ఓపెన్‌టెక్స్ట్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్
కృత్రిమ మేధస్సు (AI) మనం యంత్రాలతో పరస్పర చర్య చేసే విధానాన్ని మరియు యంత్రాలు మనతో పరస్పర చర్య చేసే విధానాన్ని మారుస్తుంది. ఈ గైడ్ AI ఎలా పనిచేస్తుందో, వివిధ రకాల మెషిన్ లెర్నింగ్ యొక్క బలాలు మరియు పరిమితులు మరియు ఎప్పటికప్పుడు మారుతున్న ఈ అధ్యయన రంగం యొక్క పరిణామాన్ని వివరిస్తుంది. ఇది నేటి సంక్లిష్టమైన సైబర్ సెక్యూరిటీ బెదిరింపుల నుండి సంస్థలను మెరుగ్గా రక్షించడానికి AI ఎనేబుల్డ్ సెక్యూరిటీ అనలిటిక్స్ లేదా యూజర్ మరియు ఎంటిటీ బిహేవియరల్లీ అనలిటిక్స్ (UEBA) పాత్రను కూడా అన్వేషిస్తుంది.
మెషిన్ vs హ్యూమన్ లెర్నింగ్
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ప్రతిచోటా ఉంది-కనీసం, ఓపెన్‌టెక్స్ట్™లో అలా అనిపిస్తుంది, AI యొక్క పెరుగుదల ఉత్తేజకరమైనది మరియు సవాలుగా ఉంది, కానీ మేము మా సహచరులు, కస్టమర్‌లు మరియు భాగస్వాములతో నిమగ్నమై ఉన్నందున, మేము గ్రహించాము ఈ AI మరియు మెషిన్ లెర్నింగ్ 101 గైడ్‌ను ప్రారంభించడానికి AI యొక్క భావన ఎల్లప్పుడూ సులభంగా అర్థం చేసుకోబడదు, చాలా మంది వ్యక్తులు అడిగే ప్రధాన ప్రశ్నకు సమాధానం ఇవ్వడం ద్వారా మేము AI పజిల్‌ను అన్‌ప్యాక్ చేస్తాము: “నిజంగా కృత్రిమ మేధ అంటే ఏమిటి?”
కృత్రిమ మేధస్సును అర్థం చేసుకోవడానికి సులభమైన మార్గం ఏమిటంటే, మనం ఇప్పటికే అర్థం చేసుకున్న దానికి మ్యాప్ చేయడం-మన స్వంత మేధస్సు కృత్రిమంగా లేని, మానవ మేధస్సు ఎలా పని చేస్తుంది? అత్యంత ప్రాథమిక స్థాయిలో, మన మేధస్సు ఒక సాధారణ పురోగతిని అనుసరిస్తుంది: మేము సమాచారాన్ని తీసుకుంటాము, మేము దానిని ప్రాసెస్ చేస్తాము మరియు చివరికి సమాచారం మాకు పని చేయడంలో సహాయపడుతుంది
దీన్ని సిస్టమ్ రేఖాచిత్రంగా విడదీద్దాం, దిగువ చిత్రంలో, మానవ మేధస్సు యొక్క మూడు సాధారణ దశలు ఎడమ నుండి కుడికి: ఇన్‌పుట్, ప్రాసెసింగ్ మరియు అవుట్‌పుట్ మానవ మెదడులో, ఇన్‌పుట్ మీ కళ్ళలోని విషయాలను గ్రహించడం మరియు గ్రహించడం రూపంలో జరుగుతుంది, ముక్కు, చెవులు మొదలైనవి , కాంతి యొక్క ఫోటాన్లు లేదా పైన్ చెట్ల వాసన వంటి ఎడమ వైపున ముడి ఇన్‌పుట్‌ను తీసుకోండి, ఆపై దాన్ని ప్రాసెస్ చేయండి సిస్టమ్ యొక్క కుడి వైపు అవుట్‌పుట్ ఉంటుంది ఇందులో ప్రసంగం మరియు చర్యలు ఉంటాయి, ఈ రెండూ ఎలా ఆధారపడి ఉంటాయి మన మెదడు స్వీకరించే ముడి ఇన్‌పుట్‌ను మేము ప్రాసెస్ చేస్తాము, ప్రాసెసింగ్ మధ్యలో జరుగుతుంది, ఇక్కడ జ్ఞానం లేదా జ్ఞాపకాలు ఏర్పడతాయి మరియు తిరిగి పొందబడతాయి, నిర్ణయాలు మరియు అనుమితులు మరియు చేయబడతాయి మరియు నేర్చుకోవడం జరుగుతుంది.
మూర్తి 1. మానవ మేధస్సు
నాన్ ఆర్టిఫిషియల్, హ్యూమన్ ఇంటెలిజెన్స్ ఎలా పని చేస్తుంది? అత్యంత ప్రాథమిక స్థాయిలో, మన తెలివితేటలు సరళమైన పురోగతిని అనుసరిస్తాయి: మేము సమాచారాన్ని తీసుకుంటాము, మేము దానిని ప్రాసెస్ చేస్తాము మరియు చివరికి సమాచారం మాకు పని చేయడంలో సహాయపడుతుంది.
రహదారి కూడలిలో ఆగిపోతున్న చిత్రం మీ ముందు ఉన్న ట్రాఫిక్ లైట్ ఆకుపచ్చగా మారిందని మీ కళ్ళు చూస్తాయి, మీరు అనుభవం నుండి (మరియు డ్రైవర్ విద్య) నేర్చుకున్న దాని ఆధారంగా, గ్రీన్ లైట్ మీరు ముందుకు నడపాలని సూచిస్తుందని మీకు తెలుసు కాబట్టి, మీరు గ్యాస్ పెడల్‌ను నొక్కండి గ్రీన్ లైట్ అనేది ముడి ఇన్‌పుట్, మీ త్వరణం అవుట్‌పుట్; మధ్యలో ఉన్న ప్రతిదీ ప్రాసెస్ చేయబడుతోంది
మన చుట్టూ ఉన్న ప్రపంచాన్ని తెలివిగా నావిగేట్ చేయడానికి-ఫోన్‌కు సమాధానం ఇవ్వడం, చాక్లెట్ చిప్ కుక్కీలను కాల్చడం లేదా ట్రాఫిక్ లైట్‌లను పాటించడం-మనం స్వీకరించే ఇన్‌పుట్‌ను ప్రాసెస్ చేయాలి ఇది మానవ మేధస్సు ప్రాసెసింగ్‌లో ప్రధానమైనది మరియు ఇది చివరికి మూడు విభిన్న అంశాలుగా విభజించబడింది. :
- జ్ఞానం మరియు జ్ఞాపకశక్తి. మేము వాస్తవాలను (అనగా, హేస్టింగ్స్ యుద్ధం 1066లో జరిగింది) మరియు సామాజిక నిబంధనలు (అంటే, "దయచేసి" మరియు "ధన్యవాదాలు" అని చెప్పడం మర్యాదపూర్వకంగా పరిగణించబడుతుంది) జ్ఞానాన్ని పెంచుకుంటాము, అదనంగా, జ్ఞాపకశక్తి మనకు సమాచారాన్ని గుర్తుచేసుకోవడానికి మరియు వర్తింపజేస్తుంది. గతం నుండి ప్రస్తుత పరిస్థితులు ఉదాహరణకుampలే, ఎడ్వర్డ్ తన పుట్టినరోజు బహుమతికి జేన్ అతనికి కృతజ్ఞతలు చెప్పలేదని గుర్తుచేసుకున్నాడు, కాబట్టి అతను ఆమెకు క్రిస్మస్ బహుమతిని ఇచ్చినప్పుడు ఆమె అతనికి కృతజ్ఞతలు తెలుపుతుందని అతను ఆశించలేదు
- నిర్ణయం మరియు అనుమితి. విజ్ఞానం మరియు/లేదా జ్ఞాపకశక్తితో కలిపి ముడి ఇన్‌పుట్ ఆధారంగా నిర్ణయాలు మరియు అనుమానాలు తీసుకోబడతాయిampలే, ఎడ్వర్డ్ గత సంవత్సరం ఒక జలపెనో మిరియాలు తిన్నాడు మరియు అది నచ్చలేదు జానీ ఎడ్వర్డ్‌కి మిరియాలు అందించినప్పుడు, అతను దానిని తినకూడదని నిర్ణయించుకున్నాడు
- నేర్చుకోవడం. మానవులు మాజీ ద్వారా నేర్చుకోవచ్చుample, observation, or algorithm In learning by example, ఒక జంతువు కుక్క, మరొకటి పిల్లి అని మనకు చెప్పబడింది, పరిశీలన ద్వారా నేర్చుకునేటప్పుడు, కుక్కలు మొరుగుతాయని మరియు పిల్లులు మియావ్ అని మనం స్వంతంగా గుర్తించాము మూడవ అభ్యాస పద్ధతి-అల్గోరిథం- అనుసరించడం ద్వారా ఒక పనిని పూర్తి చేయగలదు. దశల శ్రేణి లేదా నిర్దిష్ట అల్గోరిథం (ఉదా , దీర్ఘ విభజన చేయడం)
మానవ మేధస్సు యొక్క ఈ అంశాలు సమాంతరంగా కృత్రిమ మేధస్సును కలిగి ఉంటాయి, మనం సమాచారాన్ని తీసుకున్నట్లే, దానిని ప్రాసెస్ చేసి, అవుట్‌పుట్‌ను పంచుకున్నట్లే, యంత్రాలు కూడా ఇది ఎలా మ్యాప్ అవుతుందో చూడటానికి క్రింది బొమ్మను చూద్దాం.
మూర్తి 2. కృత్రిమ మేధస్సు
మన చుట్టూ ఉన్న ప్రపంచాన్ని తెలివిగా నావిగేట్ చేయడానికి- ఫోన్‌కి సమాధానం ఇవ్వడం, చాక్లెట్ చిప్ కుక్కీలను కాల్చడం లేదా ట్రాఫిక్ లైట్‌లను పాటించడం-మనం స్వీకరించే ఇన్‌పుట్‌ను ప్రాసెస్ చేయాలి.
మెషీన్లలో, కృత్రిమ మేధస్సు యొక్క ఇన్‌పుట్ భాగం సహజ భాషా ప్రాసెసింగ్, స్పీచ్ రికగ్నిషన్, విజువల్ రికగ్నిషన్ మరియు మరిన్నింటి ద్వారా ఉదహరించబడుతుంది, మీరు రోడ్‌వేలు మరియు అడ్డంకులను పసిగట్టాల్సిన సెల్ఫ్ డ్రైవింగ్ కార్ల నుండి అలెక్సా లేదా సిరి వరకు ప్రతిచోటా ఇటువంటి సాంకేతికతలు మరియు అల్గారిథమ్‌లను చూస్తారు. ఇది మీ ప్రసంగాన్ని గుర్తించినప్పుడు క్రింది అవుట్‌పుట్‌లో యంత్రాలు మన చుట్టూ ఉన్న ప్రపంచంతో పరస్పర చర్య చేసే మార్గాలు, ఇది రోబోటిక్స్, నావిగేషన్ సిస్టమ్‌లు (ఆ సెల్ఫ్ డ్రైవింగ్ కార్లకు మార్గనిర్దేశం చేయడానికి), స్పీచ్ జనరేషన్ (ఉదా , సిరి) మొదలైన వాటి రూపంలో ఉండవచ్చు. మధ్య, మేము వివిధ రకాల ప్రాసెసింగ్‌లను కలిగి ఉన్నాము
మన జ్ఞానం మరియు జ్ఞాపకాల సేకరణ మాదిరిగానే, యంత్రాలు ప్రపంచం గురించి సమాచారాన్ని నిల్వ చేయడంలో సహాయపడే జ్ఞాన ప్రాతినిధ్యాలను (ఉదా , గ్రాఫ్ డేటాబేస్‌లు, ఆన్‌టాలజీలు) సృష్టించగలవు, మానవులు నిర్ణయాలు తీసుకోవడం లేదా అనుమితులు తీసుకున్నట్లే, యంత్రాలు అంచనా వేయగలవు, లక్ష్యాన్ని అనుకూలపరచగలవు లేదా ఫలితం మరియు నిర్దిష్ట లక్ష్యాన్ని చేరుకోవడానికి ఉత్తమ తదుపరి దశలు లేదా నిర్ణయాలను నిర్ణయించండి
చివరగా, మేము మాజీ ద్వారా నేర్చుకున్నట్లుగాample, పరిశీలన లేదా అల్గోరిథం, యంత్రాలు సారూప్య పద్ధతులను ఉపయోగించి బోధించబడతాయి పర్యవేక్షించబడే యంత్ర అభ్యాసం అనేది మాజీ ద్వారా నేర్చుకోవడం వంటిదిample: కంప్యూటర్‌కు డేటా సెట్‌లో “లేబుల్‌లు” ఉన్న డేటాసెట్ ఇవ్వబడుతుంది, అది సమాధానాలుగా పని చేస్తుంది మరియు చివరికి వివిధ లేబుల్‌ల మధ్య వ్యత్యాసాన్ని చెప్పడం నేర్చుకుంటుంది (ఉదా , ఈ డేటాసెట్‌లో “కుక్క” లేదా “పిల్లి” అని లేబుల్ చేయబడిన ఫోటోలు ఉన్నాయి మరియు తగినంత మాజీతోampలెస్, కుక్కలు సాధారణంగా పిల్లుల కంటే పొడవైన తోకలు మరియు తక్కువ సూటిగా ఉండే చెవులను కలిగి ఉన్నాయని కంప్యూటర్ గమనిస్తుంది)
పర్యవేక్షించబడని యంత్ర అభ్యాసం, మరోవైపు, పరిశీలన ద్వారా నేర్చుకోవడం లాంటిది, కంప్యూటర్ నమూనాలను (కుక్కలు బెరడు మరియు పిల్లులు మియావ్) గమనిస్తుంది మరియు దీని ద్వారా సమూహాలు మరియు నమూనాలను దాని స్వంతంగా వేరు చేయడం నేర్చుకుంటుంది (ఉదా , జంతువులలో రెండు సమూహాలు ఉన్నాయి. అవి చేసే శబ్దం ద్వారా వేరు చేయబడుతుంది-కుక్కలు-మరియు ఇతర సమూహం మియావ్స్- పిల్లులు) పర్యవేక్షించబడని అభ్యాసానికి లేబుల్‌లు అవసరం లేదు మరియు డేటా సెట్‌లు పరిమితం చేయబడినప్పుడు మరియు లేబుల్‌లు లేనప్పుడు చివరగా, అల్గోరిథం ద్వారా నేర్చుకోవడం మంచిది. సాఫ్ట్‌వేర్ ప్రోగ్రామ్‌లో దశలవారీగా ఏమి చేయాలో ప్రోగ్రామర్ కంప్యూటర్‌కు నిర్దేశించినప్పుడు ఏమి జరుగుతుంది.
డీలీ, అత్యంత ఖచ్చితమైన మరియు లోపభూయిష్ట కృత్రిమ మేధస్సు ఫలితాలకు అభ్యాస పద్ధతుల కలయిక అవసరం మరియు పర్యవేక్షించబడే మరియు పర్యవేక్షించబడని మెషిన్ లెర్నింగ్ రెండూ ఉపయోగకరమైన పద్ధతులు- ఇది సరైన వినియోగ సందర్భంలో సరైన విధానం లేదా విధానాలను వర్తింపజేయడం.
తర్వాత, ఇన్‌పుట్‌ను సరైన అవుట్‌పుట్‌గా మార్చడానికి AI యొక్క ఈ భాగం మన మెదడులోని న్యూరాన్‌లను ఎలా ప్రతిబింబిస్తుందో అర్థం చేసుకోవడానికి మేము మైక్రోస్కోప్ కింద మెషిన్ లెర్నింగ్‌ను ఉంచుతాము.
ఆదర్శవంతంగా, అత్యంత ఖచ్చితమైన మరియు సమర్థవంతమైన కృత్రిమ మేధస్సు ఫలితాలకు అభ్యాస పద్ధతుల కలయిక అవసరం. పర్యవేక్షించబడే మరియు పర్యవేక్షించబడని మెషీన్ లెర్నింగ్ రెండూ ఉపయోగకరమైన పద్ధతులు-ఇదంతా సరైన వినియోగ సందర్భంలో సరైన విధానం లేదా విధానాలను వర్తింపజేయడం.
న్యూరల్ నెట్‌వర్క్ మరియు డీప్ లెర్నింగ్
మెషిన్ లెర్నింగ్ అనేది AIలో ఒక భాగం మాత్రమే, అయినప్పటికీ దానిలో అల్గారిథమ్‌ల యొక్క భారీ ఉపసమితి ఉంది, ఈరోజు మీరు తరచుగా వినే ఒక పద్ధతి "డీప్ లెర్నింగ్," ఈ అల్గారిథమ్, ఇది ఇటీవలి సంవత్సరాలలో వార్తలలో ఎక్కువ శ్రద్ధను పొందింది. దాని జనాదరణ మరియు విజయం, ఇది ఎలా పని చేస్తుందో అర్థం చేసుకోవడానికి ఇది సహాయపడుతుంది, డీప్ లెర్నింగ్ అనేది మెషిన్ లెర్నింగ్ అల్గారిథమ్ యొక్క పరిణామం, ఇది 1980లలో మీరు గుర్తించవచ్చు: న్యూరల్ నెట్‌వర్క్‌లు.
న్యూరల్ నెట్‌వర్క్‌లు-మనం "నేర్చుకునేందుకు" యంత్రాలకు శిక్షణ ఇచ్చే ప్రోగ్రామింగ్ నమూనా-న్యూరాన్లు లేదా మన నాడీ వ్యవస్థకు పునాదిగా ఉండే మానవ శరీరంలోని ప్రత్యేక కణాల ద్వారా ప్రేరణ పొందింది మరియు ముఖ్యంగా మెదడులు ఈ కణాలు మన శరీరమంతా నాడీని ప్రేరేపించే సంకేతాలను ప్రసారం చేస్తాయి. సిస్టమ్ ప్రతిస్పందనలు మరియు ప్రక్రియలు న్యూరాన్లు మనకు చూడడానికి, వినడానికి, వాసన చూడడానికి వీలు కల్పిస్తాయి.
మూర్తి 3. న్యూరాన్లు సందేశాలను ఎలా స్వీకరిస్తాయి మరియు పంపుతాయి
మన మెదడులోని రెండు న్యూరాన్‌ల మధ్య కనెక్షన్ ఎంత బలంగా ఉందో, మన సినాప్సెస్ యొక్క అంచు యొక్క బలంతో పాటు మానవ అభ్యాసంగా మనం భావించే వాటిలో చాలా వరకు వివరించవచ్చు.
ఈ గైడ్‌లోని ఒక భాగంలో, మేము మానవ మేధస్సు యొక్క ప్రాథమిక ప్రక్రియను చర్చించాము: ఎడమవైపు ఇన్‌పుట్ మరియు కుడివైపు అవుట్‌పుట్ న్యూరాన్ (పై చిత్రంలో) ఇందులో కీలక పాత్ర పోషిస్తుంది న్యూరాన్ యొక్క ఎడమ వైపున, సెల్ బాడీ సేకరిస్తుంది “ఇన్‌పుట్” అది తగినంత ఇన్‌పుట్ లేదా స్టిమ్యులేషన్‌ను స్వీకరించిన తర్వాత, ఆక్సాన్ ఫ్రెస్, సమాచారాన్ని కుడి వైపుకు ప్రసారం చేస్తుంది-సినాప్స్ “అవుట్‌పుట్” తర్వాత ఇతర న్యూరాన్‌లకు పంపబడుతుంది.
ఏ క్షణంలోనైనా, మన న్యూరాన్లు ఒకదానికొకటి సందేశాలను పంపుతున్నాయి, మన పరిసరాలను గ్రహించే మన సామర్థ్యానికి ఈ కణాలు బాధ్యత వహిస్తాయి మరియు మనం నేర్చుకున్నప్పుడు, మన న్యూరాన్లు చాలా చురుకుగా మారతాయి, వాస్తవానికి, మనం మానవ అభ్యాసంగా భావించే వాటిలో చాలా వరకు వివరించబడతాయి. మన మెదడులోని రెండు న్యూరాన్‌ల మధ్య కనెక్షన్ ఎంత బలంగా ఉంది, మన సినాప్సెస్ యొక్క అంచు యొక్క బలంతో పాటు
న్యూరల్ నెట్‌వర్క్ అనేది న్యూరాన్ కణాల సమాహారం యొక్క గణిత అనుకరణ, దిగువన ఉన్న చిత్రం 3 లేయర్‌లు మరియు 12 నోడ్‌లతో కూడిన ప్రాథమిక న్యూరల్ నెట్‌వర్క్‌ను సూచిస్తుంది
ప్రతి వృత్తాకార నోడ్ ఒక కృత్రిమ, జీవశాస్త్ర ప్రేరేపిత “న్యూరాన్”ను సూచిస్తుంది , ఇన్‌పుట్-పిక్సెల్ డేటా వంటివి-ఇన్‌పుట్ లేయర్ నుండి, మధ్య "దాచిన" లేయర్‌ల ద్వారా మరియు చివరికి అవుట్‌పుట్ లేయర్‌కి గణిత సమీకరణాల ద్వారా వాస్తవ జీవసంబంధమైన న్యూరాన్‌లలోని విద్యుత్ కార్యకలాపాల ద్వారా వదులుగా ప్రేరేపించబడిన పద్ధతిలో ప్రవహిస్తుంది.
మూర్తి 4. సాధారణ న్యూరల్ నెట్‌వర్క్
ఇన్‌పుట్ లేయర్‌కి అందించిన డేటా సెట్‌లను అవుట్‌పుట్ లేయర్‌లో కావలసిన ఫలితాలకు సరిపోల్చడానికి ప్రయత్నించడం ద్వారా న్యూరల్ నెట్‌వర్క్‌లు నేర్చుకుంటాయి. గణిత సమీకరణాలు అవుట్‌పుట్‌లను గణిస్తాయి, అనుకరణ అవుట్‌పుట్‌ను కావలసిన ఫలితంతో సరిపోల్చుతాయి మరియు ఫలితంగా వచ్చే తేడాలు కనెక్షన్‌ల బలానికి ట్వీక్‌లను ఉత్పత్తి చేస్తాయి.
అవుట్‌పుట్ లేయర్‌లో కావలసిన ఫలితాలకు ఇన్‌పుట్ లేయర్‌కు అందించిన డేటా సెట్‌లను సరిపోల్చడానికి ప్రయత్నించడం ద్వారా న్యూరల్ నెట్‌వర్క్‌లు నేర్చుకుంటాయి, గణిత సమీకరణాలు అవుట్‌పుట్‌లను గణిస్తాయి, అనుకరణ అవుట్‌పుట్‌ను కావలసిన ఫలితంతో సరిపోల్చండి మరియు ఫలితంగా వచ్చే తేడాలు కనెక్షన్‌ల బలానికి సర్దుబాటు చేస్తాయి. కంప్యూటెడ్ అవుట్‌పుట్ ఆశించిన ఫలితానికి దగ్గరగా ఉండే వరకు ఈ ట్వీక్‌లు పునరుక్తిగా సవరించబడతాయి, ఆ సమయంలో మేము న్యూరల్ నెట్‌వర్క్ "నేర్చుకుంది" అని చెబుతాము.
చిత్రం 5. కాంప్లెక్స్ న్యూరల్ నెట్‌వర్క్
ఈ "లోతైన" న్యూరల్ నెట్‌వర్క్‌లు చాలా క్లిష్టమైన అంచనాలను చేయగలవు, వేల సంఖ్యలో నోడ్‌లు మరియు వందల లేయర్‌లు ఉండవచ్చు, అంటే వేలకొద్దీ విభిన్న లెక్కలు లోతైన అభ్యాస నమూనాలు ప్రసంగం లేదా ఇమేజ్ రికగ్నిషన్ వంటి నిర్దిష్ట సమస్యలలో చాలా మంచివిగా మారాయి.
అయితే, లోతైన అభ్యాసం అనేది మెషీన్ లెర్నింగ్‌కు సిల్వర్ బుల్లెట్ కాదని గమనించాలి- ప్రత్యేకించి సైబర్ సెక్యూరిటీలో కాదు, కొన్నిసార్లు లోతైన అభ్యాస పద్ధతులకు అనువైన క్లీన్ డేటా పెద్ద పరిమాణంలో ఉండదు, సరైన అల్గారిథమ్‌ను ఎంచుకోవడం ముఖ్యం, డేటా మరియు ఉద్యోగం కోసం సూత్రాలు సాక్ష్యాలను సేకరించడానికి, చుక్కలను కనెక్ట్ చేయడానికి మరియు ముగింపును రూపొందించడానికి యంత్రాలకు ఇది ఉత్తమ మార్గం
న్యూరల్ నెట్‌వర్క్‌లు భవిష్యత్తుకు సంబంధించినవిగా అనిపించవచ్చు, కానీ ఇది కొంతకాలంగా ఉంది, వాస్తవానికి, న్యూరల్ నెట్‌వర్క్‌లు 1940లలో తిరిగి వ్యాప్తి చెందడం ప్రారంభించిన ఆలోచనలపై ఆధారపడి ఉంటాయి తదుపరి విభాగంలో, అర్థం చేసుకోవడానికి మేము ఒక చిన్న పర్యటన చేస్తాము న్యూరల్ నెట్‌వర్క్‌లు మరియు మెషిన్ లెర్నింగ్ ఆధునిక జీవితంలోని అనేక భాగాలను ఎలా విస్తరించాయి.
న్యూరల్ నెట్‌వర్క్‌లు భవిష్యత్తుకు సంబంధించిన అంశాలుగా అనిపించవచ్చు, కానీ ఇది కొంతకాలంగా ఉంది. నిజానికి, న్యూరల్ నెట్‌వర్క్‌లు 1940లలో తిరిగి ప్రసరించడం ప్రారంభించిన ఆలోచనలపై ఆధారపడి ఉన్నాయి.
ఎ బ్రీఫ్ హిస్టరీ ఆఫ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్
కొంతమందికి, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అనే పదం ఎగిరే కార్లు మరియు గృహ రోబోట్‌లతో భవిష్యత్ నగరాల చిత్రాలను రేకెత్తిస్తుంది, అయితే AI అనేది భవిష్యత్ కాన్సెప్ట్ కాదు, కనీసం ఇకపై అలా ప్రస్తావించనప్పటికీ, కృత్రిమ మేధస్సు ఆలోచన కావచ్చు. పురాతన కాలం నాటిది (అనగా , గ్రీకు దేవుడు హెఫెస్టస్ మాట్లాడే యాంత్రిక పనిమనిషి) ¹ 1930ల నుండి, శాస్త్రవేత్తలు మరియు గణిత శాస్త్రజ్ఞులు మానవుల నుండి వేరుగా ఉన్న నిజమైన మేధస్సును రూపొందించడానికి అన్వేషించడానికి ఆసక్తిగా ఉన్నారు.
20వ శతాబ్దం మధ్యలో AI యొక్క నిర్వచించే క్షణం గణితం మరియు జీవశాస్త్రం యొక్క సంతోషకరమైన సంగమం, నార్బర్ట్ వీనర్, క్లాడ్ షానన్ మరియు అలాన్ ట్యూరింగ్ వంటి పరిశోధకులు 1943 నాటికి ఎలక్ట్రికల్ సిగ్నల్స్ మరియు గణనల ఖండన వద్ద ఇప్పటికే దూరంగా ఉన్నారు, వారెన్ మెక్‌కల్లోచ్ మరియు వాల్టర్ పిట్స్ న్యూరల్ నెట్‌వర్క్‌ల కోసం ఒక నమూనాను రూపొందించింది న్యూరల్ నెట్‌వర్క్‌లు ఎక్కువ హార్స్‌పవర్‌తో కూడిన ధైర్యవంతమైన కొత్త కంప్యూటింగ్ ప్రపంచానికి మార్గం సుగమం చేశాయి మరియు 1956లో, AI పరిశోధనా రంగం అధికారికంగా విద్యాపరమైన విభాగంగా స్థాపించబడింది.
శతాబ్దపు చివరి సగం AI పరిశోధన మరియు పురోగతికి ఉత్తేజకరమైన యుగం, 70ల మధ్య మరియు 80ల చివరిలో "AI శీతాకాలాలు" అప్పుడప్పుడు అంతరాయం కలిగింది, ఇక్కడ AI ప్రజల అంచనాలను అందుకోవడంలో విఫలమైంది మరియు ఫెల్డ్‌లో పెట్టుబడి తగ్గింది, అయితే ఎదురుదెబ్బలు ఉన్నప్పటికీ, AI మరియు మెషీన్ లెర్నింగ్ కోసం వేర్వేరు అప్లికేషన్‌లు ఎడమ మరియు కుడివైపు కనిపిస్తున్నాయి, అటువంటి అప్లికేషన్ యొక్క ఒక నిర్దిష్ట వృత్తాంతం శాస్త్రీయ సమాజంలో ఒక ప్రసిద్ధ ఉపమానంగా మారింది, AI పరిశోధన మరియు అమలు యొక్క ట్రయల్స్ మరియు కష్టాల గురించి చాలా ప్రభావవంతంగా మాట్లాడుతుంది.
కథ ఇలా సాగుతుంది:
1980లలో, పెన్tagకేవలం ఒక మెయిన్‌ఫ్రేమ్‌తో పని చేస్తూ (1980ల నుండి, గుర్తుంచుకోండి) న్యూరల్ నెట్‌వర్క్‌ను గుర్తించడానికి న్యూరల్ నెట్‌వర్క్‌ను ఉపయోగించాలని నిర్ణయించుకుంది, సాపేక్షంగా చిన్న నాడీ నెట్‌వర్క్ ఉన్నప్పటికీ (200ల కారణంగా) 100 చిత్రాలతో-100 ట్యాంకులు మరియు 1980 చెట్లతో న్యూరల్ నెట్ శిక్షణ పొందింది. గణన మరియు జ్ఞాపకశక్తిపై పరిమితులు), ల్యాబ్ శిక్షణ 100% ఖచ్చితత్వానికి దారితీసింది, అటువంటి విజయంతో, ఫలితాలు గొప్పగా లేవు.
మూర్తి 6. ల్యాబ్ vs ఫీల్డ్ పిక్చర్స్ (మూలం: న్యూరల్ నెట్‌వర్క్ ఫోలీస్, నీల్ ఫ్రేజర్, సెప్టెంబర్ 1998)
1980లలో ఊహించని విస్తారమైన కంప్యూటింగ్ వనరుల లభ్యతతో, డీప్ న్యూరల్ నెట్‌వర్క్‌లు త్వరగా పరిశోధన కోసం ఒక ప్రసిద్ధ ప్రాంతంగా మారాయి. డీప్ లెర్నింగ్ అనేది సిస్టమ్‌కు బిలియన్ల కొద్దీ కలయికలు మరియు పరిశీలనల ద్వారా స్వయంచాలకంగా "నేర్చుకునే" సామర్థ్యాన్ని అందిస్తుంది, మానవ వనరులపై ఆధారపడటాన్ని తగ్గిస్తుంది.
ల్యాబ్‌లోని ఫోటోలపై న్యూరల్ నెట్‌వర్క్ ఎందుకు అద్భుతంగా చేసింది, కానీ ఫెల్డ్‌లో పూర్తిగా విఫలమైంది? నాన్-ట్యాంక్ ఫోటోలన్నీ ఆకాశం మేఘావృతమై ఉన్న రోజుల్లో తీసినవి అని తేలింది; చెట్ల చిత్రాలన్నీ సూర్యుడు ప్రకాశించే రోజులలో తీయబడ్డాయి, సూర్యరశ్మిని గుర్తించడానికి న్యూరల్ నెట్‌కు శిక్షణ ఇవ్వబడింది, ట్యాంకులు కాదు
చివరికి, అయితే, లోతైన అభ్యాసం ద్వారా దృశ్యమాన గుర్తింపు - పెన్ కంటే చాలా క్లిష్టంగా ఉండే న్యూరల్ నెట్‌వర్క్‌ల ద్వారా సులభతరం చేయబడిందిtagఆన్ యొక్క 1980ల మెయిన్‌ఫ్రేమ్ నిర్వహించగలిగేది-2012లో, స్టాన్‌ఫోర్డ్ ప్రొఫెసర్ ఆండ్రూ Ng మరియు Google తోటి జెఫ్ డీన్ 1000 కోర్లతో 16 కంప్యూటర్‌లను ఉపయోగించి మొదటి డీప్ న్యూరల్ నెట్‌వర్క్‌లలో ఒకదాన్ని సృష్టించారు: 10 మిలియన్ యూట్యూబ్ వీడియోలను విశ్లేషించండి ఫలితం : ఇది పిల్లులను కనుగొంది ² దాని “డీప్ లెర్నింగ్” అల్గారిథమ్‌కు ధన్యవాదాలు, నెట్‌వర్క్ కాలక్రమేణా పిల్లులను గుర్తించగలిగింది మరియు చాలా మంచి ఖచ్చితత్వంతో
1980లలో ఊహించని విస్తారమైన కంప్యూటింగ్ వనరుల లభ్యతతో, డీప్ న్యూరల్ నెట్‌వర్క్‌లు త్వరగా పరిశోధనలకు ప్రసిద్ధి చెందిన ప్రాంతంగా మారాయి లోతైన అభ్యాసం వ్యవస్థకు బిలియన్ల కొద్దీ కలయికలు మరియు పరిశీలనల ద్వారా స్వయంచాలకంగా "నేర్చుకునే" సామర్థ్యాన్ని అందిస్తుంది, ఇది ఆధారపడటాన్ని తగ్గిస్తుంది. మానవ వనరులు సైబర్ సెక్యూరిటీ డొమైన్‌లో, మాల్‌వేర్‌ను గుర్తించడం కోసం ఈ పద్ధతి ప్రత్యేకించి ఆశాజనకంగా మారింది—మనం చాలా మంది మాజీలతో పెద్ద డేటాసెట్‌లను కలిగి ఉన్న దృశ్యాలుampనెట్‌వర్క్ నేర్చుకోగల మాల్వేర్ లెస్
దురదృష్టవశాత్తూ, అంతర్గత ముప్పు వంటి నిర్దిష్ట ఉపయోగ సందర్భాల విషయానికి వస్తే డీప్ లెర్నింగ్ పద్ధతులు ప్రస్తుతం తక్కువ ప్రభావవంతంగా ఉంటాయి, ఎందుకంటే ఈ రకమైన దాడులపై సరైన రకమైన డేటా మా వద్ద లేదు, అవసరమైన వాల్యూమ్‌లలో చాలా తరచుగా, మా వద్ద ఉన్న సమాచారం ఇన్‌సైడర్ బెదిరింపులు వృత్తాంతం, ఈ రకమైన న్యూరల్ నెట్‌వర్క్‌లు వీటిని సమర్థవంతంగా ఉపయోగించలేవు.
మేము మరింత ప్రభావవంతమైన డేటాసెట్‌లను సేకరించే వరకు (మరియు డీప్ లెర్నింగ్ సిస్టమ్‌ల ఖర్చు మరియు సంక్లిష్టతను తగ్గించే వరకు), డీప్ లెర్నింగ్ అనేది అన్ని వినియోగ సందర్భాలలో సరైన ఎంపిక కాదు మరియు ఫర్వాలేదు డీప్ లెర్నింగ్ అనేది అనేక మెషీన్ లెర్నింగ్ అల్గారిథమ్‌లలో ఒకటి, మరియు ఈ విధానాలు మరింత విలువైనది కానట్లే-ఇదంతా చేతిలో ఉన్న ఉద్యోగంపై ఆధారపడి ఉంటుంది
AI సాంకేతికత యొక్క అధికారిక “పుట్టుక” నుండి ఆరు దశాబ్దాలలో మేము అపారమైన సామర్థ్యాన్ని చూశాము మరియు మేము కేవలం ఉపరితలంపై మాత్రమే గీసుకున్నాము, ముఖ్యంగా భద్రతలో తదుపరి, మేము AI మరియు విశ్లేషణలను మార్చడానికి సంభావ్య అనువర్తనాల్లోకి లోతుగా డైవ్ చేస్తాము. మేము భద్రతా బెదిరింపులను గుర్తించి వాటికి ప్రతిస్పందించే మార్గం.
ప్రిడిక్టివ్ అనలిటిక్స్ అనేది చాలా పెద్ద పజిల్‌లో ఒక భాగం, ఇది భద్రతా బృందాలకు మరింత ఉపయోగకరమైన అంతర్దృష్టిని అందిస్తుంది.
AI సాంకేతికత యొక్క అధికారిక "పుట్టుక" నుండి ఆరు దశాబ్దాలలో అపారమైన సామర్థ్యాన్ని మేము చూశాము మరియు మేము కేవలం ఉపరితలంపై, ప్రత్యేకించి భద్రతలో మాత్రమే గీతలు చేసాము.
సెక్యూరిటీ అనలిటిక్స్ కోసం కొత్త విజన్
ఇప్పటివరకు, ఈ గైడ్ మెషీన్ లెర్నింగ్‌ని నిశితంగా పరిశీలించి, దాని పరిమితులు మరియు బలాలను అర్థం చేసుకోవడం ద్వారా AIని సులభతరం చేయడానికి మెషిన్ లెర్నింగ్‌కు అపారమైన సంభావ్యత ఉంది, అయితే ముప్పును గుర్తించే విస్తృత గేమ్ లోతైన అభ్యాసం లేదా యంత్ర అభ్యాసం మాత్రమే కాదని గమనించాలి. ఈ రోజు మనకు తెలిసినట్లుగా, కొత్త డేటా రకాలతో కలిపి కొత్త విశ్లేషణాత్మక పద్ధతులు మనకు పూర్తిగా కొత్త ఫ్రేమ్‌వర్క్‌లను అందించగలవు, ఇందులో భద్రతా బెదిరింపులను విశ్లేషించి, వాటిపై చర్య తీసుకోవచ్చు.
| కొత్త పద్ధతులు | అనిశ్చితి కింద అడాప్టివ్ అనాలిసిస్ నిరంతర విశ్లేషణ ఆప్టిమైజేషన్ | సందర్భానికి ప్రతిస్పందించడం స్థానిక మార్పు/అభిప్రాయానికి ప్రతిస్పందించడం ప్రమాదాన్ని లెక్కించడం లేదా తగ్గించడం |
| సాంప్రదాయ | ఆప్టిమైజేషన్ ప్రిడిక్టివ్ మోడలింగ్ సిమ్యులేషన్ ఫోర్‌కాస్టింగ్ హెచ్చరికలు ప్రశ్న/డ్రిల్ డౌన్ అడ్ హాక్ రిపోర్టింగ్ స్టాండర్డ్ రిపోర్టింగ్ | నిర్ణయ సంక్లిష్టత, పరిష్కార వేగం సాధారణం, సంభావ్యత, విశ్వాస స్థాయిలు అధిక విశ్వసనీయత, గేమ్‌లు, డేటా వ్యవసాయం పెద్ద డేటా సెట్‌లు, నాన్‌లీనియర్ రిగ్రెషన్ నియమాలు/ట్రిగ్గర్లు, సందర్భోచితమైన, సంక్లిష్టమైన సంఘటనలు మెమరీ డేటాలో, మసక శోధన, మాజీ ద్వారా భౌగోళిక స్పేషియల్ క్వెరీample, యూజర్ డిఫెండ్ రిపోర్ట్స్ రియల్ టైమ్, విజువలైజేషన్స్, యూజర్ ఇంటరాక్షన్ |
| కొత్త డేటా | ఎంటిటీ రిజల్యూషన్ రిలేషన్షిప్, ఫీచర్ ఎక్స్‌ట్రాక్షన్ ఉల్లేఖన మరియు టోకనైజేషన్ | వ్యక్తులు, పాత్రలు, స్థానాలు, విషయాలు నియమాలు, సెమాంటిక్ ఇన్ఫరెన్సింగ్, మ్యాచింగ్ ఆటోమేటెడ్, క్రౌడ్ సోర్స్ |
ఇతర పరిశ్రమల కోసం విశ్లేషణలు ఏమి చేయగలవో మేము చూశాము మరియు సైబర్ సెక్యూరిటీపై విశ్లేషణలు తీవ్ర ప్రభావాన్ని చూపే అవకాశం ఉంది, అలాగే మేము భద్రతా విశ్లేషణలుగా సూచించే కొత్త రంగంలో ఇది రూపుదిద్దుకోవడం చూస్తాము, ఇది తప్పనిసరిగా యుద్ధ-పరీక్షలను తీసుకుంటుంది. మేము చర్చించిన (మరియు మరిన్ని) మరియు వాటిని వర్తింపజేసే అల్గారిథమ్‌లు మరియు మెథడాలజీలు భద్రతలో నిజంగా కష్టమైన సమస్యలను పరిష్కరించడంలో సహాయపడతాయి
ఈ రోజు మనం భద్రతలో చూసే అత్యంత సాధారణ విశ్లేషణలలో ప్రిడిక్టివ్ మోడల్‌లు ఉంటాయి, ఇది పెద్ద మొత్తంలో డేటాలో ఎక్కడ ప్రమాదాలు ఉండవచ్చో గుర్తించడానికి అనుమతిస్తుంది (ఇక్కడే క్రమరాహిత్యాన్ని గుర్తించడం అడుగులు) ఒక్కమాటలో చెప్పాలంటే, ప్రిడిక్టివ్ మోడలింగ్ చారిత్రక డేటాను నిజ-సమయ ప్రవర్తనతో మిళితం చేస్తుంది. భవిష్యత్ ప్రవర్తనను అర్థం చేసుకోవడానికి లేదా అంచనా వేయడానికి దీనితో, “తర్వాత ఏమి జరుగుతుంది?” అనే ప్రశ్నకు మనం సమాధానం ఇవ్వగలము.
కానీ భద్రతా విశ్లేషణల కోసం మా దృష్టి ఇక్కడ ఆగదు ప్రిడిక్టివ్ అనలిటిక్స్ అనేది చాలా పెద్ద పజిల్‌లో ఒక భాగం, ఇది భద్రతా బృందాలకు మరింత ఉపయోగకరమైన అంతర్దృష్టిని అందించగలదు, ఆదర్శ విశ్లేషణల నమూనా తెలివైన సెన్సార్ మరియు సర్వవ్యాప్త డేటా సోర్స్‌లను మిళితం చేస్తుంది-డెస్క్‌టాప్‌లు మరియు సర్వర్లు, మొబైల్ , క్లౌడ్, సోషల్ నెట్‌వర్క్‌లు, ఓపెన్ డేటా, మొదలైనవి —ఫోరెన్సిక్ విశ్లేషణ, రిస్క్ మోడలింగ్, అనోమలీ డిటెక్షన్, బిహేవియరల్ మరియు రెస్పాన్స్ ఆప్టిమైజేషన్ మరియు మరిన్ని సహా ప్రవర్తనా మరియు ముప్పు విశ్లేషణకు బహుళ అధునాతన విశ్లేషణాత్మక విధానాలతో
దీనర్థం మనం ముప్పును అంచనా వేయడం లేదా గుర్తించడం కంటే చాలా ఎక్కువ చేయగలమని దీని అర్థం ఇది కేవలం అధునాతన గుర్తింపును అందించడానికి మరింత ముందుకు వెళ్లడానికి అనుమతిస్తుంది, అయితే అత్యంత ప్రభావవంతంగా ఎలా ప్రతిస్పందించాలో అంతర్దృష్టి భద్రతా విశ్లేషణలు మాకు "ఎలా" వంటి ఇతర కీలక ప్రశ్నలకు సమాధానం ఇవ్వగల శక్తిని ఇస్తుంది చాలా బెదిరింపులు ఉన్నాయా?" మరియు "సాధ్యమైన ఉత్తమ ప్రతిచర్య ఏమిటి?"
సైబర్ సెక్యూరిటీకి వర్తించే ఆప్టిమైజేషన్ పద్ధతుల వంటి ఇతర తరగతుల విశ్లేషణలను మేము ఇంకా చూడలేదు, కానీ వాటికి అపారమైన సంభావ్యత ఉంది, ఈ పద్ధతులు భద్రతా ప్రమాదానికి సాధ్యమయ్యే అన్ని ప్రతిచర్యలను పరిశీలిస్తాయి మరియు ఉత్తమ ప్రతిస్పందనను నిర్ణయిస్తాయి అవును, గణితంతో దీన్ని చేయడానికి మార్గాలు ఉన్నాయి
ఉదాహరణకుampఅలాగే, మీరు సమస్యతో మీ సెల్ ఫోన్ సర్వీస్ ప్రొవైడర్‌కు కాల్ చేసినప్పుడు ఆప్టిమైజేషన్ పద్ధతులు ఉపయోగించబడతాయి, వారు మీ సేవా ప్లాన్‌ని తగ్గింపుతో అప్‌గ్రేడ్ చేయాలా వద్దా అనే దానిపై యాదృచ్ఛికంగా సిఫార్సు చేయడం లేదు; వారు మీ కాల్ లాగ్‌లు, డ్రాప్ చేయబడిన కాల్‌ల సంఖ్య, మీ చరిత్ర ఇతర వినియోగదారులతో ఎలా పోలుస్తుంది మొదలైన వాటిని చూసే నేపథ్యంలో గణిత శాస్త్రాల సమితిపై ఆధారపడతారు, ఆపై మీరు మరొక సర్వీస్ ప్రొవైడర్‌కి మారే సంభావ్యతను కూడా ఇది గణిస్తుంది. సాధ్యమయ్యే అన్ని తదుపరి దశలలో, ఇది కస్టమర్ నిలుపుదలని పెంచడానికి ఉత్తమ తదుపరి దశను గణిస్తుంది
ప్రమాదాన్ని గుర్తించడానికి, ప్రతిస్పందించడానికి అనేక మార్గాలను అందించడానికి మరియు ఈ నిర్దిష్ట రిస్క్‌ను గరిష్టంగా నియంత్రించడానికి గణితశాస్త్రపరంగా ఉత్తమ ప్రతిస్పందనను నిర్ణయించడానికి అదే గణితాన్ని భద్రతా బృందానికి అన్వయించవచ్చు.
భద్రతా బెదిరింపుల యొక్క వేగవంతమైన పెరుగుదల మరియు పరిణామం ఈ రకమైన ప్రతిస్పందన సామర్థ్యాన్ని క్లిష్టతరం చేస్తుంది, అదృష్టవశాత్తూ, కృతజ్ఞతగా, ఈ డేటాను అర్థం చేసుకోవడంలో మాకు సహాయపడటానికి మాకు మరింత గణన శక్తి, మెరుగైన అల్గారిథమ్‌లు మరియు పరిశోధన మరియు సాంకేతికతలలో విస్తృత పెట్టుబడి కూడా ఉంది. గణితశాస్త్రం ద్వారా అన్ని ఖాతాల ప్రకారం, భద్రతా విశ్లేషణలు ఇప్పుడే ప్రారంభమవుతాయని మేము విశ్వసిస్తున్నాము.
మునుపెన్నడూ లేనంతగా ఈరోజు మా వద్ద ఎక్కువ డేటా ఉంది. అదృష్టవశాత్తూ, గణితశాస్త్రం ద్వారా ఈ డేటాను అర్థం చేసుకోవడంలో మాకు సహాయపడటానికి మేము మరింత కంప్యూట్ పవర్, మెరుగైన అల్గారిథమ్‌లు మరియు పరిశోధన మరియు సాంకేతికతలలో విస్తృత పెట్టుబడిని కూడా కలిగి ఉన్నాము. అన్ని ఖాతాల ప్రకారం, భద్రతా విశ్లేషణలు ఇప్పుడే ప్రారంభమవుతాయని మేము విశ్వసిస్తున్నాము.
కస్టమర్ మద్దతు
మాతో కనెక్ట్ అవ్వండి
www.opentext.com
OpenText Cybersecurity అన్ని పరిమాణాల కంపెనీలు మరియు భాగస్వాముల కోసం సమగ్ర భద్రతా పరిష్కారాలను అందిస్తుంది, నివారణ, గుర్తింపు మరియు ప్రతిస్పందన నుండి రికవరీ, పరిశోధన మరియు సమ్మతి వరకు, మా ఏకీకృత ఎండ్-టు-ఎండ్ ప్లాట్‌ఫారమ్ మా నుండి కార్యాచరణ అంతర్దృష్టుల ద్వారా ఆధారితమైన సంపూర్ణ భద్రతా పోర్ట్‌ఫోలియో ద్వారా సైబర్ స్థితిస్థాపకతను రూపొందించడంలో వినియోగదారులకు సహాయపడుతుంది. నిజ-సమయ మరియు సందర్భోచిత ముప్పు ఇంటెలిజెన్స్, ఓపెన్‌టెక్స్ట్ సైబర్‌సెక్యూరిటీ కస్టమర్‌లు అధిక సామర్థ్య ఉత్పత్తులు, కంప్లైంట్ అనుభవం మరియు వ్యాపార ప్రమాదాన్ని నిర్వహించడంలో సహాయపడే సరళీకృత భద్రత నుండి ప్రయోజనం పొందుతారు
762-000016-003 | O | 01/24 | © 2024 ఓపెన్ టెక్స్ట్
పత్రాలు / వనరులు
 |
ఓపెన్‌టెక్స్ట్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ [pdf] సూచనలు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్, ఇంటెలిజెన్స్ అండ్ మెషిన్ లెర్నింగ్, మెషిన్ లెర్నింగ్ |
