الفرق بين التعلم الآلي والتعلم العميق

الفرق الرئيسي بين التعلم الآلي والتعلم العميق

الاختلافات الرئيسية بين التعلم الآلي والتعلم العميق هي:

• يوفر التعلم الآلي أداءً ممتازًا على مجموعة بيانات صغيرة/متوسطة، بينما يوفر التعلم العميق أداءً ممتازًا على مجموعة بيانات كبيرة
• يعمل ML على جهاز منخفض الجودة، بينما يتطلب DL جهازًا قويًا، ويفضل أن يكون مزودًا بوحدة معالجة الرسومات.
• يستغرق تنفيذ التعلم الآلي من بضع دقائق إلى ساعات، بينما يستغرق التعلم العميق ما يصل إلى أسابيع.
• مع التعلم الآلي، تحتاج إلى بيانات أقل لتدريب الخوارزمية مقارنة بالتعلم العميق. يتطلب التعلم العميق مجموعة واسعة ومتنوعة من البيانات لتحديد البنية الأساسية.

ما هو الذكاء الاصطناعى؟

الذكاء الاصطناعي (الذكاء الاصطناعي) هو فرع من علوم الكمبيوتر يتم فيه برمجة الآلات ومنحها القدرة المعرفية على التفكير وتقليد الأفعال مثل البشر والحيوانات. إن معيار الذكاء الاصطناعي هو الذكاء البشري فيما يتعلق بالتفكير والكلام والتعلم والرؤية وحل المشكلات، وهو أمر بعيد المنال في المستقبل.

الذكاء الاصطناعي لديه ثلاثة مستويات مختلفة

1) الذكاء الاصطناعي الضيق: يُقال إن الذكاء الاصطناعي يكون محدودًا عندما تتمكن الآلة من أداء مهمة محددة بشكل أفضل من الإنسان. البحث الحالي للذكاء الاصطناعي موجود هنا الآن
2) الذكاء الاصطناعي العام: يصل الذكاء الاصطناعي إلى الحالة العامة عندما يتمكن من أداء أي مهمة فكرية بنفس مستوى الدقة التي يفعلها الإنسان
3) الذكاء الاصطناعي النشط: يكون الذكاء الاصطناعي نشطًا عندما يتمكن من التغلب على البشر في العديد من المهام

استخدمت أنظمة الذكاء الاصطناعي المبكرة مطابقة الأنماط و النظم الخبيرة.

ما هو التعلم الآلي (ML)؟

مل (تعلم آلة) هو نوع من الذكاء الاصطناعي يتم فيه تدريب الكمبيوتر على أتمتة المهام التي يستحيل على البشر القيام بها أو تنفيذها. وهو أفضل أداة لتحليل وفهم وتحديد الأنماط في البيانات بناءً على دراسة خوارزميات الكمبيوتر. يمكن للتعلم الآلي اتخاذ القرارات بأقل تدخل بشري.

مقارنة الذكاء الاصطناعي مقابل التعلم الآلي، يستخدم التعلم الآلي البيانات لتغذية خوارزمية يمكنها فهم العلاقة بين المدخلات والمخرجات. عندما تنتهي الآلة من التعلم، يمكنها التنبؤ بقيمة أو فئة نقطة البيانات الجديدة.

ما هو التعلم العميق (DL)؟

التعلم العميق هو برنامج كمبيوتر يحاكي شبكة الخلايا العصبية في الدماغ. إنه جزء من التعلم الآلي ويسمى التعلم العميق لأنه يستخدم الشبكات العصبية العميقة. تستخدم الآلة طبقات مختلفة للتعلم من البيانات. يتم تمثيل عمق النموذج بعدد الطبقات في النموذج. التعلم العميق هو أحدث ما توصلت إليه التكنولوجيا في مجال الذكاء الاصطناعي. في التعلم العميق، تتم مرحلة التعلم من خلال شبكة عصبية. الشبكة العصبية هي بنية حيث يتم تكديس الطبقات فوق بعضها البعض

الفرق بين التعلم الآلي والتعلم العميق

يوجد أدناه فرق رئيسي بين التعلم العميق والتعلم الآلي

معامل	تعلم آلة	تعلم عميق
تبعيات البيانات	أداء ممتاز على مجموعة بيانات صغيرة/متوسطة	أداء ممتاز على مجموعة بيانات كبيرة
تبعيات الأجهزة	العمل على آلة منخفضة الجودة.	يتطلب جهازًا قويًا، ويفضل أن يكون مزودًا بوحدة معالجة الرسومات: ينفذ DL قدرًا كبيرًا من مضاعفة المصفوفات
هندسة الميزات	تحتاج إلى فهم الميزات التي تمثل البيانات	لا حاجة لفهم أفضل ميزة تمثل البيانات
وقت التنفيذ	من بضع دقائق إلى ساعات	تصل إلى أسابيع. تحتاج الشبكة العصبية إلى حساب عدد كبير من الأوزان
التفسير	بعض الخوارزميات من السهل تفسيرها (الخوارزميات اللوجستية، وشجرة القرار)، وبعضها يكاد يكون من المستحيل تفسيرها (خوارزميات SVM، وXGBoost)	من الصعب إلى المستحيل

متى نستخدم ML أو DL؟

في الجدول أدناه، نلخص الفرق بين آلة التعلم التعلم العميق مع الأمثلة.

معامل	تعلم آلة	تعلم عميق
مجموعة بيانات التدريب	صغير	كبير
اختر الميزات	نعم	لا
عدد الخوارزميات	كثير	قليل
وقت التدريب	قصير	طويل

مع التعلم الآلي، تحتاج إلى بيانات أقل لتدريب الخوارزمية مقارنة بالتعلم العميق. يتطلب التعلم العميق مجموعة واسعة ومتنوعة من البيانات لتحديد البنية الأساسية. بالإضافة إلى ذلك، يوفر التعلم الآلي نموذجًا أسرع تدريبًا. يمكن أن يستغرق تدريب معظم هياكل التعلم العميق المتقدمة أيامًا إلى أسبوع. تتمثل ميزة التعلم العميق على التعلم الآلي في أنه دقيق للغاية. لست بحاجة إلى فهم الميزات التي تمثل أفضل تمثيل للبيانات؛ تعلمت الشبكة العصبية كيفية تحديد الميزات المهمة. في التعلم الآلي، تحتاج إلى اختيار الميزات التي يجب تضمينها في النموذج بنفسك.

عملية التعلم الآلي

تخيل أنه من المفترض أن تقوم ببناء برنامج يتعرف على الأشياء. لتدريب النموذج، سوف تستخدم صنف. يستخدم المصنف ميزات الكائن لمحاولة تحديد الفئة التي ينتمي إليها.

في المثال، سيتم تدريب المصنف لاكتشاف ما إذا كانت الصورة:

• بايسكيل
• قارب
• سيارة
• طائرة

الكائنات الأربعة المذكورة أعلاه هي الفئة التي يجب على المصنف التعرف عليها. لإنشاء مصنف، يجب أن يكون لديك بعض البيانات كمدخلات وتقوم بتعيين تسمية لها. ستأخذ الخوارزمية هذه البيانات وتبحث عن نمط ثم تصنفه في الفئة المقابلة.

تسمى هذه المهمة التعلم تحت إشراف. في التعلم الخاضع للإشراف، تتضمن بيانات التدريب التي تغذيها للخوارزمية تسمية.

يتطلب تدريب الخوارزمية اتباع بعض الخطوات القياسية:

• اجمع البيانات
• تدريب المصنف
• قم بعمل تنبؤات

الخطوة الأولى ضرورية، فاختيار البيانات الصحيحة سيؤدي إلى نجاح الخوارزمية أو فشلها. تسمى البيانات التي تختارها لتدريب النموذج أ ميزة. في مثال الكائن، الميزات هي وحدات بكسل الصور.

كل صورة عبارة عن صف في البيانات بينما كل بكسل عبارة عن عمود. إذا كانت صورتك بحجم 28×28، فإن مجموعة البيانات تحتوي على 784 عمودًا (28×28). في الصورة أدناه، تم تحويل كل صورة إلى ناقل الميزة. يخبر الملصق الكمبيوتر بالكائن الموجود في الصورة.

الهدف هو استخدام بيانات التدريب هذه لتصنيف نوع الكائن. تتكون الخطوة الأولى من إنشاء أعمدة الميزات. ثم تتضمن الخطوة الثانية اختيار خوارزمية لتدريب النموذج. عند الانتهاء من التدريب، سيتنبأ النموذج بأي صورة تتوافق مع أي كائن.

وبعد ذلك يصبح من السهل استخدام النموذج للتنبؤ بالصور الجديدة. لكل صورة جديدة يتم إدخالها في النموذج، ستتنبأ الآلة بالفئة التي تنتمي إليها. على سبيل المثال، توجد صورة جديدة تمامًا بدون تسمية تمر عبر النموذج. بالنسبة للإنسان، من التافه أن يتصور الصورة كسيارة. تستخدم الآلة معرفتها السابقة للتنبؤ أيضًا بأن الصورة هي سيارة.

عملية التعلم العميق

في التعلم العميق، تتم مرحلة التعلم من خلال شبكة عصبية. الشبكة العصبية هي بنية حيث يتم تكديس الطبقات فوق بعضها البعض.

النظر في نفس المثال الصورة أعلاه. سيتم تغذية مجموعة التدريب إلى الشبكة العصبية

يذهب كل إدخال إلى الخلية العصبية ويتم ضربه بالوزن. تتدفق نتيجة الضرب إلى الطبقة التالية وتصبح المدخلات. تتكرر هذه العملية لكل طبقة من الشبكة. الطبقة النهائية تسمى طبقة الإخراج؛ فهو يوفر قيمة فعلية لمهمة الانحدار واحتمالية كل فئة لمهمة التصنيف. تستخدم الشبكة العصبية خوارزمية رياضية لتحديث أوزان جميع الخلايا العصبية. يتم تدريب الشبكة العصبية بشكل كامل عندما تعطي قيمة الأوزان مخرجات قريبة من الواقع. على سبيل المثال، يمكن لشبكة عصبية مدربة جيدًا التعرف على الكائن الموجود في الصورة بدقة أعلى من الشبكة العصبية التقليدية.

أتمتة استخراج الميزات باستخدام DL

يمكن أن تحتوي مجموعة البيانات على عشرات إلى مئات الميزات. وسوف يتعلم النظام من أهمية هذه الميزات. ومع ذلك، ليست كل الميزات ذات معنى بالنسبة للخوارزمية. يتمثل جزء مهم من التعلم الآلي في العثور على مجموعة من الميزات ذات الصلة لجعل النظام يتعلم شيئًا ما.

إحدى الطرق لأداء هذا الجزء في التعلم الآلي هي استخدام استخراج الميزات. يجمع استخراج الميزات بين الميزات الموجودة لإنشاء مجموعة أكثر ملاءمة من الميزات. يمكن القيام بذلك باستخدام PCA أو T-SNE أو أي خوارزميات أخرى لتقليل الأبعاد.

على سبيل المثال، عند معالجة الصور، يحتاج الممارس إلى استخراج الميزة يدويًا في الصورة مثل العيون والأنف والشفاه وما إلى ذلك. يتم تغذية تلك الميزات المستخرجة إلى نموذج التصنيف.

يحل التعلم العميق هذه المشكلة، خاصة بالنسبة للشبكة العصبية التلافيفية. ستتعلم الطبقة الأولى من الشبكة العصبية تفاصيل صغيرة من الصورة؛ وستجمع الطبقات التالية المعرفة السابقة لتكوين معلومات أكثر تعقيدًا. في الشبكة العصبية التلافيفية، يتم استخراج السمات باستخدام المرشح. تطبق الشبكة مرشحًا على الصورة لمعرفة ما إذا كان هناك تطابق، أي أن شكل السمة مطابق لجزء من الصورة. إذا كان هناك تطابق، فستستخدم الشبكة هذا المرشح. وبالتالي تتم عملية استخراج السمات تلقائيًا.

الملخص

الذكاء الاصطناعي هو نقل القدرة المعرفية إلى الآلة. بمقارنة الذكاء الاصطناعي بالتعلم الآلي، استخدمت أنظمة الذكاء الاصطناعي المبكرة مطابقة الأنماط والأنظمة المتخصصة.

الفكرة وراء التعلم الآلي هي أن الآلة يمكنها التعلم دون تدخل بشري. تحتاج الآلة إلى إيجاد طريقة لتعلم كيفية حل مهمة في ضوء البيانات.

التعلم العميق هو طفرة في مجال الذكاء الاصطناعي. عندما يكون هناك ما يكفي من البيانات للتدريب عليها، يحقق التعلم العميق نتائج مبهرة، خاصة فيما يتعلق بالتعرف على الصور وترجمة النصوص. السبب الرئيسي هو أن استخراج الميزات يتم تلقائيًا في طبقات مختلفة من الشبكة.