Разлика между машинно обучение и дълбоко обучение
Редакционен екип
Ключова разлика между машинно обучение и дълбоко обучение
Основните разлики между Machine Learning и Deep Learning са:
- Машинното обучение осигурява отлично представяне на малък/среден набор от данни, докато Deep Learning осигурява отлично представяне на голям набор от данни
- ML работи на машина от нисък клас, докато DL изисква мощна машина, за предпочитане с GPU.
- Времето за изпълнение на машинното обучение е от няколко минути до часове, докато дълбокото обучение отнема до седмици.
- При машинното обучение се нуждаете от по-малко данни, за да обучите алгоритъма, отколкото при дълбокото обучение. Дълбокото обучение изисква обширен и разнообразен набор от данни за идентифициране на основната структура.
Какво е AI?
AI (изкуствен интелект) е клон на компютърните науки, в който машините се програмират и им се дава когнитивна способност да мислят и имитират действия като хора и животни. Еталонът за AI е човешката интелигентност по отношение на разсъжденията, речта, ученето, визията и решаването на проблеми, което е далеч в бъдещето.
AI има три различни нива
1) Тесен AI: За изкуствения интелект се казва, че е ограничен, когато машината може да изпълни конкретна задача по-добре от човека. Текущото изследване на AI е тук сега
2) Общ AI: Изкуственият интелект достига общото състояние, когато може да изпълнява всяка интелектуална задача със същото ниво на точност, както би направил човек
3) Активен AI: AI е активен, когато може да победи хората в много задачи
Ранните AI системи са използвали съвпадение на шаблони и експертни системи.
Какво е машинно обучение (ML)?
ML (Machine Learning) е вид AI, при който компютърът е обучен да автоматизира задачи, които са изчерпателни или невъзможни за човешки същества. Това е най-добрият инструмент за анализиране, разбиране и идентифициране на модели в данните въз основа на изследване на компютърни алгоритми. Машинното обучение може да взема решения с минимална човешка намеса.
Сравнение Изкуствен интелект срещу машинно обучение, машинното обучение използва данни, за да захранва алгоритъм, който може да разбере връзката между входа и изхода. Когато машината завърши обучението, тя може да предвиди стойността или класа на нова точка от данни.
Какво е дълбоко обучение (DL)?
Дълбокото обучение е компютърен софтуер, който имитира мрежата от неврони в мозъка. Това е подгрупа на машинното обучение и се нарича дълбоко обучение, защото използва дълбоки невронни мрежи. Машината използва различни слоеве, за да се учи от данните. Дълбочината на модела се представя от броя на слоевете в модела. Дълбокото обучение е новото ниво на изкуството по отношение на AI. При дълбокото обучение фазата на обучение се извършва чрез невронна мрежа. Невронната мрежа е архитектура, при която слоевете са подредени един върху друг
Разлика между машинно обучение и дълбоко обучение
По-долу е ключова разлика между Deep Learning и Machine Learning
| Параметър | Machine Learning | Дълбоко обучение |
|---|---|---|
| Зависимости от данни | Отлично представяне на малък/среден набор от данни | Отлично представяне на голям набор от данни |
| Хардуерни зависимости | Работа на машина от нисък клас. | Изисква мощна машина, за предпочитане с GPU: DL извършва значително количество матрично умножение |
| Инженеринг на функциите | Трябва да разберете функциите, които представляват данните | Няма нужда да разбирате най-добрата характеристика, която представлява данните |
| Време за изпълнение | От няколко минути до часове | До седмици. Невронната мрежа трябва да изчисли значителен брой тегла |
| Интерпретируемост | Някои алгоритми са лесни за интерпретиране (логистика, дърво на решенията), някои са почти невъзможни (SVM, XGBoost) | Трудно до невъзможно |
Кога да използвам ML или DL?
В таблицата по-долу обобщаваме разликата между машинно обучение намлява дълбоко учене с примери.
| Параметър | Machine Learning | Дълбоко обучение |
|---|---|---|
| Набор от данни за обучение | S | Голям |
| Изберете функции | Да | Не |
| Брой алгоритми | Много | Малцина |
| Време за тренировка | Къс | Дълга |
При машинното обучение се нуждаете от по-малко данни, за да обучите алгоритъма, отколкото при дълбокото обучение. Дълбокото обучение изисква обширен и разнообразен набор от данни за идентифициране на основната структура. Освен това машинното обучение осигурява по-бързо обучен модел. Най-модерната архитектура за дълбоко обучение може да отнеме дни до седмица за обучение. Предимството на дълбокото обучение пред машинното е, че то е много точно. Не е необходимо да разбирате кои характеристики са най-доброто представяне на данните; невронната мрежа се научи как да избира критични характеристики. При машинното обучение трябва сами да изберете какви функции да включите в модела.
Процес на машинно обучение
Представете си, че трябва да създадете програма, която разпознава обекти. За да обучите модела, ще използвате a класификатор. Класификаторът използва характеристиките на даден обект, за да се опита да идентифицира класа, към който принадлежи.
В примера класификаторът ще бъде обучен да открива дали изображението е:
- велосипед
- Лодка
- Авто
- Самолет
Четирите обекта по-горе са класът, който класификаторът трябва да разпознае. За да създадете класификатор, трябва да имате някои данни като вход и да им присвоите етикет. Алгоритъмът ще вземе тези данни, ще намери модел и след това ще го класифицира в съответния клас.
Тази задача се нарича контролирано обучение. При контролирано обучение данните за обучение, които подавате към алгоритъма, включват етикет.
Обучението на алгоритъм изисква да следвате няколко стандартни стъпки:
- Съберете данните
- Обучете класификатора
- Правете прогнози
Първата стъпка е необходима, изборът на правилните данни ще направи алгоритъма успешен или неуспешен. Данните, които избирате за обучение на модела, се наричат a функция. В примера с обект характеристиките са пикселите на изображенията.
Всяко изображение е ред в данните, докато всеки пиксел е колона. Ако вашето изображение е с размер 28×28, наборът от данни съдържа 784 колони (28×28). На снимката по-долу всяка картина е трансформирана във вектор на характеристиките. Етикетът казва на компютъра какъв обект има в изображението.
Целта е тези данни за обучение да се използват за класифициране на типа обект. Първата стъпка се състои в създаване на колони с функции. След това втората стъпка включва избор на алгоритъм за обучение на модела. Когато обучението приключи, моделът ще предвиди каква картина на какъв обект отговаря.
След това е лесно да се използва моделът за прогнозиране на нови изображения. За всяко ново изображение, подадено в модела, машината ще предвиди класа, към който принадлежи. Например изцяло ново изображение без етикет преминава през модела. За човек е тривиално да визуализира изображението като кола. Машината използва своите предишни познания, за да предскаже, че изображението е кола.
Процес на дълбоко обучение
При дълбокото обучение фазата на обучение се извършва чрез невронна мрежа. Невронната мрежа е архитектура, при която слоевете са подредени един върху друг.
Помислете за същото изображение по-горе. Наборът за обучение ще бъде подаден към невронна мрежа
Всеки вход влиза в неврон и се умножава по тегло. Резултатът от умножението преминава към следващия слой и става вход. Този процес се повтаря за всеки слой на мрежата. Крайният слой се нарича изходен слой; той осигурява действителна стойност за задачата за регресия и вероятност за всеки клас за задачата за класификация. Невронната мрежа използва математически алгоритъм за актуализиране на теглата на всички неврони. Невронната мрежа е напълно обучена, когато стойността на теглата дава резултат, близък до реалния. Например, добре обучена невронна мрежа може да разпознае обекта върху картина с по-висока точност от традиционната невронна мрежа.
Автоматизирайте функциите Extracизползване на DL
Един набор от данни може да съдържа дузина до стотици функции. Системата ще се учи от уместността на тези характеристики. Въпреки това, не всички характеристики са значими за алгоритъма. Решаваща част от машинното обучение е да се намери подходящ набор от функции, за да накара системата да научи нещо.
Един от начините за изпълнение на тази част в машинното обучение е използването на feature extracция. Функция extracцията комбинира съществуващи характеристики, за да създаде по-подходящ набор от характеристики. Това може да се направи с PCA, T-SNE или други алгоритми за намаляване на размерността.
Например, при обработка на изображения, практикуващият трябва даtracръчно очертайте елементите в изображението, като очи, нос, устни и т.н. Тези бившиtracТед характеристиките се подават към класификационния модел.
Дълбокото обучение решава този проблем, особено за конволюционна невронна мрежа. Първият слой на невронната мрежа ще научи малки детайли от изображението; следващите слоеве ще комбинират предишните знания, за да създадат по-сложна информация. В конволюционната невронна мрежа, характеристиката еtracПроверката се извършва с помощта на филтър. Мрежата прилага филтър към изображението, за да види дали има съвпадение, т.е. дали формата на характеристиката е идентична с част от изображението. Ако има съвпадение, мрежата ще използва този филтър. Процесът на определяне на характеристиките...tracСледователно, обработката се извършва автоматично.
Oбобщение
Изкуствен интелект придава когнитивна способност на машина. Сравнявайки AI срещу машинно обучение, ранните AI системи са използвали съпоставяне на шаблони и експертни системи.
Идеята зад машинното обучение е, че машината може да учи без човешка намеса. Машината трябва да намери начин да се научи как да решава задача, като се имат предвид данните.
Дълбокото обучение е пробив в областта на изкуствения интелект. Когато има достатъчно данни за обучение, дълбокото обучение постига впечатляващи резултати, особено за разпознаване на изображения и превод на текст. Основната причина е функцията extracирането се извършва автоматично в различните слоеве на мрежата.
