08/12/2019, 00:24

Hướng dẫn toàn diện về Trí tuệ nhân tạo với Python (Dịch.p1)

Nguồn: Edureka Trí tuệ nhân tạo với Python: Trí tuệ nhân tạo đã tồn tại hơn nửa thế kỉ nay và những tiến bộ của nó đang phát triển với tốc độ theo cấp số nhân. Nhu caaif về AI đang ở mức cao nhất và bạn muốn tìm hiểu về Trí tuệ nhân tạo, bạn đã tìm đúng nơi rồi. Bài viết này về Trí tuệ nhân ...

Nguồn: Edureka

Trí tuệ nhân tạo với Python:

Trí tuệ nhân tạo đã tồn tại hơn nửa thế kỉ nay và những tiến bộ của nó đang phát triển với tốc độ theo cấp số nhân. Nhu caaif về AI đang ở mức cao nhất và bạn muốn tìm hiểu về Trí tuệ nhân tạo, bạn đã tìm đúng nơi rồi. Bài viết này về Trí tuệ nhân tạo với Python sẽ giúp bạn hiểu tất cả các khái niệm về Ai với các triển khai thực tế trong Python.

Để có kiến thức chuyên sâu về Trí tuệ nhân tạo, bạn có thể đang kí trực tiếp Machine Learning Engineer Master Program bởi Edureka với sự hỗ trợ 24/7 và truy cập trọn đời.

Các chủ đề được bài viết đề cập đến:

  1. Why Is Python Best For AI?
  2. Demand For AI
  3. What Is Artificial Intelligence?
  4. Types Of Artificial Intelligence
  5. Machine Learning Basics
  6. Types Of Machine Learning
  7. Types Of Problems Solved By Using Machine Learning
  8. Machine Learning Process
  9. Machine Learning With Python
  10. Limitations Of Machine Learning
  11. Why Deep Learning?
  12. How Deep Learning Works?
  13. What Is Deep Learning?
  14. Deep Learning Use Case
  15. Perceptrons
  16. Multilayer Perceptrons
  17. Deep Learning With Python
  18. Introduction To Natural Language Processing (NLP)
  19. NLP Applications
  20. Terminologies In NLP

(Do nội dung khá dài nên trong bài viết này mình sẽ chia sẻ 4 chủ đề đầu tiên, các chủ đề còn lại mình sẽ để ở bài viết sau nhé)

1. Why Is Python Best For AI?

Rất nhiều người đã hỏi tôi, "Ngôn ngữ lập trình nào là tốt nhất cho AI?" hoặc "Tại sao chọn Python cho AI?"

Mặc dù ngôn ngữ có mục đích chung, Python đã tìm đường vào các công nghệ phức tạp nhất như AI, Machine Learning, Deep Learning,...

Tại sao python lại trở lên phổ biến đến vậy trong tất cả các lĩnh vực này?

Dưới đây là danh sách các lý do tại sao Python là lựa chọn ngôn ngữ cho mọi Developer, Data Scientist, Machine Learning Engineer,...

  • Less Code: Triển khai Ai đến hàng tấn thuật toán. Nhà hỗ trợ Python cho các gói được xác định trước, chúng tôi không thể mã hóa các thuật toán. Và để làm cho mọi thứ dễ dàng hơn, Python cung cấp kiểm tra bằng tiếng Anh khi bạn viết mã phương pháp của mình để giảm bớt gánh nặng kiểm tra mã.
  • Prebuilt Libraries: Python có 100 thư viện xây dựng sẵn để thực hiện các thuật toán Machine Learning và Deep Learning khác nhau. Vì vậy, mỗi khi bạn muốn chạy một thuật toán trên một tập dữ liệu, tất cả những gì bạn phải làm là cài đặt và tải các gói cần thiết bằng một lệnh duy nhất. Ví dụ về các thư viện được xây dựng trước bao gồm numPy, Keras, Tensolflow, Pytorch,...
  • Ease of learning: Python sử dụng cú pháp rất đơn giản có thể sự dụng để thực hiện các tính toán đơn giản như, việc thêm 2 chuỗi vào các quy trình phức tạp như xây dựng mô hình Machine Learning.
  • Platform Independent: Python có thể chạy trên nhiều nền tảng bao gồm Windows, MacOS, Linux,.. Trong khi chuyển mã từ nền tảng này sang nền tảng khác, bạn có thể sử dụng các gói như Pylnstaller sẽ xử lý mọi vấn đề phụ thuộc.
  • Massive Community Support: Python có một cộng đồng người dùng khổng lồ luôn hữu ích khi chùng ta gặp phải vấn đề mã hóa. Ngoài lượng người hâm mộ đông đảo, Python có nhiều cộng đồng, nhóm và diễn đàn nơi các lập trình viên đăng các lỗi của họ và giúp đỡ lẫn nhau.

Nếu bạn muốn học lập trình Python chuyên sâu, bạn hãy đọc các blog này theo các liên kết sau:

  1. Python Tutorial – A Complete Guide to Learn Python Programming
  2. Python Programming Language – Headstart With Python Basics
  3. A Beginners Guide To Python Functions
  4. Python for Data Science

Vì blog này là tất cả về Trí tuệ nhân tạo với Python, tôi sẽ giới thiệu cho bạn các Thư viện Python dựa trên AI hiệu quả và phổ biến nhất.

  1. Tensoflow: Được phát triển bới Google, thư viện này được sử dụng phổ biến trong Machine Learning algorithms và thực hiện các tính toán nặng liên quan đến Neural Networks.
  2. Scikit-Learn: Scikit-Learn là một thư viện Python được liên kết với NumPy và SciPy. Nó được coi là một trong những thư viện tốt nhất để làm việc với dữ liệu phức tạp.
  3. NumPy: NumPy là một thư viện Python được sử dụng đặc biệt để tính toán dữ liệu khoa học, toán học
  4. Theano: Theano là một thư viện chức năng tính toán và tính toán hiệu quả các biểu thức toán học liên quan đến mảng đa chiều
  5. Keras: Thư viện này đơn giản hóa việc thực hiện các mạng lưới thần kinh. Nó cũng có các chức năng tốt nhất cho các mô hình điện toán, đánh giá các tập dữ liệu, hiển thị biểu đồ và nhiều hơn nữa.
  6. NLTK: NLTK hoặc Natural Language ToolKit là một thư viện Python mã nguồn mở được xây dựng riêng cho Xử lý ngôn ngữ tự nhên, phân tích văn bản, khai thác văn bản,...

Ngoài các thư viện được đề cập ở trên, hãy tham khảo Top 10 Python Libraries You Must Know In 2019 để hiểu rõ hơn.

Bây giờ bạn đã biết các thư viện Python quan trọng được sử dụng để triển khai các kỹ thuật AI, hãy để tập trung vào Trí tuệ nhân tạo. Trong phần tiếp theo, tôi sẽ đề cập đến tất cả các khái niệm cơ bản về AI.

2. Demand for AI

Kể từ khi xuất hiện AI vào những năm 1950, chúng ta đã chứng kiến ​​sự tăng trưởng theo cấp số nhân trong tiềm năng của nó. Nhưng nếu AI đã ở đây hơn nửa thế kỷ, tại sao nó đột nhiên đạt được tầm quan trọng lớn như vậy? Tại sao bây giờ chúng ta đang nói về Trí tuệ nhân tạo?

Những lý do chính cho sự phổ biến rộng rãi của AI là:

More computing power: (Thêm sức mạnh tính toán) Việc triển khai AI đòi hỏi rất nhiều sức mạnh tính toán vì việc xây dựng các mô hình AI liên quan đến việc tính toán nặng và sử dụng các neural networks phức tạp. Việc phát minh ra GPU đã biến điều này thành có thể. Cuối cùng chúng ta có thể thực hiện các tính toán cấp cao và thực hiện các thuật toán phức tạp.

Data Generation: (Tạo dữ liệu) Trong những năm qua, chúng tôi đã tạo ra một lượng dữ liệu khổng lồ. Dữ liệu đó cần được phân tích và xử lý bằng cách sử dụng thuật toán Machine Learning và các kỹ thuật AI khác.

More Effective Algorithms: (Các thuật toán hiệu quả hơn) Trong thập kỷ qua, chúng tôi đã quản lý thành công để phát triển các thuật toán hiện đại liên quan đến việc triển khai Deep Neural Networks.

Broad Investment: (Đầu tư rộng) Khi những gã khổng lồ công nghệ như Tesla, Netflix và Facebook bắt đầu đầu tư vào Trí tuệ nhân tạo, nó đã trở nên phổ biến hơn dẫn đến sự gia tăng nhu cầu về các hệ thống dựa trên AI.

Sự phát triển của Trí tuệ nhân tạo là theo cấp số nhân, nó cũng đang bổ sung vào nền kinh tế với tốc độ nhanh. Vì vậy, đây là thời điểm thích hợp để bạn tham gia vào lĩnh vực Trí tuệ nhân tạo.

3. What Is Artificial Intelligence?

Thuật ngữ Trí tuệ nhân tạo lần đầu tiên được đặt ra từ nhiều thập kỷ trước vào năm 1956 bởi John McCarthy tại hội nghị Dartmouth. Ông định nghĩa AI là:

“The science and engineering of making intelligent machines.”

Có nghĩa là: Khoa học và kỹ thuật chế tạo máy móc thông minh.

Nói cách khác, Trí tuệ nhân tạo là khoa học giúp máy móc suy nghĩ và đưa ra quyết định như con người.

Trong quá khứ gần đây, AI đã có thể thực hiện điều này bằng cách tạo ra các máy móc và robot đã được sử dụng trong nhiều lĩnh vực bao gồm chăm sóc sức khỏe, robot, tiếp thị, phân tích kinh doanh và nhiều hơn nữa.

Bây giờ hãy để thảo luận về các giai đoạn khác nhau của Trí tuệ nhân tạo.

4. Types Of Artificial Intelligence

AI được cấu trúc theo ba giai đoạn tiến hóa:

  1. Artificial Narrow Intelligence (Trí tuệ nhân tạo hẹp)
  2. Artificial General Intelligence (Trí tuệ tổng hợp nhân tạo)
  3. Artificial Super Intelligence (Siêu trí tuệ nhân tạo)

Artificial Narrow Intelligence

Thường được gọi là AI yếu, Trí thông minh nhân tạo hẹp chỉ áp dụng AI cho các nhiệm vụ cụ thể.

Các hệ thống dựa trên AI hiện có yêu cầu sử dụng “artificial intelligence” đang thực sự hoạt động như một AI yếu. Alexa là một ví dụ tốt về trí thông minh hẹp. Nó hoạt động trong một phạm vi chức năng được xác định trước hạn chế. Alexa không có trí thông minh thực sự hoặc tự nhận thức.

Công cụ tìm kiếm Google, Sophia, xe tự lái và thậm chí là AlphaGo nổi tiếng, thuộc nhóm AI yếu.

Artificial General Intelligence

Thường được gọi là AI mạnh mẽ, Trí tuệ tổng hợp nhân tạo liên quan đến các cỗ máy sở hữu khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể.

Bạn thấy đấy, máy móc không sở hữu khả năng giống con người, họ có một đơn vị xử lý mạnh có thể thực hiện các tính toán cấp cao nhưng họ không có khả năng suy nghĩ và suy luận như con người.

Có nhiều chuyên gia nghi ngờ rằng AGI sẽ không bao giờ có thể, và cũng có nhiều người đặt câu hỏi liệu nó có được mong muốn hay không.

Stephen Hawking, cho ví dụ cảnh báo: “Strong AI would take off on its own, and re-design itself at an ever-increasing rate. Humans, who are limited by slow biological evolution, couldn’t compete and would be superseded.” (AI Mạnh AI sẽ tự cất cánh và tự thiết kế lại với tốc độ ngày càng tăng. Con người, bị hạn chế bởi quá trình tiến hóa sinh học chậm chạp, không thể cạnh tranh và sẽ bị thay thế.)

Artificial Super Intelligence

Trí tuệ siêu nhân tạo là một thuật ngữ chỉ thời gian khả năng của máy tính sẽ vượt qua con người.

ASI hiện được xem là một tình huống giả định như được mô tả trong phim và sách khoa học viễn tưởng, nơi máy móc đã chiếm lĩnh thế giới. Tuy nhiên, những kẻ chủ mưu công nghệ như Elon Musk tin rằng ASI sẽ chiếm lĩnh thế giới vào năm 2040!

AI vs ML vs DL (Artificial Intelligence vs Machine Learning vs Deep Learning)

Mọi người có xu hướng nghĩ rằng Artificial Intelligence, Machine Learning, and Deep Learning là giống nhau vì chúng có các ứng dụng chung. Ví dụ, Siri là một ứng dụng của AI, Machine learning và Deep learning.

Vậy những công nghệ này có liên quan như thế nào?

  • AI là khoa học giúp máy móc bắt chước hành vi của con người.
  • ML là một tập hợp con của Trí tuệ nhân tạo (AI) tập trung vào việc khiến máy móc đưa ra quyết định bằng cách cung cấp cho chúng dữ liệu.
  • DL là một tập hợp con của Machine Learning sử dụng khái niệm neural networks để giải quyết các vấn đề phức tạp.

Để tổng hợp AI, Machine Learning và Deep Learning là các lĩnh vực được kết nối với nhau. Machine Learning và Deep learning hỗ trợ Trí tuệ nhân tạo bằng cách cung cấp một bộ thuật toán và mạng lưới thần kinh để giải quyết các vấn đề dựa trên dữ liệu.

Tuy nhiên, AI không bị hạn chế chỉ ML và DL. Nó bao gồm một lĩnh vực rộng lớn bao gồm, Xử lý ngôn ngữ tự nhiên (NLP), phát hiện đối tượng, thị giác máy tính, robot, hệ thống chuyên gia,...

0