Umelá inteligencia �& Teachable Machines

Čo je umelá inteligencia (AI)?

• Umelá inteligencia je oblasť informatiky, ktorá sa zaoberá vytváraním systémov a programov, ktoré majú schopnosť učiť sa a robiť rozhodnutia podobne ako ľudský mozog.  AI využíva matematiku, štatistiku a rôzne algoritmy na riešenie komplexných problémov. AI sa stáva stále dôležitejšou súčasťou našich životov, pretože sa využíva v rôznych odvetviach a aplikáciách.�

2

3

• Hudobné odporúčania:

Streamingové platformy, ako Spotify alebo Apple Music, používajú umelú inteligenciu na analýzu vašich hudobných preferencií a odporúčania nových piesní alebo umelcov, ktoré by sa vám mohli páčiť. Môžete objavovať novú hudbu, ktorá zodpovedá vašemu vkusu.

​

• Sociálne siete:

Sociálne siete, ako Facebook alebo Instagram, používajú umelú inteligenciu na zoraďovanie vášho obsahu. Algoritmy vyhodnocujú, ktoré príspevky vás môžu zaujímať na základe vašich interakcií a správania sa na platforme.

​

• Chatboti:

Rôzne webové stránky a aplikácie majú chatboty, ktoré s vami môžu komunikovať. Títo chatboti môžu byť použité na rôzne účely, od odpovedania na otázky až po asistenciu pri nákupe.

​

• Rozpoznávanie textu a reči:

Hlasové asistentky, ako Siri od Apple alebo Google Assistant, využívajú rozpoznávanie reči a textu na pochopenie vašich pokynov a odpovedanie na otázky.

Čo je klasifikácia?

4

• Klasifikácia je jednou z najzákladnejších úloh v oblasti umelého učenia a umelej inteligencie. Ide o proces triedenia dát do rôznych kategórií alebo tried na základe ich vlastností alebo charakteristík. Je to ako triediť veci podľa ich spoločných vlastností, ale počítačovým spôsobom.

​

• Predstavme si, že máme obrázky rôznych druhov ovocia, a naším cieľom je ich automaticky triediť na jablká, hrušky a banány. Klasifikácia by sa rozhodla, do ktorej kategórie každý obrázok patrí, na základe toho, aké vlastnosti má, napríklad farbu, tvar a veľkosť.

5

Trénovanie AI modelu klasifikátora zahŕňa niekoľko základných fáz:

​

• Zber dát: Prvým krokom je zber dát, ktoré budú použité na trénovanie modelu. Je to jeden z najkľúčovejších krokov.

​

• Vytvorenie trénovacej a testovacej množiny: Dáta sa rozdeľujú na dve množiny - trénovaciu a testovaciu. Trénovacia množina sa použije na trénovanie modelu, zatiaľ čo testovacia množina sa použije na overenie jeho výkonnosti.

​

• Trénovanie modelu: Počítač sa učí rozpoznávať vzory v dátach a priradzovať vstupy k správnym kategóriám.

​

• Overovanie výkonu modelu: Po trénovaní sa model testuje na testovacej množine. To umožňuje posúdiť jeho presnosť a schopnosť klasifikovať nové dáta, ktoré nevidel počas trénovania.

​

• Ladenie modelu: Ak je výkon modelu nedostatočný, môže byť potrebné ho doladiť. To môže zahŕňať zmenu parametrov modelu, zmeny v dátach alebo iné úpravy.

​

• Použitie modelu v praxi: Keď je model trénovaný a overený, môže sa použiť na klasifikáciu nových dát. Môže byť integrovaný do aplikácií alebo systémov, kde môže pomôcť pri riešení konkrétnych problémov.

​

​

Príprava dát

ZBIERAJTE DOSTATOK DÁT

Je dôležité mať dostatok dát pre klasifikáciu. Množstvo dát závisí od zložitosti úlohy. Pre jednoduchú klasifikáciu môžu byť potrebné stovky obrázkov, ale pre zložitejšie úlohy budete potrebovať tisíce alebo dokonca viac.

​

ROVNOMERNÉ ROZLOŽENIE TRIED

Ak máte viacero tried alebo kategórií, dôležité je, aby boli dáta rovnomerne rozložené medzi týmito triedami. To pomôže modelu sa rovnako učiť každú triedu a nebude preferovať jednu nad druhou.

KVALITA A RELEVANTNOSŤ DÁT

Dáta, ktoré zbierate, by mali byť relevantné pre úlohu, ktorú sa snažíte vyriešiť.

​

OZNAČENÉ DÁTA

Dáta by mali byť označené, čo znamená, že by mali obsahovať informácie o tom, do ktorej triedy patria. Tieto označenia sú kľúčové pre trénovanie modelu.

DIVERZITA DÁT

Snažte sa zahrnúť rôznorodé príklady do vašich dát. To znamená, že by ste mali mať rôzne typy obrázkov alebo údajov, aby bol model schopný rozpoznávať rôzne varianty.

​