Διαφορά μεταξύ μηχανικής μάθησης και βαθιάς μάθησης

Βασική διαφορά μεταξύ Μηχανικής Μάθησης και Βαθιάς Μάθησης

Οι κύριες διαφορές μεταξύ Machine Learning και Deep Learning είναι:

• Η μηχανική μάθηση παρέχει εξαιρετικές επιδόσεις σε ένα μικρό/μεσαίο σύνολο δεδομένων, ενώ το Deep Learning παρέχει εξαιρετική απόδοση σε ένα μεγάλο σύνολο δεδομένων
• Το ML λειτουργεί σε μηχάνημα χαμηλού επιπέδου, ενώ το DL απαιτεί ισχυρό μηχάνημα, κατά προτίμηση με GPU.
• Ο χρόνος εκτέλεσης της Μηχανικής Εκμάθησης από λίγα λεπτά έως τις ώρες, ενώ η Βαθιά Μάθηση διαρκεί έως και εβδομάδες.
• Με τη μηχανική μάθηση, χρειάζεστε λιγότερα δεδομένα για να εκπαιδεύσετε τον αλγόριθμο από τη βαθιά εκμάθηση. Η βαθιά μάθηση απαιτεί ένα εκτεταμένο και ποικίλο σύνολο δεδομένων για τον προσδιορισμό της υποκείμενης δομής.

Τι είναι το AI;

AI (τεχνητή νοημοσύνη) είναι ένας κλάδος της επιστήμης των υπολογιστών στον οποίο οι μηχανές προγραμματίζονται και τους δίνεται μια γνωστική ικανότητα να σκέφτονται και να μιμούνται ενέργειες όπως οι άνθρωποι και τα ζώα. Το σημείο αναφοράς για την τεχνητή νοημοσύνη είναι η ανθρώπινη νοημοσύνη όσον αφορά τη συλλογιστική, την ομιλία, τη μάθηση, το όραμα και την επίλυση προβλημάτων, κάτι που είναι πολύ μακριά στο μέλλον.

Το AI έχει τρία διαφορετικά επίπεδα

1) Στενό AI: Μια τεχνητή νοημοσύνη λέγεται ότι είναι στενή όταν το μηχάνημα μπορεί να εκτελέσει μια συγκεκριμένη εργασία καλύτερα από έναν άνθρωπο. Η τρέχουσα έρευνα της τεχνητής νοημοσύνης είναι εδώ τώρα
2) Γενική ΑΙ: Μια τεχνητή νοημοσύνη φτάνει στη γενική κατάσταση όταν μπορεί να εκτελέσει οποιαδήποτε πνευματική εργασία με το ίδιο επίπεδο ακρίβειας που θα έκανε ένας άνθρωπος
3) Ενεργό AI: Ένα AI είναι ενεργό όταν μπορεί να νικήσει τους ανθρώπους σε πολλές εργασίες

Τα πρώιμα συστήματα τεχνητής νοημοσύνης χρησιμοποιούσαν αντιστοίχιση προτύπων και συστήματα εμπειρογνωμόνων.

Τι είναι η Μηχανική Μάθηση (ML);

ML (Μηχανική μάθηση) είναι ένας τύπος τεχνητής νοημοσύνης στον οποίο ένας υπολογιστής εκπαιδεύεται να αυτοματοποιεί εργασίες που είναι εξαντλητικές ή αδύνατες για τον άνθρωπο. Είναι το καλύτερο εργαλείο για την ανάλυση, την κατανόηση και τον εντοπισμό προτύπων σε δεδομένα που βασίζονται στη μελέτη αλγορίθμων υπολογιστών. Η μηχανική μάθηση μπορεί να λάβει αποφάσεις με ελάχιστη ανθρώπινη παρέμβαση.

Συγκρίνοντας Τεχνητή νοημοσύνη έναντι της Μηχανικής μάθησης, η μηχανική μάθηση χρησιμοποιεί δεδομένα για να τροφοδοτήσει έναν αλγόριθμο που μπορεί να κατανοήσει τη σχέση μεταξύ της εισόδου και της εξόδου. Όταν η μηχανή ολοκληρώσει την εκμάθηση, μπορεί να προβλέψει την τιμή ή την κλάση ενός νέου σημείου δεδομένων.

Τι είναι το Deep Learning (DL);

Το Deep Learning είναι ένα λογισμικό υπολογιστή που μιμείται το δίκτυο των νευρώνων στον εγκέφαλο. Είναι ένα υποσύνολο της μηχανικής μάθησης και ονομάζεται βαθιά μάθηση επειδή χρησιμοποιεί βαθιά νευρωνικά δίκτυα. Το μηχάνημα χρησιμοποιεί διαφορετικά επίπεδα για να μάθει από τα δεδομένα. Το βάθος του μοντέλου αντιπροσωπεύεται από τον αριθμό των στρώσεων στο μοντέλο. Η βαθιά μάθηση είναι η νέα κατάσταση της τέχνης όσον αφορά την τεχνητή νοημοσύνη. Στη βαθιά μάθηση, η φάση μάθησης γίνεται μέσω ενός νευρωνικού δικτύου. Ένα νευρωνικό δίκτυο είναι μια αρχιτεκτονική όπου τα στρώματα στοιβάζονται το ένα πάνω στο άλλο

Διαφορά μεταξύ Machine Learning και Deep Learning

Παρακάτω είναι μια βασική διαφορά μεταξύ Deep Learning έναντι Machine Learning

Παράμετρος	Μηχανική μάθηση	Βαθιά μάθηση
Εξαρτήσεις δεδομένων	Εξαιρετικές επιδόσεις σε ένα μικρό/μεσαίο σύνολο δεδομένων	Εξαιρετική απόδοση σε ένα μεγάλο σύνολο δεδομένων
Εξαρτήσεις υλικού	Εργαστείτε σε μηχάνημα χαμηλής ποιότητας.	Απαιτεί ισχυρό μηχάνημα, κατά προτίμηση με GPU: Το DL εκτελεί σημαντικό αριθμό πολλαπλασιασμού μήτρας
Μηχανική χαρακτηριστικών	Πρέπει να κατανοήσετε τα χαρακτηριστικά που αντιπροσωπεύουν τα δεδομένα	Δεν χρειάζεται να κατανοήσετε το καλύτερο χαρακτηριστικό που αντιπροσωπεύει τα δεδομένα
Χρόνος εκτέλεσης	Από λίγα λεπτά έως ώρες	Έως και εβδομάδες. Το νευρωνικό δίκτυο χρειάζεται να υπολογίσει σημαντικό αριθμό βαρών
Ερμηνευσιμότητα	Ορισμένοι αλγόριθμοι είναι εύκολο να ερμηνευτούν (logistic, δέντρο αποφάσεων), κάποιοι είναι σχεδόν αδύνατος (SVM, XGBoost)	Δύσκολο έως αδύνατο

Πότε να χρησιμοποιήσετε ML ή DL;

Στον παρακάτω πίνακα, συνοψίζουμε τη διαφορά μεταξύ μάθηση μηχανής και βαθιά μάθηση με παραδείγματα.

Παράμετρος	Μηχανική μάθηση	Βαθιά μάθηση
Δεδομένα εκπαίδευσης	Μικρό	Μεγάλο
Επιλέξτε χαρακτηριστικά	Ναι	Οχι
Αριθμός αλγορίθμων	Πολλές	Λίγοι
Ωρα ΠΡΟΠΟΝΗΣΗΣ	Κοντά	Μακριά

Με τη μηχανική μάθηση, χρειάζεστε λιγότερα δεδομένα για να εκπαιδεύσετε τον αλγόριθμο από τη βαθιά εκμάθηση. Η βαθιά μάθηση απαιτεί ένα εκτεταμένο και ποικίλο σύνολο δεδομένων για τον προσδιορισμό της υποκείμενης δομής. Επιπλέον, η μηχανική εκμάθηση παρέχει ένα πιο γρήγορα εκπαιδευμένο μοντέλο. Οι πιο προηγμένες αρχιτεκτονικές βαθιάς μάθησης μπορεί να χρειαστούν μέρες έως μία εβδομάδα για να εκπαιδευτούν. Το πλεονέκτημα της βαθιάς μάθησης έναντι της μηχανικής μάθησης είναι ότι είναι εξαιρετικά ακριβές. Δεν χρειάζεται να κατανοήσετε ποια χαρακτηριστικά είναι η καλύτερη αναπαράσταση των δεδομένων. το νευρωνικό δίκτυο έμαθε πώς να επιλέγει κρίσιμα χαρακτηριστικά. Στη μηχανική εκμάθηση, πρέπει να επιλέξετε μόνοι σας ποιες δυνατότητες θα συμπεριλάβετε στο μοντέλο.

Διαδικασία Μηχανικής Μάθησης

Φανταστείτε ότι έχετε σκοπό να δημιουργήσετε ένα πρόγραμμα που αναγνωρίζει αντικείμενα. Για να εκπαιδεύσετε το μοντέλο, θα χρησιμοποιήσετε α ταξινομητής. Ένας ταξινομητής χρησιμοποιεί τα χαρακτηριστικά ενός αντικειμένου για να προσπαθήσει να προσδιορίσει την κλάση στην οποία ανήκει.

Στο παράδειγμα, ο ταξινομητής θα εκπαιδευτεί να ανιχνεύει εάν η εικόνα είναι:

• Ποδήλατο
• Σκάφος
• Αυτοκίνητο
• Αεροπλάνο

Τα τέσσερα παραπάνω αντικείμενα είναι η κλάση που πρέπει να αναγνωρίσει ο ταξινομητής. Για να δημιουργήσετε έναν ταξινομητή, πρέπει να έχετε κάποια δεδομένα ως είσοδο και να του αντιστοιχίσετε μια ετικέτα. Ο αλγόριθμος θα λάβει αυτά τα δεδομένα, θα βρει ένα μοτίβο και στη συνέχεια θα το ταξινομήσει στην αντίστοιχη κλάση.

Αυτή η εργασία ονομάζεται εποπτευόμενη μάθηση. Στην εποπτευόμενη μάθηση, τα δεδομένα εκπαίδευσης που τροφοδοτείτε στον αλγόριθμο περιλαμβάνουν μια ετικέτα.

Η εκπαίδευση ενός αλγορίθμου απαιτεί να ακολουθήσετε μερικά τυπικά βήματα:

• Συλλέξτε τα δεδομένα
• Εκπαιδεύστε τον ταξινομητή
• Κανω προβλεψεις

Το πρώτο βήμα είναι απαραίτητο, η επιλογή των σωστών δεδομένων θα κάνει τον αλγόριθμο επιτυχία ή αποτυχία. Τα δεδομένα που επιλέγετε για την εκπαίδευση του μοντέλου ονομάζονται α χαρακτηριστικό. Στο παράδειγμα του αντικειμένου, τα χαρακτηριστικά είναι τα pixel των εικόνων.

Κάθε εικόνα είναι μια σειρά στα δεδομένα ενώ κάθε εικονοστοιχείο είναι μια στήλη. Εάν η εικόνα σας έχει μέγεθος 28×28, το σύνολο δεδομένων περιέχει 784 στήλες (28×28). Στην παρακάτω εικόνα, κάθε εικόνα έχει μετατραπεί σε ένα διάνυσμα χαρακτηριστικών. Η ετικέτα λέει στον υπολογιστή ποιο αντικείμενο βρίσκεται στην εικόνα.

Ο στόχος είναι να χρησιμοποιηθούν αυτά τα δεδομένα εκπαίδευσης για την ταξινόμηση του τύπου του αντικειμένου. Το πρώτο βήμα αποτελείται από τη δημιουργία των στηλών χαρακτηριστικών. Στη συνέχεια, το δεύτερο βήμα περιλαμβάνει την επιλογή ενός αλγορίθμου για την εκπαίδευση του μοντέλου. Όταν ολοκληρωθεί η εκπαίδευση, το μοντέλο θα προβλέψει ποια εικόνα αντιστοιχεί σε ποιο αντικείμενο.

Μετά από αυτό, είναι εύκολο να χρησιμοποιήσετε το μοντέλο για να προβλέψετε νέες εικόνες. Για κάθε νέα εικόνα που τροφοδοτείται στο μοντέλο, το μηχάνημα θα προβλέψει την κατηγορία στην οποία ανήκει. Για παράδειγμα, μια εντελώς νέα εικόνα χωρίς ετικέτα περνά από το μοντέλο. Για έναν άνθρωπο, είναι ασήμαντο να απεικονίζει την εικόνα ως αυτοκίνητο. Το μηχάνημα χρησιμοποιεί τις προηγούμενες γνώσεις του για να προβλέψει επίσης ότι η εικόνα είναι αυτοκίνητο.

Διαδικασία βαθιάς μάθησης

Στη βαθιά μάθηση, η φάση μάθησης γίνεται μέσω ενός νευρωνικού δικτύου. Ένα νευρωνικό δίκτυο είναι μια αρχιτεκτονική όπου τα στρώματα στοιβάζονται το ένα πάνω στο άλλο.

Εξετάστε το ίδιο παράδειγμα εικόνας παραπάνω. Το σετ εκπαίδευσης θα τροφοδοτηθεί σε ένα νευρωνικό δίκτυο

Κάθε είσοδος πηγαίνει σε έναν νευρώνα και πολλαπλασιάζεται με ένα βάρος. Το αποτέλεσμα του πολλαπλασιασμού ρέει στο επόμενο στρώμα και γίνεται η είσοδος. Αυτή η διαδικασία επαναλαμβάνεται για κάθε επίπεδο του δικτύου. Το τελικό επίπεδο ονομάζεται επίπεδο εξόδου. παρέχει μια πραγματική τιμή για την εργασία παλινδρόμησης και μια πιθανότητα κάθε κλάσης για την εργασία ταξινόμησης. Το νευρωνικό δίκτυο χρησιμοποιεί έναν μαθηματικό αλγόριθμο για να ενημερώσει τα βάρη όλων των νευρώνων. Το νευρωνικό δίκτυο είναι πλήρως εκπαιδευμένο όταν η τιμή των βαρών δίνει μια έξοδο κοντά στην πραγματικότητα. Για παράδειγμα, ένα καλά εκπαιδευμένο νευρωνικό δίκτυο μπορεί να αναγνωρίσει το αντικείμενο σε μια εικόνα με μεγαλύτερη ακρίβεια από το παραδοσιακό νευρωνικό δίκτυο.

Αυτοματοποιήστε την εξαγωγή δυνατοτήτων χρησιμοποιώντας DL

Ένα σύνολο δεδομένων μπορεί να περιέχει από δώδεκα έως εκατοντάδες χαρακτηριστικά. Το σύστημα θα μάθει από τη συνάφεια αυτών των χαρακτηριστικών. Ωστόσο, δεν έχουν όλα τα χαρακτηριστικά νόημα για τον αλγόριθμο. Ένα κρίσιμο μέρος της μηχανικής μάθησης είναι να βρείτε ένα σχετικό σύνολο χαρακτηριστικών που θα κάνουν το σύστημα να μάθει κάτι.

Ένας τρόπος για να εκτελέσετε αυτό το μέρος στη μηχανική εκμάθηση είναι να χρησιμοποιήσετε την εξαγωγή χαρακτηριστικών. Η εξαγωγή δυνατοτήτων συνδυάζει υπάρχοντα χαρακτηριστικά για να δημιουργήσει ένα πιο σχετικό σύνολο χαρακτηριστικών. Μπορεί να γίνει με PCA, T-SNE ή άλλους αλγόριθμους μείωσης διαστάσεων.

Για παράδειγμα, σε μια επεξεργασία εικόνας, ο επαγγελματίας πρέπει να εξαγάγει το χαρακτηριστικό με μη αυτόματο τρόπο στην εικόνα, όπως τα μάτια, τη μύτη, τα χείλη και ούτω καθεξής. Αυτά τα εξαγόμενα χαρακτηριστικά τροφοδοτούνται στο μοντέλο ταξινόμησης.

Η βαθιά εκμάθηση λύνει αυτό το ζήτημα, ειδικά για ένα συνελικτικό νευρωνικό δίκτυο. Το πρώτο στρώμα ενός νευρωνικού δικτύου θα μάθει μικρές λεπτομέρειες από την εικόνα. Τα επόμενα επίπεδα θα συνδυάσουν την προηγούμενη γνώση για να δημιουργήσουν πιο σύνθετες πληροφορίες. Στο συνελικτικό νευρωνικό δίκτυο, η εξαγωγή χαρακτηριστικών γίνεται με τη χρήση του φίλτρου. Το δίκτυο εφαρμόζει ένα φίλτρο στην εικόνα για να δει αν υπάρχει αντιστοιχία, δηλαδή το σχήμα του χαρακτηριστικού είναι πανομοιότυπο με ένα μέρος της εικόνας. Εάν υπάρχει αντιστοιχία, το δίκτυο θα χρησιμοποιήσει αυτό το φίλτρο. Επομένως, η διαδικασία εξαγωγής χαρακτηριστικών γίνεται αυτόματα.

Σύνοψη

Τεχνητή νοημοσύνη μεταδίδει μια γνωστική ικανότητα σε μια μηχανή. Συγκρίνοντας το AI έναντι της Μηχανικής Μάθησης, τα πρώιμα συστήματα AI χρησιμοποιούσαν αντιστοίχιση προτύπων και έμπειρα συστήματα.

Η ιδέα πίσω από τη μηχανική μάθηση είναι ότι η μηχανή μπορεί να μάθει χωρίς ανθρώπινη παρέμβαση. Το μηχάνημα πρέπει να βρει έναν τρόπο να μάθει πώς να λύνει μια εργασία δεδομένων των δεδομένων.

Η βαθιά μάθηση είναι η σημαντική ανακάλυψη στον τομέα της τεχνητής νοημοσύνης. Όταν υπάρχουν αρκετά δεδομένα για εκπαίδευση, η βαθιά εκμάθηση επιτυγχάνει εντυπωσιακά αποτελέσματα, ειδικά για την αναγνώριση εικόνων και τη μετάφραση κειμένου. Ο κύριος λόγος είναι ότι η εξαγωγή χαρακτηριστικών γίνεται αυτόματα στα διαφορετικά επίπεδα του δικτύου.