Разница между машинным обучением и глубоким обучением
Эвелин Кларк
Ключевая разница между машинным обучением и глубоким обучением
Основные различия между машинным обучением и глубоким обучением:
- Машинное обучение обеспечивает отличную производительность на небольшом/среднем наборе данных, тогда как глубокое обучение обеспечивает отличную производительность на большом наборе данных.
- ML работает на машине низкого уровня, тогда как DL требует мощной машины, желательно с графическим процессором.
- Время выполнения машинного обучения от нескольких минут до часов, тогда как глубокое обучение занимает до недель.
- При машинном обучении для обучения алгоритма требуется меньше данных, чем при глубоком обучении. Глубокое обучение требует обширного и разнообразного набора данных для определения базовой структуры.
Что такое ИИ?
ИИ (Искусственный интеллект) — это раздел информатики, в котором машины программируются и наделяются когнитивной способностью думать и имитировать действия, подобные действиям людей и животных. Ориентиром для ИИ является человеческий интеллект в отношении рассуждения, речи, обучения, видения и решения проблем, что находится в далеком будущем.
ИИ имеет три разных уровня
1) Узкий ИИ: Искусственный интеллект считается узким, когда машина может выполнить конкретную задачу лучше, чем человек. Текущие исследования ИИ уже здесь
2) Общий ИИ: Искусственный интеллект достигает общего состояния, когда он может выполнять любую интеллектуальную задачу с тем же уровнем точности, что и человек.
3) Активный ИИ: ИИ активен, когда он может превосходить людей во многих задачах.
Ранние системы искусственного интеллекта использовали сопоставление с образцом и экспертные системы.
Что такое машинное обучение (ML)?
МЛ (Машинное обучение) — это тип искусственного интеллекта, в котором компьютер обучен автоматизировать задачи, которые являются исчерпывающими или невозможными для человека. Это лучший инструмент для анализа, понимания и выявления закономерностей в данных на основе изучения компьютерных алгоритмов. Машинное обучение может принимать решения с минимальным вмешательством человека.
Сравнение Искусственный интеллект по сравнению с машинным обучением. Машинное обучение использует данные для подачи алгоритма, который может понять взаимосвязь между входными и выходными данными. Когда машина завершит обучение, она может предсказать значение или класс новой точки данных.
Что такое глубокое обучение (ГО)?
Глубокое обучение — это компьютерное программное обеспечение, которое имитирует сеть нейронов в мозге. Это подмножество машинного обучения, которое называется глубоким обучением, поскольку в нем используются глубокие нейронные сети. Машина использует разные уровни для обучения на основе данных. Глубина модели представлена количеством слоев в модели. Глубокое обучение — это новый уровень развития искусственного интеллекта. При глубоком обучении этап обучения выполняется с помощью нейронной сети. Нейронная сеть — это архитектура, в которой слои наложены друг на друга.
Разница между машинным обучением и глубоким обучением
Ниже приведено ключевое различие между глубоким обучением и машинным обучением.
| Параметр | Машинное обучение | Глубокое обучение |
|---|---|---|
| Зависимости данных | Отличная производительность на небольшом/среднем наборе данных | Отличная производительность на большом наборе данных |
| Аппаратные зависимости | Работайте на слабой машине. | Требуется мощная машина, желательно с графическим процессором: DL выполняет значительный объем умножения матриц. |
| Функциональная инженерия | Необходимо понять особенности, которые представляют данные. | Нет необходимости понимать, какая функция лучше всего представляет данные. |
| Время выполнения | От нескольких минут до часов | До недель. Нейронной сети необходимо вычислить значительное количество весов. |
| Интерпретируемость | Некоторые алгоритмы легко интерпретировать (логистика, дерево решений), некоторые практически невозможно (SVM, XGBoost). | От сложного до невозможного |
Когда использовать ML или DL?
В таблице ниже мы суммируем разницу между обучение с помощью машины и глубокое обучение с примерами.
| Параметр | Машинное обучение | Глубокое обучение |
|---|---|---|
| Набор обучающих данных | Большой | |
| Выберите функции | Да | Нет |
| Количество алгоритмов | Много | Несколько |
| Тренировочное время | Короткий | Длинное |
При машинном обучении для обучения алгоритма требуется меньше данных, чем при глубоком обучении. Глубокое обучение требует обширного и разнообразного набора данных для определения базовой структуры. Кроме того, машинное обучение обеспечивает более быстрое обучение модели. Обучение самой продвинутой архитектуре глубокого обучения может занять от нескольких дней до недели. Преимущество глубокого обучения перед машинным обучением заключается в его высокой точности. Вам не нужно понимать, какие функции лучше всего представляют данные; нейронная сеть научилась выбирать критические функции. В машинном обучении вам нужно самому выбирать, какие функции включить в модель.
Процесс машинного обучения
Представьте, что вам предстоит создать программу, распознающую объекты. Для обучения модели вы будете использовать классификатор. Классификатор использует особенности объекта, чтобы попытаться определить класс, к которому он принадлежит.
В этом примере классификатор будет обучен определять, является ли изображение:
- велосипед
- Лодка
- Авто
- Самолет
Четыре объекта выше — это класс, который должен распознать классификатор. Чтобы создать классификатор, вам необходимо иметь некоторые данные в качестве входных данных и присвоить им метку. Алгоритм возьмет эти данные, найдет закономерность и затем отнесет ее к соответствующему классу.
Эта задача называется контролируемое обучение. При контролируемом обучении данные обучения, которые вы передаете алгоритму, содержат метку.
Обучение алгоритма требует выполнения нескольких стандартных шагов:
- Соберите данные
- Обучение классификатора
- Делать предсказания
Первый шаг необходим: выбор правильных данных обеспечит успех или неудачу алгоритма. Данные, которые вы выбираете для обучения модели, называются функцию. В примере с объектом объектами являются пиксели изображений.
Каждое изображение представляет собой строку данных, а каждый пиксель — столбец. Если ваше изображение имеет размер 28×28, набор данных содержит 784 столбца (28×28). На рисунке ниже каждое изображение преобразовано в вектор признаков. Метка сообщает компьютеру, какой объект находится на изображении.
Цель состоит в том, чтобы использовать эти обучающие данные для классификации типа объекта. Первый шаг состоит из создания столбцов объектов. Затем второй шаг включает выбор алгоритма для обучения модели. Когда обучение завершится, модель предскажет, какое изображение какому объекту соответствует.
После этого модель легко использовать для прогнозирования новых изображений. Для каждого нового изображения, поступающего в модель, машина предсказывает, к какому классу оно принадлежит. Например, через модель проходит совершенно новое изображение без метки. Для человека тривиально представить себе образ автомобиля. Машина использует свои предыдущие знания, чтобы предсказать, что изображение представляет собой автомобиль.
Процесс глубокого обучения
При глубоком обучении этап обучения выполняется с помощью нейронной сети. Нейронная сеть — это архитектура, в которой слои наложены друг на друга.
Рассмотрим тот же пример изображения выше. Обучающий набор будет передан в нейронную сеть.
Каждый входной сигнал поступает в нейрон и умножается на вес. Результат умножения поступает на следующий уровень и становится входными данными. Этот процесс повторяется для каждого уровня сети. Последний слой называется выходным слоем; он предоставляет фактическое значение для задачи регрессии и вероятность каждого класса для задачи классификации. Нейронная сеть использует математический алгоритм для обновления весов всех нейронов. Нейронная сеть полностью обучена, когда значения весов дают результат, близкий к реальности. Например, хорошо обученная нейронная сеть может распознать объект на изображении с большей точностью, чем традиционная нейронная сеть.
Автоматизируйте извлечение функций с помощью DL
Набор данных может содержать от дюжины до сотен объектов. Система будет учиться на актуальности этих функций. Однако не все функции имеют значение для алгоритма. Важнейшая часть машинного обучения — найти соответствующий набор функций, которые позволят системе чему-то научиться.
Один из способов выполнить эту часть машинного обучения — использовать извлечение признаков. Извлечение функций объединяет существующие функции для создания более релевантного набора функций. Это можно сделать с помощью PCA, T-SNE или любых других алгоритмов уменьшения размерности.
Например, при обработке изображения практикующему врачу необходимо вручную выделить на изображении такие особенности, как глаза, нос, губы и так далее. Эти извлеченные признаки передаются в модель классификации.
Глубокое обучение решает эту проблему, особенно для сверточной нейронной сети. Первый слой нейросети узнает мелкие детали картинки; Следующие уровни будут объединять предыдущие знания для создания более сложной информации. В сверточной нейронной сети извлечение признаков осуществляется с помощью фильтра. Сеть применяет к изображению фильтр, чтобы проверить, есть ли совпадение, то есть форма объекта идентична части изображения. Если есть совпадение, сеть будет использовать этот фильтр. Таким образом, процесс извлечения признаков выполняется автоматически.
Резюме
Искусственный интеллект наделяет машину когнитивными способностями. Сравнивая ИИ и машинное обучение, ранние системы ИИ использовали сопоставление шаблонов и экспертные системы.
Идея машинного обучения заключается в том, что машина может учиться без вмешательства человека. Машине необходимо найти способ научиться решать задачу с учетом данных.
Глубокое обучение — это прорыв в области искусственного интеллекта. Когда данных для обучения достаточно, глубокое обучение дает впечатляющие результаты, особенно в области распознавания изображений и перевода текста. Основная причина заключается в том, что извлечение признаков выполняется автоматически на разных уровнях сети.