Різниця між машинним навчанням і глибоким навчанням
Евелін Кларк
Ключова різниця між машинним навчанням і глибоким навчанням
Основні відмінності між машинним навчанням і глибоким навчанням:
- Машинне навчання забезпечує відмінну продуктивність на малих/середніх наборах даних, тоді як глибоке навчання забезпечує чудову продуктивність на великих наборах даних
- ML працює на машині нижчого класу, тоді як для DL потрібна потужна машина, бажано з GPU.
- Час виконання машинного навчання становить від кількох хвилин до годин, тоді як глибоке навчання займає до тижнів.
- За допомогою машинного навчання вам потрібно менше даних для навчання алгоритму, ніж для глибокого навчання. Глибоке навчання вимагає великого та різноманітного набору даних для ідентифікації основної структури.
Що таке ШІ?
ШІ (штучний інтелект) це галузь інформатики, у якій машини програмуються та наділяються когнітивною здатністю мислити та імітувати дії людей і тварин. Орієнтиром для штучного інтелекту є людський інтелект щодо міркувань, мовлення, навчання, бачення та вирішення проблем, що далеко в майбутньому.
AI має три різних рівня
1) Вузький ШІ: Штучний інтелект вважається вузьким, коли машина може виконувати певне завдання краще, ніж людина. Поточні дослідження штучного інтелекту зараз тут
2) Загальний А.І: Штучний інтелект досягає загального стану, коли він може виконувати будь-яке інтелектуальне завдання з таким самим рівнем точності, як і людина.
3) Активний ШІ: штучний інтелект активний, якщо він може перемогти людей у багатьох завданнях
Ранні системи ШІ використовували зіставлення шаблонів і експертні системи.
Що таке машинне навчання (ML)?
ML (машинне навчання) це тип штучного інтелекту, в якому комп’ютер навчений автоматизувати завдання, які є вичерпними або неможливими для людей. Це найкращий інструмент для аналізу, розуміння та визначення закономірностей у даних на основі вивчення комп’ютерних алгоритмів. Машинне навчання може приймати рішення з мінімальним втручанням людини.
Порівняння Штучний Інтелект У порівнянні з машинним навчанням, машинне навчання використовує дані для подачі алгоритму, який може зрозуміти зв’язок між вхідними та вихідними даними. Коли машина закінчить навчання, вона може передбачити значення або клас нової точки даних.
Що таке глибоке навчання (DL)?
Глибоке навчання — це комп’ютерне програмне забезпечення, яке імітує мережу нейронів у мозку. Це підмножина машинного навчання і називається глибоким навчанням, оскільки використовує глибокі нейронні мережі. Машина використовує різні рівні для вивчення даних. Глибина моделі представлена кількістю шарів у моделі. Глибоке навчання — це новий рівень мистецтва з точки зору ШІ. У глибокому навчанні етап навчання здійснюється через нейронну мережу. Нейронна мережа — це архітектура, у якій шари накладаються один на одного
Різниця між машинним навчанням і глибоким навчанням
Нижче наведено ключову відмінність між глибоким навчанням і машинним навчанням
| Параметр | машинне навчання | Глибоке навчання |
|---|---|---|
| Залежності даних | Чудова продуктивність на невеликому/середньому наборі даних | Чудова продуктивність на великому наборі даних |
| Апаратні залежності | Робота на апараті низького класу. | Потрібна потужна машина, бажано з GPU: DL виконує значну кількість множення матриці |
| Особливість інженерії | Потрібно розуміти характеристики, які представляють дані | Не потрібно розуміти найкращу характеристику, яка представляє дані |
| Час виконання | Від кількох хвилин до годин | До тижнів. Нейронній мережі потрібно обчислити значну кількість ваг |
| Інтерпретація | Деякі алгоритми легко інтерпретувати (логістика, дерево рішень), деякі майже неможливі (SVM, XGBoost) | Від складного до неможливого |
Коли використовувати ML чи DL?
У таблиці нижче ми підсумовуємо різницю між навчання за допомогою машини та глибоке навчання з прикладами.
| Параметр | машинне навчання | Глибоке навчання |
|---|---|---|
| Набір тренінгових даних | невеликий | великий |
| Виберіть функції | Так | Немає |
| Кількість алгоритмів | Багато | Кілька |
| Час навчання | Короткий | Довго |
За допомогою машинного навчання вам потрібно менше даних для навчання алгоритму, ніж для глибокого навчання. Глибоке навчання вимагає великого та різноманітного набору даних для ідентифікації основної структури. Крім того, машинне навчання забезпечує модель, яка швидше навчається. Навчання найсучаснішої архітектури глибокого навчання може тривати від кількох днів до тижня. Перевагою глибокого навчання перед машинним є його висока точність. Вам не потрібно розуміти, які характеристики є найкращим представленням даних; нейронна мережа навчилася вибирати критичні функції. У машинному навчанні вам потрібно самостійно вибрати, які функції включити в модель.
Процес машинного навчання
Уявіть, що ви повинні створити програму, яка розпізнає об’єкти. Щоб навчити модель, ви будете використовувати a класифікатор. Класифікатор використовує ознаки об’єкта, щоб спробувати визначити клас, до якого він належить.
У цьому прикладі класифікатор буде навчено виявляти, чи є зображення:
- велосипед
- Човен
- автомобіль
- Літак
Чотири об’єкти вище є класом, який має розпізнати класифікатор. Щоб побудувати класифікатор, вам потрібно мати деякі дані як вхідні дані та призначити їм мітку. Алгоритм візьме ці дані, знайде шаблон, а потім класифікує його у відповідному класі.
Це завдання називається контрольоване навчання. Під час навчання під наглядом навчальні дані, які ви передаєте в алгоритм, містять мітку.
Навчання алгоритму вимагає виконання кількох стандартних кроків:
- Зберіть дані
- Тренувати класифікатор
- Робіть прогнози
Перший крок необхідний, вибір правильних даних зробить алгоритм успішним або невдалим. Дані, які ви обираєте для навчання моделі, називаються a функцію. У прикладі об’єкта функціями є пікселі зображень.
Кожне зображення є рядком у даних, тоді як кожен піксель є стовпцем. Якщо ваше зображення має розмір 28×28, набір даних містить 784 стовпці (28×28). На зображенні нижче кожне зображення перетворено на вектор ознак. Мітка повідомляє комп’ютеру, який об’єкт зображено на зображенні.
Мета полягає в тому, щоб використовувати ці навчальні дані для класифікації типу об’єкта. Перший крок полягає у створенні стовпців функцій. Потім другий крок передбачає вибір алгоритму для навчання моделі. Після завершення навчання модель передбачить, яка картинка якому об'єкту відповідає.
Після цього модель легко використовувати для прогнозування нових зображень. Для кожного нового зображення, поданого в модель, машина передбачить клас, до якого воно належить. Наприклад, абсолютно нове зображення без мітки проходить через модель. Для людини тривіально візуалізувати зображення як автомобіль. Машина використовує свої попередні знання, щоб передбачити також зображення автомобіля.
Процес глибокого навчання
У глибокому навчанні етап навчання здійснюється через нейронну мережу. Нейронна мережа — це архітектура, у якій шари накладаються один на одного.
Розглянемо той же приклад зображення вище. Навчальний набір буде подано до нейронної мережі
Кожен вхід надходить у нейрон і множиться на вагу. Результат множення переходить на наступний рівень і стає вхідним. Цей процес повторюється для кожного рівня мережі. Останній шар називається вихідним шаром; він надає фактичне значення для завдання регресії та ймовірність кожного класу для завдання класифікації. Нейронна мережа використовує математичний алгоритм для оновлення вагових коефіцієнтів усіх нейронів. Нейронна мережа повністю навчена, коли значення ваг дає результат, близький до реальності. Наприклад, добре навчена нейронна мережа може розпізнавати об’єкт на зображенні з більшою точністю, ніж традиційна нейронна мережа.
Автоматизуйте вилучення функцій за допомогою DL
Набір даних може містити від десятка до сотні характеристик. Система вивчатиме актуальність цих функцій. Однак не всі функції мають значення для алгоритму. Вирішальною частиною машинного навчання є пошук відповідного набору функцій, щоб змусити систему чомусь навчатися.
Один із способів виконання цієї частини в машинному навчанні — використання вилучення функцій. Вилучення функцій поєднує наявні функції для створення більш релевантного набору функцій. Це можна зробити за допомогою PCA, T-SNE або будь-яких інших алгоритмів зменшення розмірності.
Наприклад, під час обробки зображення фахівець повинен вручну виділити на зображенні такі елементи, як очі, ніс, губи тощо. Ці витягнуті функції передаються в модель класифікації.
Глибоке навчання вирішує цю проблему, особливо для згорткової нейронної мережі. Перший шар нейронної мережі дізнається дрібні деталі з картинки; наступні рівні об’єднають попередні знання, щоб створити більш складну інформацію. У згортковій нейронній мережі виділення ознак здійснюється за допомогою фільтра. Мережа застосовує фільтр до зображення, щоб перевірити, чи є відповідність, тобто форма деталі ідентична частині зображення. Якщо знайдеться збіг, мережа використовуватиме цей фільтр. Таким чином, процес вилучення функцій виконується автоматично.
Підсумки
Штучний Інтелект надає машині когнітивну здатність. Порівнюючи ШІ з машинним навчанням, ранні системи ШІ використовували зіставлення шаблонів і експертні системи.
Ідея машинного навчання полягає в тому, що машина може навчатися без втручання людини. Машині потрібно знайти спосіб навчитися розв’язувати завдання за допомогою даних.
Глибоке навчання – це прорив у сфері штучного інтелекту. Коли є достатньо даних для навчання, глибоке навчання досягає вражаючих результатів, особливо для розпізнавання зображень і перекладу тексту. Основна причина полягає в тому, що виділення функцій виконується автоматично на різних рівнях мережі.
