van kunstmatige intelligentie en hun betekenis in machine-intelligentie en de echte wereld in detail onderzocht met behulp van wiskundige uitdrukkingen, real-time toepassingen en verschillende voorbeelden.
We hebben ook in detail geleerd over machine learning, patroonherkenning en de neurale netwerkconcepten van kunstmatige intelligentie die een zeer vitale rol spelen in alle toepassingen van kunstmatige intelligentie.
In het volgende deel van deze tutorial zullen we de toepassing van kunstmatige intelligentie in detail onderzoeken.
Aanbevolen literatuur
- Datamining versus machine learning versus kunstmatige intelligentie versus diep leren
- 10+ BESTE meest veelbelovende bedrijven op het gebied van kunstmatige intelligentie (AI) (2021 selectief)
- 10 beste kunstmatige intelligentiesoftware (AI-softwarereviews in 2021)
- Een complete gids voor kunstmatig neuraal netwerk bij machinaal leren
- De 4 stappen naar Business Intelligence (BI) -testen: hoe u bedrijfsgegevens test
- Zelfstudie voor machine learning: inleiding tot ML en de toepassingen ervan
- 25 beste Business Intelligence-tools (beste BI-tools in 2021)
- Soorten machine learning: begeleid versus onbewaakt leren