Машинное обучение и глубокое обучение
Machine learning and deep learning
2021-04-08
SCID: 54.1/3f9c7jnq
Discuss with AI
искусственные нейронные сетиглубокое обучениеэлектронные рынкиинтеллектуальные системымашинное обучение
Figures from the paper
Abstract (AI)
Сегодня интеллектуальные системы, обладающие возможностями искусственного интеллекта, часто основываются на машинном обучении. Машинное обучение означает способность систем обучаться на специализированных для конкретной задачи обучающих данных, автоматизировать процесс построения аналитических моделей и решать связанные с этим задачи. Глубокое обучение представляет собой концепцию машинного обучения, основанную на искусственных нейронных сетях. Во многих приложениях модели глубокого обучения превосходят неглубокие модели машинного обучения и традиционные подходы к анализу данных. В настоящей статье обобщаются основы машинного и глубокого обучения для формирования более широкого понимания методологической основы современных интеллектуальных систем. В частности, проводится концептуальное разграничение соответствующих терминов и понятий, объясняется процесс автоматизированного построения аналитических моделей посредством машинного и глубокого обучения, а также обсуждаются проблемы, возникающие при внедрении таких интеллектуальных систем в сфере электронных рынков и сетевого бизнеса. Эти проблемы естественным образом выходят за рамки технологических аспектов и акцентируют внимание на вопросах взаимодействия человека и машины, а также сервитизации искусственного интеллекта.
Key Findings
1
Глубокое обучение определяется как подход машинного обучения, основанный на искусственных нейронных сетях.
2
Во многих приложениях модели глубокого обучения превосходят неглубокие модели машинного обучения и традиционные методы анализа данных.
3
Внедрение интеллектуальных систем в электронные рынки и сетевой бизнес создает технологические проблемы, а также проблемы взаимодействия человека и машины и сервитизации искусственного интеллекта.
4
Машинное обучение позволяет системам обучаться на предметно-ориентированных данных, автоматизировать построение аналитических моделей и решать связанные задачи.
5
Статья уточняет различия между машинным обучением, глубоким обучением и связанными понятиями, а также объясняет процессы автоматизированного построения аналитических моделей.
Research Object
машинное обучение и глубокое обучение в интеллектуальных системах
Research Subject
их концептуальные основы, процесс автоматизированного построения аналитических моделей, сравнительная эффективность и проблемы внедрения в электронных рынках и сетевом бизнесе
Publication Details
Publication Date
2021-04-08
Journal
Publisher
ISSN
Cited by
2950
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Машинное обучение: тенденции, перспективы и прогнозы2015
Заглядывая в «черный ящик»: обзор объяснимого искусственного интеллекта (XAI)2018
Обзор адаптации к дрейфу концепций2014
Расширение организационного принятия решений с помощью алгоритмов глубокого обучения: принципы, перспективы и проблемы2020
Работы, цитирующие эту статью13
Генеративный искусственный интеллект2023
Генеративный искусственный интеллект2023
Искусственный интеллект в образовании: ИИвО для персонализированных образовательных траекторий2022
Применение объяснимого искусственного интеллекта в финансах: систематический обзор литературы по финансам, информационным системам и компьютерным наукам2023
Последние достижения в области передовых технологий для систем управления здравоохранением: обзор2022
Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения2024
Что является человекоцентричным в человекоцентричном искусственном интеллекте? Карта исследовательского ландшафта2023
Прогнозирование преступности с использованием машинного обучения и глубокого обучения: систематический обзор и перспективные направления2023
Комплексный обзор обнаружения дефектов материалов на основе машинного обучения2025
Многоагентный искусственный интеллект2026
Роль искусственного интеллекта в современной аналитической химии: текущие тенденции и перспективные направления2026
Искусственный интеллект и его влияние на результаты деятельности нефтегазовой отрасли: проблемы, аналитические выводы и подходы к оценке2025
Агентный искусственный интеллект2026