機械学習と深層学習の違い
機械学習と深層学習の主な違い
機械学習と深層学習の主な違いは次のとおりです。
- 機械学習は小規模/中規模のデータセットで優れたパフォーマンスを提供しますが、深層学習は大規模なデータセットで優れたパフォーマンスを提供します
- ML はローエンド マシンで動作しますが、DL は強力なマシン、できれば GPU を必要とします。
- 機械学習の実行時間は数分から数時間ですが、ディープラーニングでは最大数週間かかります。
- 機械学習を使用すると、深層学習よりもアルゴリズムのトレーニングに必要なデータが少なくなります。 ディープラーニングでは、基礎となる構造を特定するために、広範で多様なデータセットが必要です。

AIとは
AI(人工知能) コンピューターサイエンスの一分野であり、機械がプログラムされ、人間や動物のように思考して行動を模倣する認知能力が与えられます。 AI のベンチマークは、推論、発話、学習、視覚、問題解決に関する人間の知能ですが、これは遠い将来のことです。
AIにはXNUMXつの異なるレベルがある
1) 狭いAI: 機械が特定のタスクを人間よりもうまく実行できる場合、人工知能は狭いと言われます。 AIの最新研究が今ここに
2) 一般的なAI: 人工知能は、人間と同じレベルの正確さで知的タスクを実行できるようになると、一般的な状態に到達します
3) アクティブAI: AI は、多くのタスクで人間に勝てるときにアクティブになります。
初期の AI システムはパターン マッチングと エキスパートシステム.
機械学習(ML)とは何ですか?
ML (機械学習) は、人間にとって膨大な、または不可能なタスクを自動化するようにコンピューターをトレーニングする AI の一種です。コンピューター アルゴリズムの研究に基づいて、データ内のパターンを分析、理解、識別するための最適なツールです。機械学習は、人間の介入を最小限に抑えて意思決定を行うことができます。
比較 Artificial Intelligence 機械学習と比較すると、機械学習はデータを使用して、入力と出力の関係を理解できるアルゴリズムにデータを供給します。 機械は学習を終了すると、新しいデータ ポイントの値またはクラスを予測できます。
ディープラーニング(DL)とは何ですか?
ディープラーニングは、脳内のニューロンのネットワークを模倣するコンピュータソフトウェアです。これは機械学習のサブセットであり、ディープニューラルネットワークを利用するためディープラーニングと呼ばれています。マシンは、データから学習するためにさまざまなレイヤーを使用します。モデルの深さは、モデル内のレイヤーの数で表されます。ディープラーニングは、AI の分野では最新の技術です。ディープラーニングでは、学習フェーズはニューラルネットワークを通じて行われます。ニューラルネットワークは、レイヤーが互いに積み重ねられたアーキテクチャです。
機械学習と深層学習の違い
以下は、ディープラーニングと機械学習の主な違いです。
機械学習 | 深層学習 | |
---|---|---|
データの依存関係 | 中小規模のデータセットで優れたパフォーマンスを発揮 | 大きなデータセットでの優れたパフォーマンス |
ハードウェアの依存関係 | ローエンドのマシンで作業します。 | 強力なマシン、できれば GPU が必要: DL は大量の行列乗算を実行します。 |
機能エンジニアリング | データを表す特徴を理解する必要がある | データを表す最適な特徴を理解する必要はありません |
実行時間 | 数分から数時間まで | 最大数週間。 ニューラル ネットワークはかなりの数の重みを計算する必要があります |
解釈可能性 | いくつかのアルゴリズムは簡単に解釈できます (ロジスティック、決定木)。いくつかはほとんど不可能です (SVM、XGBoost)。 | 難しいから不可能まで |
ML または DL をいつ使用するか?
機械学習 | 深層学習 | |
---|---|---|
トレーニングデータセット | S | L |
機能の選択 | あり | いいえ |
アルゴリズムの数 | その他にもたくさんのグーグルの | 少数の |
トレーニングの時間 | ショート | 長い |
機械学習では、ディープラーニングよりもアルゴリズムのトレーニングに必要なデータが少なくなります。ディープラーニングでは、基礎となる構造を識別するために、広範かつ多様なデータセットが必要です。また、機械学習では、より速くトレーニングされたモデルが提供されます。最も高度なディープラーニング アーキテクチャのトレーニングには、数日から 1 週間かかります。ディープラーニングが機械学習よりも優れている点は、精度が高いことです。どの機能がデータを最もよく表すかを理解する必要はありません。ニューラル ネットワークが重要な機能を選択する方法を学習します。機械学習では、モデルに含める機能を自分で選択する必要があります。
機械学習プロセス
オブジェクトを認識するプログラムを構築することになっていると想像してください。 モデルをトレーニングするには、 分類します。 分類子は、オブジェクトの特徴を使用して、オブジェクトが属するクラスの識別を試みます。
この例では、分類器は画像が以下であるかどうかを検出するようにトレーニングされます。
- 自転車
- ボート
- 送迎サービス
- 飛行機
上記の XNUMX つのオブジェクトは、分類子が認識する必要があるクラスです。 分類器を構築するには、入力としてデータを取得し、それにラベルを割り当てる必要があります。 アルゴリズムはこれらのデータを取得し、パターンを見つけて、対応するクラスに分類します。
このタスクはと呼ばれます 教師あり学習. 教師あり学習では、アルゴリズムに供給するトレーニング データにはラベルが含まれます。
アルゴリズムをトレーニングするには、いくつかの標準的な手順に従う必要があります。
- データを収集する
- 分類器をトレーニングする
- 予測を行います
最初のステップが必要です。適切なデータを選択することで、アルゴリズムが成功するか失敗するかが決まります。 モデルをトレーニングするために選択したデータは、 特徴。 オブジェクトの例では、特徴は画像のピクセルです。
各画像はデータ内の行であり、各ピクセルは列です。 画像のサイズが 28×28 の場合、データセットには 784 列 (28×28) が含まれます。 下の図では、各画像が特徴ベクトルに変換されています。 ラベルは、画像内にどのようなオブジェクトがあるかをコンピュータに伝えます。
目的は、これらのトレーニング データを使用してオブジェクトのタイプを分類することです。 最初のステップは、特徴列の作成で構成されます。 次に、XNUMX 番目のステップでは、モデルをトレーニングするためのアルゴリズムを選択します。 トレーニングが完了すると、モデルはどの画像がどのオブジェクトに対応するかを予測します。
その後、モデルを使用して新しい画像を予測するのは簡単です。 新しい画像がモデルにフィードされるたびに、マシンはそれが属するクラスを予測します。 たとえば、ラベルのないまったく新しいイメージがモデルを通過します。 人間にとって、イメージを車として視覚化することは簡単です。 マシンは事前の知識を使用して、画像が車であることも予測します。
深層学習プロセス
ディープラーニングでは、学習フェーズはニューラル ネットワークを通じて行われます。ニューラル ネットワークは、レイヤーが互いに積み重ねられたアーキテクチャです。
上の同じ画像の例を考えてみましょう。 トレーニングセットはニューラルネットワークに供給されます
各入力はニューロンに入り、重みが乗算されます。 乗算の結果は次の層に流れて入力になります。 このプロセスはネットワークの各層で繰り返されます。 最後の層は出力層と呼ばれます。 これは、回帰タスクの実際の値と、分類タスクの各クラスの確率を提供します。 ニューラル ネットワークは数学的アルゴリズムを使用して、すべてのニューロンの重みを更新します。 重みの値が現実に近い出力を与えると、ニューラル ネットワークは完全にトレーニングされます。 たとえば、十分にトレーニングされたニューラル ネットワークは、従来のニューラル ネットワークよりも高い精度で画像上のオブジェクトを認識できます。
DL を使用して特徴抽出を自動化する
データセットには、数十から数百のフィーチャを含めることができます。 システムはこれらの機能の関連性から学習します。 ただし、すべての機能がアルゴリズムにとって意味があるわけではありません。 機械学習の重要な部分は、システムに何かを学習させるために関連する一連の機能を見つけることです。
機械学習でこの部分を実行する方法の 1 つは、特徴抽出を使用することです。特徴抽出では、既存の特徴を組み合わせて、より関連性の高い特徴セットを作成します。これは、PCA、T-SNE、またはその他の次元削減アルゴリズムを使用して実行できます。
たとえば、画像処理では、医師は画像内の目、鼻、唇などの特徴を手動で抽出する必要があります。 抽出されたこれらの特徴は分類モデルにフィードされます。
ディープラーニングは、特に畳み込みニューラルネットワークにおいて、この問題を解決します。ニューラルネットワークの最初の層は、画像から細かい詳細を学習します。次の層は、以前の知識を組み合わせて、より複雑な情報を作成します。畳み込みニューラルネットワークでは、フィルターを使用して特徴抽出が行われます。ネットワークは、画像にフィルターを適用して、一致するかどうか、つまり特徴の形状が画像の一部と同一であるかどうかを確認します。一致する場合、ネットワークはこのフィルターを使用します。したがって、特徴抽出のプロセスは自動的に行われます。
製品概要
Artificial Intelligence 機械に認知能力を与えています。 AI と機械学習を比較すると、初期の AI システムではパターン マッチングとエキスパート システムが使用されていました。
機械学習の背後にある考え方は、機械は人間の介入なしで学習できるというものです。 マシンは、データが与えられたタスクを解決する方法を学習する方法を見つける必要があります。
ディープラーニングは人工知能の分野における画期的な進歩です。 トレーニングに必要なデータが十分にある場合、ディープ ラーニングは、特に画像認識とテキスト翻訳において優れた結果を達成します。 主な理由は、特徴抽出がネットワークのさまざまなレイヤーで自動的に行われるためです。