Verschil tussen machinaal leren en diep leren
Evelien Clarke
Belangrijkste verschil tussen machine learning en deep learning
De belangrijkste verschillen tussen Machine Learning en Deep Learning zijn:
- Machine Learning levert uitstekende prestaties op een kleine/middelgrote dataset, terwijl Deep Learning uitstekende prestaties levert op een grote dataset
- ML werkt op een low-end machine, terwijl DL een krachtige machine vereist, bij voorkeur met GPU.
- De uitvoeringstijd van Machine Learning varieert van enkele minuten tot uren, terwijl Deep Learning tot weken in beslag kan nemen.
- Met machine learning heb je minder data nodig om het algoritme te trainen dan met deep learning. Deep learning vereist een uitgebreide en diverse set gegevens om de onderliggende structuur te identificeren.
Wat is AI?
AI (kunstmatige intelligentie) is een tak van de informatica waarin machines worden geprogrammeerd en een cognitief vermogen krijgen om te denken en acties na te bootsen zoals mensen en dieren. De maatstaf voor AI is menselijke intelligentie met betrekking tot redeneren, spreken, leren, visie en probleemoplossing, wat nog ver weg ligt in de toekomst.
AI heeft drie verschillende niveaus
1) Smalle AI: Een kunstmatige intelligentie is smal wanneer de machine een specifieke taak beter kan uitvoeren dan een mens. Het huidige onderzoek naar AI is nu hier
2) Algemene AI: Een kunstmatige intelligentie bereikt de algemene staat waarin het elke intellectuele taak kan uitvoeren met hetzelfde nauwkeurigheidsniveau als een mens dat zou doen
3) Actieve AI: Een AI is actief wanneer hij mensen bij veel taken kan verslaan
Vroege AI-systemen gebruikten patroonmatching en expertsystemen.
Wat is machine learning (ML)?
ML (Machine leren) is een type AI waarin een computer wordt getraind om taken te automatiseren die uitputtend of onmogelijk zijn voor mensen. Het is de beste tool om patronen in data te analyseren, begrijpen en identificeren op basis van de studie van computeralgoritmen. Machine learning kan beslissingen nemen met minimale menselijke tussenkomst.
Vergelijken Maak gebruik van onze ingebouwde AI die altijd weet wat te zeggen. versus Machine Learning: Machine learning gebruikt gegevens om een algoritme te voeden dat de relatie tussen de input en de output kan begrijpen. Wanneer de machine klaar is met leren, kan deze de waarde of de klasse van een nieuw datapunt voorspellen.
Wat is diep leren (DL)?
Deep learning is een computersoftware die het netwerk van neuronen in een brein nabootst. Het is een subset van machine learning en wordt deep learning genoemd omdat het gebruikmaakt van diepe neurale netwerken. De machine gebruikt verschillende lagen om van de data te leren. De diepte van het model wordt weergegeven door het aantal lagen in het model. Deep learning is de nieuwe state of the art op het gebied van AI. Bij deep learning wordt de leerfase uitgevoerd via een neuraal netwerk. Een neuraal netwerk is een architectuur waarbij de lagen op elkaar zijn gestapeld
Verschil tussen machinaal leren en diep leren
Hieronder ziet u een belangrijk verschil tussen Deep Learning en Machine Learning
| Parameter | Machine leren | Diepe leren |
|---|---|---|
| Afhankelijkheden van gegevens | Uitstekende prestaties op een kleine/middelgrote dataset | Uitstekende prestaties op een grote dataset |
| Hardware-afhankelijkheden | Werk aan een low-end machine. | Vereist een krachtige machine, bij voorkeur met GPU: DL voert een aanzienlijke hoeveelheid matrixvermenigvuldiging uit |
| Functie-engineering | Noodzaak om de kenmerken te begrijpen die de gegevens vertegenwoordigen | Het is niet nodig om de beste eigenschap te begrijpen die de gegevens vertegenwoordigt |
| Uitvoeringstijd | Van enkele minuten tot uren | Tot weken. Neuraal netwerk moet een aanzienlijk aantal gewichten berekenen |
| Interpreteerbaarheid | Sommige algoritmen zijn gemakkelijk te interpreteren (logistiek, beslissingsboom), andere zijn bijna onmogelijk (SVM, XGBoost) | Moeilijk tot onmogelijk |
Wanneer ML of DL gebruiken?
In de onderstaande tabel vatten we het verschil tussen machine learning en diepgaand leren met voorbeelden.
| Parameter | Machine leren | Diepe leren |
|---|---|---|
| Trainingsgegevensset | Klein | Groot |
| Kies functies | Ja | Nee |
| Aantal algoritmen | Veel | Weinig |
| Trainingstijd | Kort | Lang |
Met machine learning heb je minder data nodig om het algoritme te trainen dan met deep learning. Deep learning vereist een uitgebreide en diverse set data om de onderliggende structuur te identificeren. Bovendien biedt machine learning een sneller getraind model. De meeste geavanceerde deep learning-architectuur kan dagen tot een week duren om te trainen. Het voordeel van deep learning ten opzichte van machine learning is dat het zeer nauwkeurig is. Je hoeft niet te begrijpen welke features de beste representatie van de data zijn; het neurale netwerk heeft geleerd hoe het kritieke features moet selecteren. Bij machine learning moet je zelf kiezen welke features je in het model wilt opnemen.
Machine leerproces
Stel je voor dat het de bedoeling is dat je een programma bouwt dat objecten herkent. Om het model te trainen, gebruik je een classificeren. Een classificator gebruikt de kenmerken van een object om te proberen de klasse waartoe het behoort te identificeren.
In het voorbeeld wordt de classificator getraind om te detecteren of de afbeelding een:
- Fiets
- Boot
- Auto
- Vliegtuig
De vier bovenstaande objecten zijn de klasse die de classificator moet herkennen. Om een classificator te construeren, moet u een aantal gegevens als invoer hebben en er een label aan toewijzen. Het algoritme zal deze gegevens gebruiken, een patroon vinden en dit vervolgens in de overeenkomstige klasse classificeren.
Deze taak heet leren onder toezicht. Bij begeleid leren zijn de trainingsgegevens die u aan het algoritme invoert voorzien van een label.
Het trainen van een algoritme vereist het volgen van een paar standaardstappen:
- Verzamel de gegevens
- Train de classificator
- Voorspellingen maken
De eerste stap is noodzakelijk: het kiezen van de juiste gegevens zal het algoritme tot succes of mislukking maken. De gegevens die u kiest om het model te trainen, worden a genoemd kenmerk. In het objectvoorbeeld zijn de kenmerken de pixels van de afbeeldingen.
Elke afbeelding is een rij in de gegevens, terwijl elke pixel een kolom is. Als uw afbeelding een formaat van 28×28 heeft, bevat de dataset 784 kolommen (28×28). In de onderstaande afbeelding is elke afbeelding omgezet in een kenmerkvector. Het label vertelt de computer welk object in de afbeelding staat.
Het doel is om deze trainingsgegevens te gebruiken om het type object te classificeren. De eerste stap bestaat uit het maken van de featurekolommen. Vervolgens omvat de tweede stap het kiezen van een algoritme om het model te trainen. Als de training klaar is, zal het model voorspellen welke afbeelding bij welk object hoort.
Daarna is het model eenvoudig te gebruiken om nieuwe beelden te voorspellen. Voor elke nieuwe afbeelding die in het model wordt ingevoerd, voorspelt de machine tot welke klasse deze behoort. Er gaat bijvoorbeeld een geheel nieuwe afbeelding zonder label door het model. Voor een mens is het triviaal om het beeld als een auto te visualiseren. De machine gebruikt zijn voorkennis om ook te voorspellen dat het beeld een auto is.
Diep leerproces
Bij deep learning wordt de leerfase uitgevoerd via een neuraal netwerk. Een neuraal netwerk is een architectuur waarbij de lagen op elkaar zijn gestapeld.
Beschouw hetzelfde afbeeldingsvoorbeeld hierboven. De trainingsset zou worden gevoed aan een neuraal netwerk
Elke invoer gaat naar een neuron en wordt vermenigvuldigd met een gewicht. Het resultaat van de vermenigvuldiging stroomt naar de volgende laag en wordt de invoer. Dit proces wordt herhaald voor elke laag van het netwerk. De laatste laag wordt de uitvoerlaag genoemd; het levert een werkelijke waarde op voor de regressietaak en een waarschijnlijkheid van elke klasse voor de classificatietaak. Het neurale netwerk gebruikt een wiskundig algoritme om de gewichten van alle neuronen bij te werken. Het neurale netwerk is volledig getraind wanneer de waarde van de gewichten een resultaat oplevert dat dicht bij de realiteit ligt. Een goed getraind neuraal netwerk kan bijvoorbeeld het object op een foto met een grotere nauwkeurigheid herkennen dan het traditionele neurale netwerk.
Automatiseer functie-extractie met DL
Een dataset kan tientallen tot honderden features bevatten. Het systeem zal leren van de relevantie van deze functies. Niet alle functies zijn echter betekenisvol voor het algoritme. Een cruciaal onderdeel van machinaal leren is het vinden van een relevante reeks functies om het systeem iets te laten leren.
Eén manier om dit onderdeel in machine learning uit te voeren is door feature extraction te gebruiken. Feature extraction combineert bestaande features om een relevantere set features te creëren. Dit kan worden gedaan met PCA, T-SNE of andere dimensionaliteitsreductiealgoritmen.
Bij beeldverwerking moet de arts bijvoorbeeld handmatig de kenmerken uit het beeld extraheren, zoals de ogen, de neus, de lippen enzovoort. Deze geëxtraheerde kenmerken worden ingevoerd in het classificatiemodel.
Deep learning lost dit probleem op, vooral voor een convolutioneel neuraal netwerk. De eerste laag van een neuraal netwerk leert kleine details van de afbeelding; de volgende lagen combineren de eerdere kennis om complexere informatie te maken. In het convolutioneel neuraal netwerk wordt de feature-extractie gedaan met behulp van het filter. Het netwerk past een filter toe op de afbeelding om te zien of er een match is, d.w.z. de vorm van de feature is identiek aan een deel van de afbeelding. Als er een match is, gebruikt het netwerk dit filter. Het proces van feature-extractie wordt daarom automatisch uitgevoerd.
Samenvatting
Maak gebruik van onze ingebouwde AI die altijd weet wat te zeggen. is het verlenen van een cognitief vermogen aan een machine. Bij het vergelijken van AI versus Machine Learning maakten vroege AI-systemen gebruik van patroonmatching en expertsystemen.
Het idee achter machine learning is dat de machine kan leren zonder menselijke tussenkomst. De machine moet een manier vinden om te leren hoe een taak op basis van de gegevens kan worden opgelost.
Deep learning is de doorbraak op het gebied van kunstmatige intelligentie. Als er voldoende gegevens zijn om op te trainen, levert deep learning indrukwekkende resultaten op, vooral voor beeldherkenning en tekstvertaling. De belangrijkste reden is dat de functie-extractie automatisch gebeurt in de verschillende lagen van het netwerk.