Uczenie maszynowe vs. Głębokie uczenie się: jaka jest różnica?

Nauczanie maszynowe i Deep Learning są Sztuczna inteligencja technologie, których można używać do przetwarzania dużych ilości danych w celu analizowania wzorców, przewidywania i podejmowania działań. Chociaż są ze sobą spokrewnieni, nie są tym samym. Różnią się w ważnych obszarach, takich jak sposób, w jaki się uczą i ile wymagają interwencji człowieka.

Ogólne ustalenia

Uczenie maszynowe i uczenie głębokie są podobne, ponieważ używają komputerów do klasyfikowania i analizowania danych oraz do prognozowania na podstawie tej analizy. Główne obszary zróżnicowania to sposób, w jaki to robią i czego wymaga się od ludzi, którzy je tworzą.

Uczenie maszynowe (ML) i uczenie głębokie to dwa obszary szerszej dziedziny sztucznej inteligencji. Uczenie maszynowe jest podzbiorem sztucznej inteligencji, a Deep Learning jest podzbiorem ML (innymi słowy, wszystkie Deep Learning to ML, ale nie wszystkie ML to Deep Learning).

Zalety i wady uczenia maszynowego

Systemy uczenia maszynowego, zwane także modelami, są szkolone przez ludzi w zakresie używania algorytmu do klasyfikowania i analizowania danych, przewidywania i podejmowania działań o ograniczonej złożoności.

Programiści ML definiują algorytm analizy do przetwarzania danych, który będzie wykonywał model, jakich wzorców szukają w danych oraz cechy lub cechy danych, które model będzie analizował. Chociaż systemy uczenia maszynowego poprawiają się, im więcej analizują danych, najbardziej znaczące ulepszenia wymagają interwencji człowieka.

Uczenie maszynowe istnieje od dziesięcioleci i jest dojrzałą, szeroko stosowaną technologią, szczególnie w branżach o dużym natężeniu danych, takich jak zaawansowane technologie, usługi finansowe, handel elektroniczny i opieka zdrowotna. Przykłady modeli ML obejmują rekomendacje dotyczące treści i produktów na podstawie „ludzi takich jak Ty”.

Zalety i wady głębokiego uczenia się

Systemy głębokiego uczenia się wykorzystują Sztuczna sieć neuronowa (SSN) składa się z wielu węzłów lub warstw, z których każda jest przeznaczona do wykonywania określonej funkcji w systemie. Ze względu na taką konstrukcję i specjalizację systemy Deep Learning są złożone i często zawierają ponad 100 warstw.

Ludzie konfigurują systemy głębokiego uczenia się, ale w przeciwieństwie do modeli ML nie muszą mieć z góry zdefiniowanych cech danych, których szukają. Zamiast tego systemy Deep Learning samodzielnie odkrywają i definiują funkcje w analizowanych danych. To sprawia, że ​​odkrycia z Deep Learning są bardziej widoczne i pozwalają tym systemom znajdować wzorce lub wyciągać wnioski, których ich twórcy nie wiedzieli przede wszystkim.

Chociaż koncepcje głębokiego uczenia istniały od lat 80. XX wieku, dopiero w ostatnich latach procesory komputerowe stały się wystarczająco tanie i wydajne, aby dostarczać systemy głębokiego uczenia.

Przykład uczenia maszynowego a uczenia głębokiego

Wyobraź sobie system do rozpoznawania piłek do koszykówki na obrazach, aby zrozumieć, czym różnią się uczenie maszynowe i głębokie uczenie się. Aby działać poprawnie, każdy system potrzebuje algorytmu do wykrywania i dużego zestawu obrazów (niektóre zawierają piłki do koszykówki, a niektóre nie) do analizy.

• W przypadku systemu uczenia maszynowego, zanim nastąpi wykrycie obrazu, programista-człowiek musi zdefiniować charakterystykę lub cechy piłki do koszykówki (względny rozmiar, pomarańczowy kolor itp.). Po wykonaniu tej czynności model może analizować zdjęcia i dostarczać obrazy zawierające piłki do koszykówki. Im częściej model wykonuje to zadanie, tym lepiej powinien się prezentować. Człowiek może również przeglądać wyniki i modyfikować algorytm przetwarzania, aby poprawić dokładność.
• W przypadku systemu głębokiego uczenia się, programista-człowiek musi stworzyć sztuczną sieć neuronową złożoną z wielu warstw, z których każda jest przeznaczona do określonego zadania. Programista nie musi definiować cech piłki do koszykówki. Kiedy obrazy są wprowadzane do systemu, warstwy sieci neuronowej uczą się samodzielnie określać charakterystykę piłki do koszykówki. Następnie stosują tę wiedzę do zadania analizy obrazów. System Deep Learning ocenia dokładność swoich wyników i automatycznie aktualizuje się, aby z czasem poprawić bez interwencji człowieka.

Ten przykład pomaga również zademonstrować prawidłowe zastosowanie technologii do zadania. Uczenie maszynowe doskonale nadaje się do wykrywania obrazów, podczas gdy uczenie głębokie jest prawdopodobnie zbyt potężne (i skomplikowane w konfiguracji i obsłudze) do tego rodzaju zastosowań. Deep Learning jest lepiej stosowany do bardziej złożonych zadań. System Deep Learning może być lepiej wbudowany w system samojezdny autonomicznego samochodu i przypisany do zadań z rozpoznawaniem w czasie rzeczywistym, kiedy piłki są narażone na ryzyko odbicia się od drogi i podjęciem działań odpowiedź.