Makine Öğrenimi ile Derin Öğrenme Arasındaki Fark
Evelyn Clarke
Makine Öğrenimi ile Derin Öğrenme Arasındaki Temel Fark
Makine Öğrenimi ile Derin Öğrenme arasındaki temel farklar şunlardır:
- Makine Öğrenimi küçük/orta ölçekli bir veri kümesinde mükemmel performans sağlarken Derin Öğrenme büyük bir veri kümesinde mükemmel performans sağlar
- ML düşük kaliteli bir makinede çalışır, DL ise tercihen GPU'lu güçlü bir makine gerektirir.
- Makine Öğrenimi yürütme süresi birkaç dakikadan saatlere kadar çıkabilirken, Derin Öğrenme haftalara kadar sürebilir.
- Makine öğrenimi sayesinde algoritmayı eğitmek için derin öğrenmeye kıyasla daha az veriye ihtiyacınız olur. Derin öğrenme, altta yatan yapıyı tanımlamak için kapsamlı ve çeşitli veri kümesi gerektirir.
AI nedir?
AI (Yapay zeka) Makinelerin programlandığı ve insanlar ve hayvanlar gibi düşünme ve eylemleri taklit etme bilişsel yeteneğinin verildiği bir bilgisayar bilimi dalıdır. Yapay zekanın mihenk taşı, gelecekte çok uzak olan muhakeme, konuşma, öğrenme, vizyon ve problem çözme ile ilgili insan zekasıdır.
Yapay zekanın üç farklı seviyesi var
1) Dar Yapay Zeka: Makinenin belirli bir görevi insandan daha iyi yerine getirebilmesi durumunda yapay zekanın dar olduğu söylenir. Yapay zekanın güncel araştırması artık burada
2) Genel Yapay Zeka: Yapay zeka, herhangi bir entelektüel görevi insanla aynı doğruluk düzeyinde gerçekleştirebildiğinde genel duruma ulaşır
3) Aktif Yapay Zeka: Bir yapay zeka birçok görevde insanları yenebildiğinde aktiftir
İlk yapay zeka sistemleri kalıp eşleştirmeyi kullanıyordu ve uzman sistemler.
Makine Öğrenimi (ML) Nedir?
ML (Makine öğrenme) bir bilgisayarın insanlar için yorucu veya imkansız olan görevleri otomatikleştirmek üzere eğitildiği bir yapay zeka türüdür. Bilgisayar algoritmalarının incelenmesine dayalı olarak verilerdeki kalıpları analiz etmek, anlamak ve tanımlamak için en iyi araçtır. Makine öğrenimi, minimum insan müdahalesiyle kararlar verebilir.
karşılaştırılması Yapay Zeka Makine Öğrenimine Karşı, Makine öğrenimi, girdi ve çıktı arasındaki ilişkiyi anlayabilen bir algoritmayı beslemek için verileri kullanır. Makine öğrenmeyi bitirdiğinde yeni bir veri noktasının değerini veya sınıfını tahmin edebilir.
Derin Öğrenme (DL) nedir?
Derin öğrenme, bir beyindeki nöron ağını taklit eden bir bilgisayar yazılımıdır. Makine öğrenmesinin bir alt kümesidir ve derin sinir ağlarından yararlandığı için derin öğrenme olarak adlandırılır. Makine, verilerden öğrenmek için farklı katmanlar kullanır. Modelin derinliği, modeldeki katman sayısıyla gösterilir. Derin öğrenme, yapay zeka açısından yeni bir sanattır. Derin öğrenmede, öğrenme aşaması bir sinir ağı aracılığıyla yapılır. Sinir ağı, katmanların üst üste istiflendiği bir mimaridir
Makine Öğrenimi ile Derin Öğrenme Arasındaki Fark
Aşağıda Derin Öğrenme ile Makine Öğrenimi arasındaki temel fark yer almaktadır
| Parametre | Makine öğrenme | Derin Öğrenme |
|---|---|---|
| Veri Bağımlılıkları | Küçük/orta ölçekli bir veri kümesinde mükemmel performanslar | Büyük bir veri kümesinde mükemmel performans |
| Donanım bağımlılıkları | Düşük kaliteli bir makinede çalışın. | Tercihen GPU'lu güçlü bir makine gerektirir: DL önemli miktarda matris çarpımı gerçekleştirir |
| Özellik mühendisliği | Verileri temsil eden özellikleri anlamanız gerekiyor | Veriyi temsil eden en iyi özelliği anlamanıza gerek yok |
| Uygulama vakti | Birkaç dakikadan saatlere | Haftalara kadar. Sinir Ağının önemli sayıda ağırlığı hesaplaması gerekiyor |
| yorumlanabilir | Bazı algoritmaların yorumlanması kolaydır (lojistik, karar ağacı), bazıları ise neredeyse imkansızdır (SVM, XGBoost) | Zordan imkansıza |
ML veya DL ne zaman kullanılmalı?
Aşağıdaki tabloda aradaki farkı özetliyoruz. makine öğrenme ve derin öğrenme örneklerle.
| Parametre | Makine öğrenme | Derin Öğrenme |
|---|---|---|
| Eğitim veri seti | Küçük | Büyük |
| Özellikleri seçin | Evet | Yok hayır |
| Algoritma sayısı | çok | Az |
| Antrenman vakti | kısa | Uzun |
Makine öğrenimi ile algoritmayı eğitmek için derin öğrenmeye göre daha az veriye ihtiyacınız vardır. Derin öğrenme, altta yatan yapıyı tanımlamak için kapsamlı ve çeşitli bir veri kümesi gerektirir. Ayrıca, makine öğrenimi daha hızlı eğitilmiş bir model sağlar. En gelişmiş derin öğrenme mimarilerinin çoğu eğitilmesi için günler ila bir hafta sürebilir. Derin öğrenmenin makine öğrenimine göre avantajı oldukça doğru olmasıdır. Hangi özelliklerin verilerin en iyi temsili olduğunu anlamanıza gerek yoktur; sinir ağı kritik özellikleri nasıl seçeceğini öğrendi. Makine öğreniminde, modele hangi özellikleri dahil edeceğinizi kendiniz seçmeniz gerekir.
Makine Öğrenimi Süreci
Nesneleri tanıyan bir program geliştirmeniz gerektiğini hayal edin. Modeli eğitmek için bir kullanacaksınız. sınıflandırıcı. Bir sınıflandırıcı, ait olduğu sınıfı tanımlamayı denemek için bir nesnenin özelliklerini kullanır.
Örnekte, sınıflandırıcı görüntünün şu şekilde olup olmadığını tespit edecek şekilde eğitilecektir:
- Bisiklet
- Tekne
- araba
- Düzlem
Yukarıdaki dört nesne, sınıflandırıcının tanıması gereken sınıftır. Bir sınıflandırıcı oluşturmak için girdi olarak bazı verilere sahip olmanız ve bunlara bir etiket atamanız gerekir. Algoritma bu verileri alacak, bir model bulacak ve ardından onu ilgili sınıfta sınıflandıracak.
Bu göreve denir denetimli öğrenme. Denetimli öğrenmede algoritmaya sağladığınız eğitim verileri bir etiket içerir.
Bir algoritmayı eğitmek birkaç standart adımın izlenmesini gerektirir:
- Verileri toplayın
- Sınıflandırıcıyı eğitin
- tahminlerde bulunun
İlk adım gerekli, doğru veriyi seçmek algoritmanın başarılı ya da başarısız olmasını sağlayacaktır. Modeli eğitmek için seçtiğiniz verilere denir. özelliği. Nesne örneğinde özellikler görüntülerin pikselleridir.
Her görüntü verideki bir satırdır, her piksel ise bir sütundur. Eğer görseliniz 28×28 boyutunda ise veri seti 784 sütun (28×28) içermektedir. Aşağıdaki resimde her resim bir özellik vektörüne dönüştürülmüştür. Etiket, bilgisayara görüntüde hangi nesnenin bulunduğunu bildirir.
Amaç, bu eğitim verilerini nesnenin türünü sınıflandırmak için kullanmaktır. İlk adım, özellik sütunlarının oluşturulmasından oluşur. Daha sonra ikinci adım, modeli eğitmek için bir algoritma seçmeyi içerir. Eğitim tamamlandığında model, hangi resmin hangi nesneye karşılık geldiğini tahmin edecek.
Bundan sonra modeli yeni görüntüleri tahmin etmek için kullanmak kolaydır. Modele beslenen her yeni görüntü için makine, ait olduğu sınıfı tahmin edecektir. Örneğin, etiketsiz tamamen yeni bir görüntü modelden geçiyor. Bir insan için görüntüyü bir araba olarak hayal etmek önemsizdir. Makine, görüntünün bir araba olduğunu tahmin etmek için önceki bilgilerini kullanıyor.
Derin Öğrenme Süreci
Derin öğrenmede, öğrenme aşaması bir sinir ağı aracılığıyla yapılır. Sinir ağı, katmanların üst üste istiflendiği bir mimaridir.
Yukarıdaki aynı görsel örneğini düşünün. Eğitim seti bir sinir ağına beslenecek
Her girdi bir nörona gider ve bir ağırlıkla çarpılır. Çarpmanın sonucu bir sonraki katmana akar ve girdi olur. Bu işlem ağın her katmanı için tekrarlanır. Son katman çıktı katmanı olarak adlandırılır; regresyon görevi için gerçek bir değer ve sınıflandırma görevi için her sınıfın olasılığını sağlar. Sinir ağı, tüm nöronların ağırlıklarını güncellemek için matematiksel bir algoritma kullanır. Ağırlıkların değeri gerçeğe yakın bir çıktı verdiğinde sinir ağı tamamen eğitilmiş olur. Örneğin, iyi eğitilmiş bir sinir ağı, bir resimdeki nesneyi geleneksel sinir ağından daha yüksek doğrulukla tanıyabilir.
DL kullanarak Özellik Çıkarmayı otomatikleştirin
Bir veri kümesi bir düzine ila yüzlerce özellik içerebilir. Sistem bu özelliklerin alaka düzeyini öğrenecektir. Ancak algoritma için tüm özellikler anlamlı değildir. Makine öğreniminin önemli bir parçası, sistemin bir şeyler öğrenmesini sağlayacak ilgili bir dizi özellik bulmaktır.
Makine öğreniminde bu bölümü gerçekleştirmenin bir yolu özellik çıkarımını kullanmaktır. Özellik çıkarma, daha alakalı bir dizi özellik oluşturmak için mevcut özellikleri birleştirir. PCA, T-SNE veya diğer herhangi bir boyutsallık azaltma algoritması ile yapılabilir.
Örneğin, bir görüntü işlemede, uygulayıcının görüntüdeki gözler, burun, dudaklar vb. gibi özellikleri manuel olarak çıkarması gerekir. Çıkarılan bu özellikler sınıflandırma modeline beslenir.
Derin öğrenme bu sorunu çözer, özellikle de evrişimli sinir ağı için. Sinir ağının ilk katmanı resimden küçük ayrıntıları öğrenir; sonraki katmanlar daha karmaşık bilgiler oluşturmak için önceki bilgileri birleştirir. Evrişimli sinir ağında, özellik çıkarma işlemi filtre kullanılarak yapılır. Ağ, bir eşleşme olup olmadığını görmek için resme bir filtre uygular, yani özelliğin şekli görüntünün bir parçasıyla aynıdır. Bir eşleşme varsa, ağ bu filtreyi kullanır. Bu nedenle özellik çıkarma işlemi otomatik olarak yapılır.
ÖZET
Yapay Zeka bir makineye bilişsel bir yetenek kazandırmaktır. Yapay Zeka ile Makine Öğrenimini karşılaştırdığımızda, ilk yapay zeka sistemlerinde model eşleştirme ve uzman sistemler kullanılıyordu.
Makine öğreniminin ardındaki fikir, makinenin insan müdahalesi olmadan öğrenebilmesidir. Makinenin, veri verilen bir görevi nasıl çözeceğini öğrenmenin bir yolunu bulması gerekiyor.
Derin öğrenme, yapay zeka alanında çığır açan bir gelişmedir. Üzerinde eğitim verilecek yeterli veri olduğunda derin öğrenme, özellikle görüntü tanıma ve metin çevirisi açısından etkileyici sonuçlar elde eder. Bunun temel nedeni, özellik çıkarımının ağın farklı katmanlarında otomatik olarak yapılmasıdır.
