Jaka jest różnica między uczeniem maszynowym a uczeniem głębokim?

Czy ktoś może mi wyjaśnić różnicę między uczeniem maszynowym a uczeniem głębokim? Czy można nauczyć się głębokiego uczenia się bez znajomości uczenia maszynowego?

Głębokie uczenie się to szczególna odmiana określonego rodzaju uczenia maszynowego. Więc jest to możliwe, aby dowiedzieć się o głębokiej nauki bez uczenia wszystkich uczenia maszynowego, ale wymaga uczenia się trochę uczenia maszynowego (bo to jest jakaś uczenie maszynowe).

Uczenie maszynowe odnosi się do dowolnej techniki, która koncentruje się na nauczeniu maszyny, w jaki sposób może uczyć się parametrów statystycznych z dużej ilości danych szkoleniowych. Jednym szczególnym rodzajem uczenia maszynowego są sztuczne sieci neuronowe, które uczą się sieci transformacji nieliniowych, które mogą aproksymować bardzo skomplikowane funkcje szerokich tablic zmiennych wejściowych. Ostatnie postępy w dziedzinie sztucznych sieci neuronowych dotyczą sposobu trenowania głębokich sieci neuronowych, które mają więcej warstw niż normalnie, a także specjalną strukturę do radzenia sobie z wyzwaniami uczenia się większej liczby warstw.

Głębokie uczenie się jest jedną z form uczenia maszynowego.

Głębokie uczenie się odnosi się do uczenia się za pomocą głębokich sieci neuronowych, zasadniczo sieci o wielu warstwach.

Sieci neuronowe to jedna grupa wielu form uczenia maszynowego:

• Sieci neuronowe
• Drzewa decyzyjne i losowe lasy
• Obsługa maszyn wektorowych
• Podejścia bayesowskie
• k-najbliżsi sąsiedzi

Choć inkluzje reprezentowane przez powyższy diagram Venna są akceptowalne, nie są ani nadzwyczaj wymowne, ani dokładne.

Terminy Sztuczna inteligencja, Uczenie maszynowe i Głębokie uczenie się, choć nie marki, nie są również ściśle naukowe. Są to ogólne terminy nazwane przez ludzi o szczególnych funduszach, komunikacji i perspektywach departamentów w momencie, gdy opublikowali warunki, które utknęły.

Ponadto kolejność rzeczy jest nieprawidłowa. To, co dziś nazywa się sztuczną inteligencją, było wielowiekowym celem użycia maszyn do automatyzacji czynności umysłowych, które w tamtych czasach wymagały ludzkiej uwagi i być może rozszerzały ludzkie zdolności umysłowe poprzez tę automatyzację. Ta wizja pojawiła się na długo przed przełączeniem obwodów i teorii informacji, a zatem przed informatyką.

W związku z tym informatyka jest właściwie podzbiorem tej wizji sztucznej inteligencji i jej następstwem.

Głębokie uczenie się jest terminem opartym na niepewnej i nadmiernie uproszczonej idei, że istnieje korelacja między liczbą warstw w sztucznej sieci a głębią abstrakcji, jaką warstwa może osiągnąć. Ponieważ liczbę komórek aktywujących w warstwie nazwano szerokością warstwy, wybrano głębokość, aby wyrazić wymiar ilości warstw. Jest to dziwne, ponieważ typowe diagramy przedstawiają liczbę komórek na warstwę jako wysokość, liczbę warstw jako szerokość, a diagram nie ma głębokości, ponieważ jest dwuwymiarowy. Ale to nie jest prawdziwy problem. Nie ma podstaw naukowych dla głębi sieci i głębokości abstrakcji, tylko przeczucie, a w dziedzinie wizji komputerowej istnieją znaczne dowody na to, że nie jest to takie proste.

Następny diagram Venna nie jest ani autorytatywny, ani doskonale reprezentatywny, ale niektóre problemy z powyższym zostały naprawione. Mimo że pod kilkoma względami odpowiada on na pytanie w bardziej inteligentny sposób, problemy z wyborem słów w żargonie zwykle nigdy nie są rozwiązywane bez wyraźnego nacisku, a ten post prawie nie wystarczy.

Kiedy zaczynałem, rozdziały Machine Leraning w książce wyglądały tak

• I) Nadzorowany:

  1. Regresja

     • Modele liniowe

  2. Klasyfikacja

     • Regresja logiczna
     • Sieć neuronowa
     • Decyzja Tress i Losowy Las
     • Zwiększanie i pakowanie
     • SVD i SVM

• II) Uczenie się bez nadzoru:

  1. Grupowanie

     • K-oznacza
     • Hierarchiczny
     • Model mieszanki Gaussa
     • Skanowanie bazy danych

  2. Uczenie się stowarzyszenia.

• III) ReInforment Learning:

Nagle rozdział I> 2> b utworzył własne subpole. Dobrze wiedzieć, dlaczego, powiem ci trochę historii. Machine learningsłowo zostało wymyślone w 1959 r. przez Arthura Samuela, aby oznaczać to machines were able to learn from dataniż wyraźną instrukcję. Początkowo został on podzielony na dwie grupy w oparciu o to, czy podejście wymagało danych na etykiecie, czy nie (tj. Regresja, klasyfikacja), a następnie zdali sobie sprawę, że możemy sklasyfikować również przez grupowanie, które dało początek bez nadzoru. Nauka rekonstrukcji słów narodziła się z inspiracji obszarami teorii gier. Zachowajmy te szczegóły na później.

Jeśli chodzi o głęboką naukę, słowo deep learningpojawiło się bardzo niedawno, w 2008 roku, na konferencji Geoffa Hintona. Tam ludzie zaczęli używać go do wskazania bardzo głębokiej architektury sieci neuronowej zastosowanej w artykule przedstawionym przez Geoffa Hintona i odtąd stał się niejako nowym sposobem klasyfikowania uczenia maszynowego poza tym supervised, unsupervisedlub reinforcement. wywoływanie NN jako DL przed tym, ale wcześniej nie tak popularne i akceptowalne)

Czasami wydaje mi się, że nazwa deep learningjest nieco myląca, lepiej byłoby, gdyby nazwa została nazwana jako, neural learninglub może podkreślić głębokość deep neural learning. Jeśli jesteś nowy, być może zastanawiasz się, o jakiej głębokości mówię, całe słowo „głębokie” pochodzi z faktu, że sieć neuronowa (dzięki dostępności wysokich możliwości przetwarzania GPU) mogła teraz skutecznie trenować na wielu warstwach. Słowo „głębokie” może być również luźno używane w celu uwzględnienia innych nie-neuronowych obszarów uczenia maszynowego, które wymagają wielu obliczeń, takich jak deep belief netlub recurrent net. Aby być precyzyjnym jednostki sieci dzisiaj już nie zwykłe są neuronlub perceptronmogą być LSTM, GRUlub capsule, więc myślę, że słowo deepteraz większy sens niż wcześniej.

Oto podstawowa definicja machine learning:

„Algorytmy, które analizują dane, uczą się na podstawie tych danych, a następnie stosują zdobytą wiedzę, aby podejmować świadome decyzje”

Prostym przykładem algorytmu uczenia maszynowego jest usługa strumieniowego przesyłania muzyki na żądanie. Aby usługa podjęła decyzję o tym, które nowe utwory lub artystów polecić słuchaczowi, algorytmy uczenia maszynowego kojarzą preferencje słuchacza z innymi słuchaczami o podobnym smaku muzycznym.

Uczenie maszynowe napędza wszelkiego rodzaju zautomatyzowane zadania i obejmuje wiele gałęzi przemysłu, od firm zajmujących się bezpieczeństwem danych, ścigających złośliwe oprogramowanie, po specjalistów ds. Finansów szukających korzystnych transakcji. Zostały zaprojektowane do pracy jak wirtualni asystenci i działają całkiem dobrze.

W praktyce deep learningjest to tylko część uczenia maszynowego. Technicznie jest to uczenie maszynowe i działa w podobny sposób (dlatego terminy są czasami luźno zamienione), ale jego możliwości są różne.

Podstawowe modele uczenia maszynowego stają się coraz lepsze, niezależnie od ich funkcji, ale nadal mają pewne wskazówki. Jeśli algorytm ML zwraca niedokładną prognozę, inżynier musi wkroczyć i wprowadzić poprawki. Ale dzięki modelowi głębokiego uczenia algorytmy mogą samodzielnie ustalić, czy prognoza jest dokładna, czy nie.

Głębokie uczenie się jest podzbiorem uczenia maszynowego.

Uczenie maszynowe i głębokie uczenie się nie są dwiema różnymi rzeczami. Głębokie uczenie się jest jedną z form uczenia maszynowego. Poziomy warstw w sieci neuronowej są coraz bardziej dogłębne. Uczenie się jest częścią uczenia głębokiego.

„Głębokie uczenie się jest szczególnym rodzajem uczenia maszynowego, który osiąga wielką moc i elastyczność, ucząc się reprezentować świat jako zagnieżdżoną hierarchię pojęć, przy czym każda koncepcja jest zdefiniowana w odniesieniu do prostszych pojęć, a bardziej abstrakcyjne reprezentacje są obliczane w kategoriach mniej abstrakcyjnych. ”