Különbség a gépi tanulás és a mély tanulás között
Evelyn Clarke
Főbb különbség a gépi tanulás és a mély tanulás között
A gépi tanulás és a mélytanulás közötti fő különbségek a következők:
- A gépi tanulás kiváló teljesítményt nyújt kis/közepes adathalmazokon, míg a Deep Learning kiváló teljesítményt nyújt nagy adathalmazokon
- Az ML alsókategóriás gépeken működik, míg a DL-hez erős gép kell, lehetőleg GPU-val.
- A gépi tanulás végrehajtási ideje néhány perctől órákig terjed, míg a mély tanulás akár heteket is igénybe vehet.
- A gépi tanulással kevesebb adatra van szükség az algoritmus betanításához, mint a mélytanuláshoz. A mély tanulás kiterjedt és változatos adathalmazt igényel a mögöttes struktúra azonosításához.
Mi az AI?
AI (mesterséges intelligencia) a számítástechnika olyan ága, amelyben a gépeket programozzák, és kognitív képességet kapnak arra, hogy gondolkodjanak és utánozzák az emberekhez és állatokhoz hasonló cselekvéseket. A mesterséges intelligencia mércéje az emberi intelligencia az érvelés, a beszéd, a tanulás, a látás és a problémamegoldás terén, ami még messze van a jövőben.
Az AI három különböző szinttel rendelkezik
1) Keskeny AI: A mesterséges intelligenciát szűknek mondják, ha a gép egy adott feladatot jobban el tud végezni, mint az ember. Az AI jelenlegi kutatása most itt van
2) Általános AI: A mesterséges intelligencia akkor éri el azt az általános állapotot, amikor bármilyen intellektuális feladatot ugyanolyan pontossággal képes végrehajtani, mint az ember.
3) Aktív AI: Egy mesterséges intelligencia akkor aktív, ha számos feladatban képes legyőzni az embereket
A korai AI rendszerek mintaillesztést és szakértői rendszerek.
Mi az a gépi tanulás (ML)?
ML (Gépi tanulás) A mesterséges intelligencia egy olyan típusa, amelyben a számítógépet az emberi lények számára kimerítő vagy lehetetlen feladatok automatizálására képezik. Ez a legjobb eszköz az adatok mintáinak elemzésére, megértésére és azonosítására a számítógépes algoritmusok tanulmányozása alapján. A gépi tanulás minimális emberi beavatkozással képes döntéseket hozni.
Összehasonlítása Mesterséges intelligencia A gépi tanulással szemben a gépi tanulás adatokat használ fel egy algoritmus táplálására, amely képes megérteni a bemenet és a kimenet közötti kapcsolatot. Amikor a gép befejezte a tanulást, meg tudja jósolni egy új adatpont értékét vagy osztályát.
Mi az a mélytanulás (DL)?
A mélytanulás egy számítógépes szoftver, amely utánozza az agy neuronjainak hálózatát. Ez a gépi tanulás egy részhalmaza, és mély tanulásnak nevezik, mert mély neurális hálózatokat használ. A gép különböző rétegeket használ az adatokból való tanuláshoz. A modell mélységét a modellben lévő rétegek száma jelzi. A mélyreható tanulás a mesterséges intelligencia terén a tudomány új csúcsa. A mély tanulásban a tanulási fázis egy neurális hálózaton keresztül történik. A neurális hálózat egy olyan architektúra, amelyben a rétegek egymásra vannak rakva
Különbség a gépi tanulás és a mély tanulás között
Az alábbiakban bemutatjuk a Deep Learning és a Machine Learning közötti kulcsfontosságú különbséget
| Vizsgált paraméter | Gépi tanulás | Deep Learning |
|---|---|---|
| Adatfüggőségek | Kiváló teljesítmény kis/közepes adatkészleten | Kiváló teljesítmény nagy adatkészleten |
| Hardver függőségek | Dolgozzon olcsó gépen. | Erőteljes gépet igényel, lehetőleg GPU-val: a DL jelentős mennyiségű mátrixszorzást végez |
| Funkciótervezés | Meg kell érteni az adatokat reprezentáló jellemzőket | Nem kell megérteni az adatokat legjobban megjelenítő jellemzőt |
| Végrehajtási idő | Néhány perctől órákig | Akár hetekig. A neurális hálózatnak jelentős számú súlyozást kell kiszámítania |
| Értelmezhetőség | Néhány algoritmus könnyen értelmezhető (logisztikai, döntési fa), néhány pedig szinte lehetetlen (SVM, XGBoost) | Nehéztől a lehetetlenig |
Mikor használjunk ML-t vagy DL-t?
Az alábbi táblázatban összefoglaljuk a különbséget gépi tanulás és a mély tanulás példákkal.
| Vizsgált paraméter | Gépi tanulás | Deep Learning |
|---|---|---|
| Képzési adatkészlet | Small | Large |
| Válasszon funkciókat | Igen | Nem |
| Algoritmusok száma | Sok | Kevés |
| Edzésidő | rövid | Hosszú |
A gépi tanulással kevesebb adatra van szükség az algoritmus betanításához, mint a mélytanuláshoz. A mély tanulás kiterjedt és változatos adathalmazt igényel a mögöttes struktúra azonosításához. Emellett a gépi tanulás gyorsabban betanított modellt biztosít. A legtöbb fejlett mély tanulási architektúra betanítása napokig vagy egy hétig tart. A mély tanulás előnye a gépi tanulással szemben, hogy rendkívül pontos. Nem kell megértenie, hogy mely jellemzők reprezentálják legjobban az adatokat; a neurális hálózat megtanulta, hogyan kell kiválasztani a kritikus jellemzőket. A gépi tanulás során magának kell kiválasztania, hogy milyen funkciókat szeretne beépíteni a modellbe.
Gépi tanulási folyamat
Képzelje el, hogy olyan programot kell készítenie, amely felismeri az objektumokat. A modell betanításához a osztályozó. Az osztályozó egy objektum jellemzőit használja fel, hogy megpróbálja azonosítani az osztályt, amelyhez tartozik.
A példában az osztályozót arra tanítják, hogy észlelje, ha a kép:
- Kerékpár
- Csónak
- Autó
- Repülőgép
A fenti négy objektum az az osztály, amelyet az osztályozónak fel kell ismernie. Osztályozó létrehozásához bemeneti adatnak kell lennie, és hozzá kell rendelnie egy címkét. Az algoritmus ezeket az adatokat veszi, keres egy mintát, majd besorolja a megfelelő osztályba.
Ezt a feladatot az ún felügyelt tanulás. Felügyelt tanulás esetén az algoritmusba betáplált képzési adatok tartalmaznak egy címkét.
Az algoritmus betanításához néhány szabványos lépést kell követni:
- Gyűjtsd össze az adatokat
- Tanítsa meg az osztályozót
- Csinálj előrejelzéseket
Az első lépés szükséges, a megfelelő adatok kiválasztásával az algoritmus sikeres vagy kudarc lesz. A modell betanításához választott adatokat a funkciót. Az objektum példájában a jellemzők a képek pixelei.
Minden kép egy sor az adatban, míg minden pixel egy oszlop. Ha a kép 28×28 méretű, az adatkészlet 784 oszlopot (28×28) tartalmaz. Az alábbi képen minden kép jellemzővektorrá lett átalakítva. A címke közli a számítógéppel, hogy milyen objektum van a képen.
A cél az, hogy ezeket a betanítási adatokat felhasználjuk az objektum típusának osztályozására. Az első lépés a jellemzőoszlopok létrehozása. Ezután a második lépés egy algoritmus kiválasztása a modell betanításához. Amikor a betanítás befejeződött, a modell megjósolja, hogy melyik kép milyen tárgynak felel meg.
Ezt követően a modell könnyen használható új képek előrejelzésére. A modellbe betáplált minden új kép esetén a gép megjósolja, hogy melyik osztályba tartozik. Például egy teljesen új, címke nélküli kép megy át a modellen. Egy emberi lény számára triviális a képet úgy elképzelni, mint egy autót. A gép korábbi tudását felhasználva előrejelzi, hogy a kép egy autó.
Mély tanulási folyamat
A mély tanulásban a tanulási fázis egy neurális hálózaton keresztül történik. A neurális hálózat egy olyan architektúra, amelyben a rétegek egymásra vannak rakva.
Tekintsük a fenti képpéldát. Az oktatókészlet egy neurális hálózatba kerülne
Minden bemenet egy neuronba kerül, és megszorozódik egy súllyal. A szorzás eredménye a következő rétegre áramlik, és bemenetté válik. Ez a folyamat a hálózat minden rétegénél megismétlődik. Az utolsó réteg neve kimeneti réteg; a regressziós feladathoz tényleges értéket, az osztályozási feladathoz pedig az egyes osztályok valószínűségét adja meg. A neurális hálózat matematikai algoritmust használ az összes neuron súlyának frissítésére. A neurális hálózat akkor van teljesen betanítva, ha a súlyok értéke a valósághoz közeli kimenetet ad. Például egy jól képzett neurális hálózat nagyobb pontossággal képes felismerni a tárgyat a képen, mint a hagyományos neurális háló.
Automatizálja a funkciók kivonását a DL használatával
Egy adatkészlet egy tucattól több száz szolgáltatást tartalmazhat. A rendszer tanulni fog ezeknek a funkcióknak a relevanciájából. Azonban nem minden funkció értelmes az algoritmus számára. A gépi tanulás kulcsfontosságú része, hogy megtaláljuk a megfelelő funkciókészletet, hogy a rendszer megtanuljon valamit.
Ennek a résznek a gépi tanulásban való végrehajtásának egyik módja a funkciókivonás használata. A Funkciókivonás a meglévő funkciókat egyesíti, hogy relevánsabb szolgáltatáskészletet hozzon létre. Megtehető PCA, T-SNE vagy bármilyen más dimenziócsökkentő algoritmussal.
Például egy képfeldolgozásnál a szakembernek manuálisan kell kinyernie a képen lévő jellemzőket, például a szemeket, az orrot, az ajkakat stb. Ezek a kivont jellemzők bekerülnek az osztályozási modellbe.
A mély tanulás megoldja ezt a problémát, különösen a konvolúciós neurális hálózatok esetében. A neurális hálózat első rétege apró részleteket tanul meg a képről; a következő rétegek kombinálják a korábbi ismereteket, hogy összetettebb információkat kapjanak. A konvolúciós neurális hálózatban a jellemzők kinyerése a szűrő használatával történik. A hálózat egy szűrőt alkalmaz a képre, hogy megnézze, van-e egyezés, azaz a jellemző alakja megegyezik-e a kép egy részével. Ha van egyezés, a hálózat ezt a szűrőt fogja használni. A jellemzők kinyerésének folyamata ezért automatikusan megtörténik.
Összegzésként
Mesterséges intelligencia kognitív képességet kölcsönöz a gépnek. A mesterséges intelligencia és a gépi tanulás összehasonlítása során a korai AI-rendszerek mintaillesztési és szakértői rendszereket használtak.
A gépi tanulás mögött meghúzódó gondolat az, hogy a gép emberi beavatkozás nélkül is képes tanulni. A gépnek meg kell találnia a módját, hogy megtanulja, hogyan kell megoldani egy feladatot az adatok alapján.
A mély tanulás az áttörés a mesterséges intelligencia területén. Ha elegendő adat áll rendelkezésre a képzéshez, a mélytanulás lenyűgöző eredményeket ér el, különösen a képfelismerés és a szövegfordítás terén. Ennek fő oka az, hogy a funkciók kivonása automatikusan megtörténik a hálózat különböző rétegeiben.
