یادگیری عمیق در مقابل یادگیری ماشین

توسط F7fGBRsZcp, جولای 23, 2021


یادگیری عمیق در مقابل یادگیری ماشین
یادگیری ماشینی و یادگیری عمیق دو زیر مجموعه هوش مصنوعی هستند که طی دو سال گذشته بسیار مورد توجه قرار گرفته اند. اگر اینجا هستید که می خواهید هر دو اصطلاح را به ساده ترین شکل ممکن درک کنید ، مکان بهتری وجود ندارد.
بنابراین اگر مدتی با من همراه باشید ، سعی می کنم توضیح دهم که واقعاً چه تفاوتی بین یادگیری عمیق در مقابل یادگیری ماشینی وجود دارد و چگونه می توانید از این دو زیر مجموعه هوش مصنوعی برای فرصت های شغلی جدید و جالب استفاده کنید.
یادگیری عمیق در مقابل یادگیری ماشین
قبل از شروع ، امیدوارم که شما با درک اساسی معنای هر دو اصطلاح یادگیری عمیق و یادگیری ماشین آشنا شده باشید.
یادگیری ماشینی برای افراد ساختگی:
زیرمجموعه ای از هوش مصنوعی درگیر ایجاد الگوریتم هایی است که می تواند بدون دخالت انسان خود را تغییر داده و برای تولید خروجی مطلوب – با تغذیه خود از طریق داده های ساختاری.
یادگیری عمیق برای آدمکها:
زیرمجموعه ای از یادگیری ماشین که الگوریتم ها در آن ایجاد می شوند و عملکردی مشابه با یادگیری ماشین دارند ، اما لایه های زیادی از این الگوریتم ها وجود دارد – هرکدام تفسیر متفاوتی از داده های تغذیه شده ارائه می دهند. به چنین شبکه ای از الگوریتم ها ، شبکه های عصبی مصنوعی گفته می شود ، بنابراین نام آنها به عنوان الهام بخش است ، یا ممکن است بگویید. تلاشی برای تقلید از عملکرد شبکه های عصبی انسان موجود در مغز.
من سعی کردم این تعاریف را به ساده ترین شکل ممکن ارائه دهم ، اما حتی اگر به شما در ایجاد اختلاف کمک نکند ، مثالی را ارائه می دهم.
تصویر از طریق:
در اینجا مجموعه ای از تصاویر سگ و گربه وجود دارد. چه اتفاقی می افتد که شبکه های یادگیری ماشینی و یادگیری عمیق مجبور شوند از آن معنا پیدا کنند؟
نگاهی به تصویر بالا بیاندازید. آنچه مشاهده خواهید کرد مجموعه ای از تصاویر گربه ها و سگ ها است. حال ، بگذارید بگوییم که شما می خواهید تصاویر سگها و گربه ها را جداگانه با کمک الگوریتم های یادگیری ماشین و شبکه های یادگیری عمیق شناسایی کنید.
اصول یادگیری عمیق در مقابل یادگیری ماشین – وقتی این مشکل از طریق یادگیری ماشین حل می شود
برای کمک به الگوریتم ML ، تصاویر موجود در مجموعه را با توجه به دو دسته سگ و گربه دسته بندی می کند ، باید این تصاویر را به طور جمعی به آن ارائه دهید. اما چگونه الگوریتم می داند کدام یک است؟
پاسخ به این سوال ، همانطور که در تعریف بالا از یادگیری ماشین برای آدمکها ، داده های ساختاری است. شما به سادگی تصاویر سگها و گربه ها را به گونه ای برچسب گذاری می کنید که ویژگی های خاص هر دو حیوان را مشخص کند. این داده ها برای یادگیری الگوریتم یادگیری ماشین کافی خواهد بود ، و سپس بر اساس برچسب هایی که فهمیده است به کار خود ادامه می دهد و میلیون ها عکس دیگر از هر دو حیوان را بر اساس ویژگی هایی که از طریق برچسب های یاد گرفته طبقه بندی می کند.
وقتی مشکل از طریق یادگیری عمیق حل می شود:
شبکه های یادگیری عمیق برای حل این مشکل روش دیگری را در پیش می گیرند. مزیت اصلی شبکه های یادگیری عمیق این است که آنها برای طبقه بندی این دو حیوان لزوماً به داده های ساختاری / برچسب دار تصاویر احتیاج ندارند. شبکه های عصبی مصنوعی با استفاده از یادگیری عمیق ورودی (داده های تصاویر) را از طریق لایه های مختلف شبکه ارسال می کنند و هر شبکه به صورت سلسله مراتبی ویژگی های خاص تصاویر را تعریف می کند. این روش ، به روشی مشابه نحوه کار مغز انسان برای حل مشکلات است – با عبور از پرس و جو از سلسله مراتب مختلف مفاهیم و س questionsالات مرتبط برای یافتن پاسخ.
پس از پردازش داده ها از طریق لایه های درون شبکه های عصبی عمیق ، سیستم شناسه های مناسب را برای طبقه بندی هر دو حیوان از تصاویر آنها پیدا می کند.
توجه: این فقط مثالی است که به شما کمک می کند تفاوت در نحوه کارکرد اصول یادگیری ماشین و شبکه های یادگیری عمیق را درک کنید. هم یادگیری عمیق و هم یادگیری ماشینی در اکثر موارد از جمله این مورد به طور همزمان قابل استفاده نیستند. همانطور که می خوانید ، دلیل آن بعداً توضیح داده خواهد شد.
بنابراین در این مثال ، ما دیدیم که یک الگوریتم یادگیری ماشین برای درک تفاوت بین تصاویر گربه ها و سگ ها ، فراگرفتن طبقه بندی و سپس تولید خروجی ، به داده های دارای برچسب / ساختارمند نیاز دارد.
از طرف دیگر ، یک شبکه یادگیری عمیق قادر بود تصاویر هر دو حیوان را از طریق داده های پردازش شده در لایه های شبکه طبقه بندی کند. به داده های برچسب خورده و ساختارمندی احتیاج نداشت ، زیرا متکی به خروجی های مختلف پردازش شده توسط هر لایه بود که بهم پیوسته و یک روش واحد برای طبقه بندی تصاویر را تشکیل می دهد.
چه چیزهایی در اینجا یاد گرفته ایم:
تفاوت اصلی بین یادگیری عمیق در مقابل یادگیری ماشین از نحوه ارائه داده ها به سیستم ناشی می شود. الگوریتم های بیشتر بخوانید یادگیری ماشین تقریباً همیشه به داده های ساخت یافته نیاز دارند ، در بیشتر بخوانید حالی که شبکه های یادگیری عمیق به لایه های ANN (شبکه های عصبی مصنوعی) متکی هستند.
الگوریتم های یادگیری ماشین برای “یادگیری” انجام کارها با درک داده های دارای برچسب ساخته شده اند ، سپس از آنها برای تولید خروجی های بیشتر با مجموعه داده های بیشتر استفاده می شود. با این حال ، وقتی که خروجی واقعی مطلوب نیست ، آنها باید از طریق مداخله انسانی آموزش ببینند.
شبکه های یادگیری عمیق نیازی به مداخله انسان ندارند زیرا لایه های تو در تو در شبکه های عصبی داده ها را از طریق سلسله مراتب مفاهیم مختلف قرار می دهند ، که در نهایت از طریق خطاهای خود یاد می گیرند. اگر کیفیت داده ها به اندازه کافی خوب نباشد ، حتی این موارد نیز در معرض خروجی ناقص هستند.
دیتا در اینجا فرماندار است. این کیفیت داده ها است که در نهایت کیفیت نتیجه را تعیین می کند.
آنچه در این مثال مشاهده نکردیم ، اما نکات مهمی است که باید بدان توجه کنید:
از آنجا که الگوریتم های یادگیری ماشین به داده های دارای برچسب احتیاج دارند ، برای حل سوالات پیچیده ای که شامل مقدار زیادی داده هستند ، مناسب نیستند.
اگرچه در این مورد ، ما شاهد استفاده از شبکه های یادگیری عمیق برای حل یک پرسش جزئی مانند این سوال بودیم. کاربرد واقعی شبکه های عصبی یادگیری عمیق در مقیاس بسیار بزرگتری است. در واقع ، با توجه به تعداد لایه ها ، سلسله مراتب و مفاهیمی که این شبکه ها پردازش می کنند ، آنها فقط برای انجام محاسبات پیچیده مناسب هستند تا محاسبات ساده.
هر دو زیرمجموعه هوش مصنوعی حول محور داده ها می چرخند تا در واقع هر شکلی از «هوش» را ارائه دهند. با این حال ، آنچه باید شناخته شود این است که یادگیری عمیق به داده های بسیار بیشتری نسبت به الگوریتم سنتی یادگیری ماشین نیاز دارد. دلیل این امر این است که تنها در معرض بیش از یک میلیون نقطه داده فقط قادر به شناسایی لبه ها (مفاهیم ، تفاوت ها) در لایه های شبکه های عصبی است. از طرف دیگر ، الگوریتم های یادگیری ماشین می توانند از طریق معیارهای تعریف شده از قبل برنامه ریزی شده یاد بگیرند.
بنابراین با این مثال و توضیحات بعدی در مورد یادگیری عمیق در مقابل اصول یادگیری ماشین ، امیدوارم که شما تفاوت بین هر دو آنها را درک کرده باشید. از آنجا که این توضیحات غیر عادی است ، من تمام تلاش خود را می کنم تا اصطلاحات فنی را که بیشتر برای کسانی که به دنبال استفاده از هوش مصنوعی و توسعه یادگیری ماشین برای تجارت خود هستند ، قابل درک نباشد ، معرفی نکنم.
اکنون زمان چکش زدن میخ نهایی است. چه موقع باید واقعاً از یادگیری عمیق یا یادگیری ماشینی در تجارت خود استفاده کنید؟
چه موقع باید از یادگیری عمیق استفاده کرد؟

* اگر شرکتی با انبوه داده برای استخراج تفسیر از آن هستید.

* اگر مجبورید مشکلات زیادی برای یادگیری ماشین حل کنید.

* اگر می توانید منابع و هزینه های محاسباتی زیادی را برای رانندگی سخت افزار و نرم افزار برای آموزش شبکه های یادگیری عمیق صرف کنید.
چه زمانی از توسعه یادگیری ماشین برای تجارت خود استفاده کنید؟

* اگر داده هایی دارید که می توانند برای آموزش الگوریتم های یادگیری ماشین از آنها ساختار یافته و استفاده شوند.

* اگر می خواهید مزایای استفاده از هوش مصنوعی را افزایش دهید تا قبل از رقابت افزایش یابد.
بهترین راه حل های یادگیری ماشین می تواند در اتوماسیون عملیات مختلف تجاری ، از جمله تأیید هویت ، تبلیغات ، بازاریابی و جمع آوری اطلاعات کمک کند و به استفاده از فرصت های بزرگ برای آینده کمک کند.

دیدگاه شما چیست؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *