ความแตกต่างระหว่างการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก

ความแตกต่างที่สำคัญระหว่างการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก

ความแตกต่างที่สำคัญระหว่าง Machine Learning และ Deep Learning คือ:

• Machine Learning ให้ประสิทธิภาพที่ยอดเยี่ยมบนชุดข้อมูลขนาดเล็ก/กลาง ในขณะที่ Deep Learning ให้ประสิทธิภาพที่ยอดเยี่ยมบนชุดข้อมูลขนาดใหญ่
• ML ทำงานกับเครื่องระดับล่าง ในขณะที่ DL ต้องใช้เครื่องที่ทรงพลัง โดยเฉพาะอย่างยิ่งกับ GPU
• การเรียนรู้ของเครื่องใช้เวลาดำเนินการตั้งแต่ไม่กี่นาทีจนถึงหลายชั่วโมง ในขณะที่การเรียนรู้เชิงลึกอาจใช้เวลานานถึงหลายสัปดาห์
• ด้วยการเรียนรู้ของเครื่อง คุณจำเป็นต้องมีข้อมูลในการฝึกอัลกอริทึมน้อยกว่าการเรียนรู้เชิงลึก การเรียนรู้เชิงลึกต้องใช้ชุดข้อมูลที่กว้างขวางและหลากหลายเพื่อระบุโครงสร้างพื้นฐาน

AI คืออะไร

เอไอ (ปัญญาประดิษฐ์) เป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ซึ่งมีการตั้งโปรแกรมเครื่องจักรและให้ความสามารถทางปัญญาในการคิดและเลียนแบบการกระทำเช่นมนุษย์และสัตว์ เกณฑ์มาตรฐานสำหรับ AI คือความฉลาดของมนุษย์ในด้านการใช้เหตุผล คำพูด การเรียนรู้ วิสัยทัศน์ และการแก้ปัญหา ซึ่งยังห่างไกลจากอนาคต

AI มีสามระดับที่แตกต่างกัน

1) AI แคบ: กล่าวกันว่าปัญญาประดิษฐ์นั้นแคบเมื่อเครื่องจักรสามารถทำงานได้เฉพาะเจาะจงได้ดีกว่ามนุษย์ การวิจัย AI ในปัจจุบันอยู่ที่นี่แล้ว
2) AI ทั่วไป: ปัญญาประดิษฐ์จะเข้าสู่สภาวะทั่วไปเมื่อสามารถทำงานทางปัญญาใดๆ ด้วยระดับความแม่นยำเช่นเดียวกับมนุษย์
3) AI ที่ใช้งานอยู่: AI ทำงานเมื่อสามารถเอาชนะมนุษย์ได้ในหลายงาน

ระบบ AI ยุคแรกใช้การจับคู่รูปแบบและ ระบบผู้เชี่ยวชาญ.

Machine Learning (ML) คืออะไร?

มล. (เครื่องเรียนรู้) เป็น AI ประเภทหนึ่งที่คอมพิวเตอร์ได้รับการฝึกฝนให้ทำงานอัตโนมัติซึ่งยากหรือเป็นไปไม่ได้สำหรับมนุษย์ ถือเป็นเครื่องมือที่ดีที่สุดในการวิเคราะห์ ทำความเข้าใจ และระบุรูปแบบในข้อมูลโดยอิงจากการศึกษาอัลกอริทึมของคอมพิวเตอร์ การเรียนรู้ของเครื่องจักรสามารถตัดสินใจได้โดยแทบไม่ต้องอาศัยการแทรกแซงจากมนุษย์เลย

เปรียบเทียบ ปัญญาประดิษฐ์ เทียบกับการเรียนรู้ของเครื่อง การเรียนรู้ของเครื่องใช้ข้อมูลเพื่อป้อนอัลกอริธึมที่สามารถเข้าใจความสัมพันธ์ระหว่างอินพุตและเอาต์พุต เมื่อเครื่องเรียนรู้เสร็จสิ้นแล้ว ก็สามารถทำนายค่าหรือคลาสของจุดข้อมูลใหม่ได้

การเรียนรู้เชิงลึก (DL) คืออะไร?

การเรียนรู้เชิงลึกคือซอฟต์แวร์คอมพิวเตอร์ที่เลียนแบบเครือข่ายเซลล์ประสาทในสมอง เป็นส่วนหนึ่งของการเรียนรู้ของเครื่องและเรียกว่าการเรียนรู้เชิงลึกเนื่องจากใช้เครือข่ายประสาทเทียมเชิงลึก เครื่องจะใช้เลเยอร์ต่างๆ เพื่อเรียนรู้จากข้อมูล ความลึกของแบบจำลองแสดงโดยจำนวนเลเยอร์ในแบบจำลอง การเรียนรู้เชิงลึกถือเป็นเทคโนโลยีใหม่ล่าสุดในแง่ของ AI ในการเรียนรู้เชิงลึก ขั้นตอนการเรียนรู้จะทำผ่านเครือข่ายประสาทเทียม เครือข่ายประสาทเทียมเป็นสถาปัตยกรรมที่เลเยอร์ต่างๆ ซ้อนกัน

ความแตกต่างระหว่างการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก

ด้านล่างนี้เป็นข้อแตกต่างที่สำคัญระหว่าง Deep Learning กับ Machine Learning

พารามิเตอร์	เครื่องเรียนรู้	การเรียนรู้ลึก ๆ
การพึ่งพาข้อมูล	ประสิทธิภาพที่ยอดเยี่ยมบนชุดข้อมูลขนาดเล็ก/กลาง	ประสิทธิภาพที่ยอดเยี่ยมบนชุดข้อมูลขนาดใหญ่
การพึ่งพาฮาร์ดแวร์	ทำงานกับเครื่องจักรระดับล่าง	ต้องใช้เครื่องจักรที่ทรงพลัง โดยเฉพาะอย่างยิ่งกับ GPU: DL ทำการคูณเมทริกซ์ในปริมาณที่มีนัยสำคัญ
วิศวกรรมคุณลักษณะ	จำเป็นต้องเข้าใจคุณลักษณะที่แสดงถึงข้อมูล	ไม่จำเป็นต้องเข้าใจคุณลักษณะที่ดีที่สุดที่แสดงถึงข้อมูล
เวลาดำเนินการ	จากไม่กี่นาทีถึงหลายชั่วโมง	นานถึงหลายสัปดาห์ Neural Network จำเป็นต้องคำนวณน้ำหนักจำนวนมาก
การตีความ	อัลกอริทึมบางอย่างนั้นตีความได้ง่าย (โลจิสติกส์ ต้นไม้การตัดสินใจ) ในขณะที่บางอย่างแทบจะเป็นไปไม่ได้เลย (SVM, XGBoost)	ยากถึงเป็นไปไม่ได้

เมื่อใดจึงควรใช้ ML หรือ DL?

ในตารางด้านล่างนี้เราสรุปความแตกต่างระหว่าง เรียนรู้เครื่อง และ การเรียนรู้ลึก ๆ พร้อมตัวอย่าง

พารามิเตอร์	เครื่องเรียนรู้	การเรียนรู้ลึก ๆ
ชุดข้อมูลการฝึกอบรม	เล็ก	ใหญ่
เลือกคุณสมบัติ	ใช่	ไม่
จำนวนอัลกอริทึ่ม	หลาย	สองสาม
เวลาฝึกอบรม	สั้น	นาน

ด้วยการเรียนรู้ของเครื่อง คุณจะต้องใช้ข้อมูลน้อยกว่าในการฝึกอัลกอริทึมเมื่อเทียบกับการเรียนรู้เชิงลึก การเรียนรู้เชิงลึกต้องใช้ชุดข้อมูลที่ครอบคลุมและหลากหลายเพื่อระบุโครงสร้างพื้นฐาน นอกจากนี้ การเรียนรู้ของเครื่องยังมอบแบบจำลองที่ผ่านการฝึกอย่างรวดเร็ว สถาปัตยกรรมการเรียนรู้เชิงลึกขั้นสูงส่วนใหญ่อาจต้องใช้เวลาฝึกหลายวันถึงหนึ่งสัปดาห์ ข้อได้เปรียบของการเรียนรู้เชิงลึกเมื่อเทียบกับการเรียนรู้ของเครื่องคือมีความแม่นยำสูง คุณไม่จำเป็นต้องเข้าใจว่าฟีเจอร์ใดเป็นตัวแทนที่ดีที่สุดของข้อมูล เพราะเครือข่ายประสาทจะเรียนรู้วิธีการเลือกฟีเจอร์ที่สำคัญ ในการเรียนรู้ของเครื่อง คุณต้องเลือกฟีเจอร์ที่จะรวมไว้ในแบบจำลองด้วยตัวเอง

กระบวนการเรียนรู้ของเครื่อง

ลองจินตนาการว่าคุณตั้งใจจะสร้างโปรแกรมที่จดจำวัตถุต่างๆ ในการฝึกโมเดล คุณจะใช้ จำแนก- ตัวแยกประเภทใช้คุณสมบัติของวัตถุเพื่อพยายามระบุคลาสที่เป็นของ

ในตัวอย่าง ตัวแยกประเภทจะได้รับการฝึกให้ตรวจสอบว่ารูปภาพเป็น:

• รถจักรยาน
• เรือ
• รถ
• เครื่องบิน

อ็อบเจ็กต์สี่รายการด้านบนคือคลาสที่ตัวแยกประเภทต้องจดจำ ในการสร้างตัวแยกประเภท คุณต้องมีข้อมูลบางส่วนเป็นอินพุตและกำหนดป้ายกำกับให้กับข้อมูลนั้น อัลกอริธึมจะนำข้อมูลเหล่านี้ ค้นหารูปแบบ แล้วจัดประเภทเป็นคลาสที่เกี่ยวข้อง

งานนี้เรียกว่า การเรียนรู้ภายใต้การดูแล. ในการเรียนรู้ภายใต้การดูแล ข้อมูลการฝึกอบรมที่คุณป้อนให้กับอัลกอริทึมจะมีป้ายกำกับด้วย

การฝึกอัลกอริธึมต้องทำตามขั้นตอนมาตรฐานสองสามขั้นตอน:

• รวบรวมข้อมูล
• ฝึกลักษณนาม
• ทำการคาดการณ์

จำเป็นต้องมีขั้นตอนแรก การเลือกข้อมูลที่ถูกต้องจะทำให้อัลกอริทึมสำเร็จหรือล้มเหลว ข้อมูลที่คุณเลือกในการฝึกโมเดลเรียกว่า ลักษณะ ในตัวอย่างออบเจ็กต์ คุณลักษณะคือพิกเซลของรูปภาพ

แต่ละภาพเป็นแถวในข้อมูลในขณะที่แต่ละพิกเซลเป็นคอลัมน์ หากรูปภาพของคุณมีขนาด 28×28 ชุดข้อมูลจะมี 784 คอลัมน์ (28×28) ในภาพด้านล่าง แต่ละภาพได้รับการแปลงเป็นเวกเตอร์คุณลักษณะ ป้ายบอกคอมพิวเตอร์ว่ามีวัตถุอะไรอยู่ในภาพ

วัตถุประสงค์คือเพื่อใช้ข้อมูลการฝึกอบรมเหล่านี้เพื่อจำแนกประเภทของวัตถุ ขั้นตอนแรกประกอบด้วยการสร้างคอลัมน์คุณลักษณะ จากนั้น ขั้นตอนที่สองเกี่ยวข้องกับการเลือกอัลกอริธึมเพื่อฝึกโมเดล เมื่อฝึกเสร็จแล้ว แบบจำลองจะคาดเดาว่ารูปภาพใดสอดคล้องกับวัตถุใด

หลังจากนั้นก็ใช้แบบจำลองเพื่อคาดการณ์ภาพใหม่ได้ง่าย สำหรับรูปภาพใหม่แต่ละภาพที่ป้อนเข้าไปในโมเดล เครื่องจะคาดการณ์คลาสที่เป็นของโมเดลนั้น ตัวอย่างเช่น รูปภาพใหม่ทั้งหมดที่ไม่มีป้ายกำกับกำลังอยู่ในโมเดล สำหรับมนุษย์ การมองเห็นภาพเหมือนรถยนต์เป็นเรื่องเล็กน้อย เครื่องใช้ความรู้เดิมในการทำนายเช่นเดียวกับภาพคือรถยนต์

กระบวนการเรียนรู้เชิงลึก

ในการเรียนรู้เชิงลึก ขั้นตอนการเรียนรู้จะดำเนินการผ่านเครือข่ายประสาทเทียม เครือข่ายประสาทเทียมเป็นสถาปัตยกรรมที่ชั้นต่างๆ เรียงซ้อนกัน

ลองพิจารณาตัวอย่างรูปภาพเดียวกันด้านบน ชุดการฝึกจะถูกป้อนเข้ากับโครงข่ายประสาทเทียม

แต่ละอินพุตจะเข้าสู่เซลล์ประสาทและคูณด้วยน้ำหนัก ผลลัพธ์ของการคูณจะไหลไปยังเลเยอร์ถัดไปและกลายเป็นอินพุต กระบวนการนี้เกิดขึ้นซ้ำสำหรับแต่ละเลเยอร์ของเครือข่าย เลเยอร์สุดท้ายมีชื่อว่าเลเยอร์เอาท์พุต โดยจะให้ค่าที่แท้จริงสำหรับงานการถดถอยและความน่าจะเป็นของแต่ละคลาสสำหรับงานการจัดหมวดหมู่ โครงข่ายประสาทเทียมใช้อัลกอริธึมทางคณิตศาสตร์เพื่ออัปเดตน้ำหนักของเซลล์ประสาททั้งหมด โครงข่ายประสาทเทียมได้รับการฝึกฝนอย่างเต็มที่เมื่อค่าของตุ้มน้ำหนักให้เอาต์พุตที่ใกล้เคียงกับความเป็นจริง ตัวอย่างเช่น โครงข่ายประสาทเทียมที่ได้รับการฝึกมาอย่างดีสามารถจดจำวัตถุบนภาพได้ด้วยความแม่นยำสูงกว่าโครงข่ายประสาทเทียมแบบเดิม

แยกคุณสมบัติอัตโนมัติโดยใช้ DL

ชุดข้อมูลสามารถมีคุณลักษณะได้ตั้งแต่สิบถึงหลายร้อยรายการ ระบบจะเรียนรู้จากความเกี่ยวข้องของคุณสมบัติเหล่านี้ อย่างไรก็ตาม คุณลักษณะบางอย่างอาจไม่มีความหมายสำหรับอัลกอริทึม ส่วนสำคัญของการเรียนรู้ของเครื่องคือการค้นหาชุดคุณลักษณะที่เกี่ยวข้องเพื่อทำให้ระบบเรียนรู้บางสิ่งบางอย่าง

วิธีหนึ่งในการดำเนินการส่วนนี้ในการเรียนรู้ของเครื่องคือการใช้การสกัดคุณลักษณะ การสกัดคุณลักษณะจะรวมคุณลักษณะที่มีอยู่เพื่อสร้างชุดคุณลักษณะที่เกี่ยวข้องมากขึ้น ซึ่งสามารถทำได้โดยใช้ PCA, T-SNE หรืออัลกอริทึมการลดมิติอื่นๆ

ตัวอย่างเช่น การประมวลผลภาพ ผู้ประกอบวิชาชีพจำเป็นต้องแยกคุณสมบัติในภาพด้วยตนเอง เช่น ตา จมูก ริมฝีปาก และอื่นๆ คุณสมบัติที่แยกออกมาเหล่านั้นจะถูกป้อนเข้าสู่แบบจำลองการจัดหมวดหมู่

การเรียนรู้เชิงลึกช่วยแก้ปัญหานี้ได้ โดยเฉพาะอย่างยิ่งสำหรับเครือข่ายประสาทเทียมแบบ Convolution เลเยอร์แรกของเครือข่ายประสาทเทียมจะเรียนรู้รายละเอียดเล็กๆ น้อยๆ จากภาพ เลเยอร์ถัดไปจะรวมความรู้เดิมเข้าด้วยกันเพื่อสร้างข้อมูลที่ซับซ้อนยิ่งขึ้น ในเครือข่ายประสาทเทียมแบบ Convolution การแยกคุณลักษณะจะทำโดยใช้ตัวกรอง เครือข่ายจะใช้ตัวกรองกับภาพเพื่อดูว่ามีการจับคู่กันหรือไม่ กล่าวคือ รูปร่างของคุณลักษณะนั้นเหมือนกับส่วนหนึ่งของภาพทุกประการ หากตรงกัน เครือข่ายจะใช้ตัวกรองนี้ ดังนั้นกระบวนการแยกคุณลักษณะจึงดำเนินการโดยอัตโนมัติ

สรุป

ปัญญาประดิษฐ์ กำลังถ่ายทอดความสามารถทางปัญญาให้กับเครื่องจักร เมื่อเปรียบเทียบ AI กับการเรียนรู้ของเครื่อง ระบบ AI ยุคแรกๆ ใช้การจับคู่รูปแบบและระบบผู้เชี่ยวชาญ

แนวคิดเบื้องหลังการเรียนรู้ของเครื่องก็คือเครื่องจักรสามารถเรียนรู้ได้โดยไม่ต้องมีการแทรกแซงของมนุษย์ เครื่องจักรจำเป็นต้องค้นหาวิธีการเรียนรู้วิธีการแก้ปัญหางานที่ได้รับจากข้อมูล

การเรียนรู้เชิงลึกเป็นความก้าวหน้าในด้านปัญญาประดิษฐ์ เมื่อมีข้อมูลเพียงพอที่จะฝึกฝน การเรียนรู้เชิงลึกจะบรรลุผลลัพธ์ที่น่าประทับใจ โดยเฉพาะอย่างยิ่งสำหรับการจดจำรูปภาพและการแปลข้อความ สาเหตุหลักคือการแยกคุณสมบัติจะดำเนินการโดยอัตโนมัติในเลเยอร์ต่างๆ ของเครือข่าย