Diferença entre Machine Learning e Deep Learning

Diferença chave entre aprendizado de máquina e aprendizado profundo

As principais diferenças entre Machine Learning e Deep Learning são:

• O Machine Learning fornece excelente desempenho em um conjunto de dados pequeno/médio, enquanto o Deep Learning fornece excelente desempenho em um grande conjunto de dados
• O ML funciona em uma máquina de baixo custo, enquanto o DL requer uma máquina poderosa, de preferência com GPU.
• O tempo de execução do aprendizado de máquina varia de alguns minutos a horas, enquanto o aprendizado profundo leva até semanas.
• Com o aprendizado de máquina, você precisa de menos dados para treinar o algoritmo do que o aprendizado profundo. O aprendizado profundo requer um conjunto extenso e diversificado de dados para identificar a estrutura subjacente.

O que é IA?

IA (inteligência artificial) é um ramo da ciência da computação no qual as máquinas são programadas e recebem a capacidade cognitiva de pensar e imitar ações como seres humanos e animais. A referência para IA é a inteligência humana em relação ao raciocínio, fala, aprendizagem, visão e resolução de problemas, que está muito distante no futuro.

IA tem três níveis diferentes

1) IA estreita: Diz-se que uma inteligência artificial é estreita quando a máquina pode executar uma tarefa específica melhor do que um ser humano. A pesquisa atual de IA está aqui agora
2) IA geral: Uma inteligência artificial atinge o estado geral quando pode realizar qualquer tarefa intelectual com o mesmo nível de precisão que um ser humano faria.
3) IA ativa: Uma IA está ativa quando consegue vencer humanos em muitas tarefas

Os primeiros sistemas de IA usavam correspondência de padrões e sistemas especializados.

O que é Machine Learning (ML)?

ml (Machine Learning) é um tipo de IA em que um computador é treinado para automatizar tarefas exaustivas ou impossíveis para o ser humano. É a melhor ferramenta para analisar, compreender e identificar padrões em dados com base no estudo de algoritmos de computador. O aprendizado de máquina pode tomar decisões com o mínimo de intervenção humana.

Comparando Inteligência artificial versus aprendizado de máquina, o aprendizado de máquina usa dados para alimentar um algoritmo que pode entender a relação entre a entrada e a saída. Quando a máquina terminar de aprender, ela poderá prever o valor ou a classe de um novo ponto de dados.

O que é Deep Learning (DL)?

O aprendizado profundo é um software de computador que imita a rede de neurônios de um cérebro. É um subconjunto do aprendizado de máquina e é chamado de aprendizado profundo porque faz uso de redes neurais profundas. A máquina usa diferentes camadas para aprender com os dados. A profundidade do modelo é representada pelo número de camadas do modelo. O aprendizado profundo é o novo estado da arte em termos de IA. No aprendizado profundo, a fase de aprendizado é feita por meio de uma rede neural. Uma rede neural é uma arquitetura onde as camadas são empilhadas umas sobre as outras

Diferença entre aprendizado de máquina e aprendizado profundo

Abaixo está uma diferença fundamental entre Deep Learning e Machine Learning

Parâmetro	Machine Learning	Deep Learning
Dependências de dados	Excelente desempenho em um conjunto de dados pequeno/médio	Excelente desempenho em um grande conjunto de dados
dependências de hardware	Trabalhe em uma máquina de baixo custo.	Requer máquina poderosa, de preferência com GPU: DL realiza uma quantidade significativa de multiplicação de matrizes
Engenharia de recursos	Precisa entender os recursos que representam os dados	Não há necessidade de entender o melhor recurso que representa os dados
Tempo de execução	De alguns minutos a horas	Até semanas. A rede neural precisa calcular um número significativo de pesos
Interpretabilidade	Alguns algoritmos são fáceis de interpretar (logística, árvore de decisão), outros são quase impossíveis (SVM, XGBoost)	Difícil a impossível

Quando usar ML ou DL?

Na tabela abaixo, resumimos a diferença entre aprendizado de máquina e deep learning com exemplos.

Parâmetro	Machine Learning	Deep Learning
Conjunto de dados de treinamento	Pequeno	Grande
Escolha recursos	Sim	Não
Número de algoritmos	Muitos	Poucos
Tempo de treino	Baixo	longo

Com o aprendizado de máquina, você precisa de menos dados para treinar o algoritmo do que o aprendizado profundo. O aprendizado profundo requer um conjunto extenso e diversificado de dados para identificar a estrutura subjacente. Além disso, o aprendizado de máquina fornece um modelo treinado mais rapidamente. A arquitetura de aprendizado profundo mais avançada pode levar de dias a uma semana para ser treinada. A vantagem do aprendizado profundo sobre o aprendizado de máquina é que ele é altamente preciso. Você não precisa entender quais recursos representam melhor os dados; a rede neural aprendeu como selecionar recursos críticos. No aprendizado de máquina, você precisa escolher quais recursos incluir no modelo.

Processo de aprendizado de máquina

Imagine que você pretende construir um programa que reconheça objetos. Para treinar o modelo, você usará um classificador. Um classificador usa os recursos de um objeto para tentar identificar a classe à qual ele pertence.

No exemplo, o classificador será treinado para detectar se a imagem é:

• Bicicleta
• Barco
• Carro
• Avião

Os quatro objetos acima são a classe que o classificador deve reconhecer. Para construir um classificador, você precisa ter alguns dados como entrada e atribuir um rótulo a eles. O algoritmo pegará esses dados, encontrará um padrão e então o classificará na classe correspondente.

Esta tarefa é chamada aprendizagem supervisionada. No aprendizado supervisionado, os dados de treinamento que você alimenta no algoritmo incluem um rótulo.

Treinar um algoritmo requer seguir algumas etapas padrão:

• Colete os dados
• Treine o classificador
• Fazer previsões

O primeiro passo é necessário, escolher os dados certos fará com que o algoritmo seja um sucesso ou um fracasso. Os dados que você escolhe para treinar o modelo são chamados de recurso. No exemplo do objeto, os recursos são os pixels das imagens.

Cada imagem é uma linha nos dados, enquanto cada pixel é uma coluna. Se a sua imagem tiver tamanho 28×28, o conjunto de dados conterá 784 colunas (28×28). Na imagem abaixo, cada imagem foi transformada em um vetor de características. O rótulo informa ao computador qual objeto está na imagem.

O objetivo é utilizar esses dados de treinamento para classificar o tipo de objeto. A primeira etapa consiste na criação das colunas de recursos. Então, a segunda etapa envolve a escolha de um algoritmo para treinar o modelo. Quando o treinamento for concluído, o modelo irá prever qual imagem corresponde a qual objeto.

Depois disso, é fácil usar o modelo para prever novas imagens. Para cada nova imagem alimentada no modelo, a máquina irá prever a classe à qual ela pertence. Por exemplo, uma imagem inteiramente nova sem rótulo está passando pelo modelo. Para um ser humano, é trivial visualizar a imagem como um carro. A máquina usa seu conhecimento prévio para prever também que a imagem é um carro.

Processo de aprendizagem profunda

No aprendizado profundo, a fase de aprendizado é feita por meio de uma rede neural. Uma rede neural é uma arquitetura onde as camadas são empilhadas umas sobre as outras.

Considere o mesmo exemplo de imagem acima. O conjunto de treinamento seria alimentado em uma rede neural

Cada entrada vai para um neurônio e é multiplicada por um peso. O resultado da multiplicação flui para a próxima camada e se torna a entrada. Este processo é repetido para cada camada da rede. A camada final é chamada de camada de saída; fornece um valor real para a tarefa de regressão e uma probabilidade de cada classe para a tarefa de classificação. A rede neural usa um algoritmo matemático para atualizar os pesos de todos os neurônios. A rede neural está totalmente treinada quando o valor dos pesos fornece uma saída próxima da realidade. Por exemplo, uma rede neural bem treinada pode reconhecer o objeto em uma imagem com maior precisão do que a rede neural tradicional.

Automatize a extração de recursos usando DL

Um conjunto de dados pode conter de dezenas a centenas de recursos. O sistema aprenderá com a relevância desses recursos. No entanto, nem todos os recursos são significativos para o algoritmo. Uma parte crucial do aprendizado de máquina é encontrar um conjunto relevante de recursos para fazer o sistema aprender algo.

Uma maneira de realizar essa parte no aprendizado de máquina é usar a extração de recursos. A extração de recursos combina recursos existentes para criar um conjunto de recursos mais relevante. Isso pode ser feito com PCA, T-SNE ou qualquer outro algoritmo de redução de dimensionalidade.

Por exemplo, em um processamento de imagem, o profissional precisa extrair manualmente os recursos da imagem, como olhos, nariz, lábios e assim por diante. Esses recursos extraídos alimentam o modelo de classificação.

O aprendizado profundo resolve esse problema, especialmente para uma rede neural convolucional. A primeira camada de uma rede neural aprenderá pequenos detalhes da imagem; as próximas camadas combinarão o conhecimento anterior para formar informações mais complexas. Na rede neural convolucional, a extração de características é feita com o uso do filtro. A rede aplica um filtro à imagem para ver se há correspondência, ou seja, se o formato do recurso é idêntico a uma parte da imagem. Se houver correspondência, a rede usará este filtro. O processo de extração de características é, portanto, feito automaticamente.

Resumo

Inteligência artificial está transmitindo uma habilidade cognitiva a uma máquina. Comparando IA com aprendizado de máquina, os primeiros sistemas de IA usavam correspondência de padrões e sistemas especialistas.

A ideia por trás do aprendizado de máquina é que a máquina possa aprender sem intervenção humana. A máquina precisa encontrar uma maneira de aprender como resolver uma tarefa com base nos dados.

O aprendizado profundo é o avanço no campo da inteligência artificial. Quando há dados suficientes para treinar, o aprendizado profundo alcança resultados impressionantes, especialmente para reconhecimento de imagens e tradução de textos. O principal motivo é que a extração de características é feita automaticamente nas diferentes camadas da rede.