Глубокое обучение против машинного обучения — в чем разница?

Для большинства людей термины «глубокое обучение» и «машинное обучение» кажутся взаимозаменяемыми модными словечками в мире ИИ. Однако это не так. Следовательно, каждый, кто стремится лучше понять область искусственного интеллекта, должен начать с понимания терминов и их различий. Хорошая новость: это не так сложно, как предполагают некоторые статьи на эту тему.

В чем разница между глубоким обучением и машинным обучением?

Машинное обучение означает, что компьютеры обучаются на данных с использованием алгоритмов для выполнения задачи без явного программирования. Глубокое обучение использует сложную структуру алгоритмов, смоделированных на основе человеческого мозга. Это позволяет обработка неструктурированных данных таких как документы, изображения и текст.

Если сформулировать это одним предложением: глубокое обучение — это специализированное подмножество машинного обучения, которое, в свою очередь, является подмножеством искусственного интеллекта. Другими словами, глубокое обучение является Машинное обучение.

Но давайте копнем немного глубже.

Предпочитаете потреблять этот контент в аудиоформате? Посмотрите наше видео ниже!

Рассмотрим пример ANN на изображении выше.Крайний левый слой называется входным слоем, крайний правый слой выходным слоем. Средние слои называются скрытыми слоями, потому что их значения не видны в обучающем наборе. Проще говоря, скрытые слои — это вычисляемые значения, используемые сетью для «волшебства». Чем больше в сети скрытых слоев между входным и выходным слоями, тем Глубже Это. В общем, любая ИНС с двумя или более скрытыми слоями называется глубокой нейронной сетью.

Сегодня глубокое обучение используется во многих областях. Например, в автоматизированном вождении глубокое обучение используется для обнаружения объектов, таких как знаки «СТОП» или пешеходов. Военные используют глубокое обучение для идентификации объектов со спутников, например. обнаруживать безопасные или небезопасные зоны для своих войск. Конечно, индустрия бытовой электроники также полна глубокого обучения. Устройства помощи на дому, такие как Amazon Alexa, например, полагаются на алгоритмы глубокого обучения, чтобы реагировать на ваш голос и знать ваши предпочтения.

Как насчет более конкретного примера? Представьте, что компания Tesla использует алгоритм глубокого обучения для своих автомобилей, чтобы распознавать знаки STOP. На первом этапе ИНС идентифицирует соответствующие свойства знака СТОП, также называемого Особенности. Элементы могут быть определенными структурами на введенном изображении, такими как точки, ребра или объекты. В то время как инженеру-программисту пришлось бы выбирать соответствующие функции в более традиционном алгоритме машинного обучения, ИНС способна автоматыс разработка функций. Первый скрытый слой может научиться обнаруживать края, следующий — различать цвета, а последний учиться обнаруживать более сложные формы, специально предназначенные для формы объекта, который мы пытаемся распознать. При подаче обучающих данных алгоритмы глубокого обучения в конечном итоге узнают на своих собственных ошибках, был ли прогноз хорошим или его нужно скорректировать.

Подробнее о ИИ в бизнесе здесь.

В целом, благодаря автоматическому проектированию признаков и возможностям самообучения алгоритмы глубокого обучения требуют минимального вмешательства человека. Хотя это свидетельствует об огромном потенциале глубокого обучения, есть две основные причины, по которым оно только недавно стало настолько удобным в использовании: доступность данных и вычислительная мощность.

Во-первых, для глубокого обучения требуются невероятно большие объемы данных (мы доберемся до исключений из этого правила). Программному обеспечению автономного вождения Tesla, например, для правильной работы требуются миллионы часов изображений и видео.

Во-вторых, глубокое обучение требует значительных вычислительных мощностей. Однако с появлением инфраструктуры облачных вычислений и высокопроизводительных GPU (графических процессоров, используемых для более быстрых вычислений) время обучения сети глубокого обучения может сократиться с недель (!) до часов.

Но, пожалуй, одним из самых важных достижений в области глубокого обучения является появление трансферного обучения, т.е. использование предварительно обученных моделей. Причина: трансферное обучение можно рассматривать как средство от нужд больших обучающих наборов данных, которые были необходимы ИНС для получения значимых результатов.

Эти огромные потребности в данных были причиной того, что алгоритмы ИНС не считались оптимальным решением всех проблем в прошлом. Однако для многих приложений эту потребность в данных теперь можно удовлетворить с помощью предварительно обученных моделей. Если вы хотите копнуть глубже, мы недавно опубликовали статью о трансферном обучении.

• Глубокое обучение — это специализированное подмножество машинного обучения.
• Глубокое обучение опирается на многоуровневую структуру алгоритмов, называемую искусственной нейронной сетью.
• Глубокое обучение имеет огромные потребности в данных, но требует небольшого вмешательства человека для правильной работы.
• Трансферное обучение — это лекарство от нужд больших обучающих наборов данных.

Узнать больше о ANN против CNN против RNN.

Основные различия между машинным обучением и глубоким обучением

Это распространенный вопрос, и если вы дочитали до этого места, то, вероятно, уже знаете, что его не следует задавать таким образом. Алгоритмы глубокого обучения находятся Алгоритмы машинного обучения. Поэтому, возможно, было бы лучше подумать о том, что делает глубокое обучение специальный в области машинного обучения. Ответ: структура алгоритма ИНС, меньшая потребность во вмешательстве человека и большие требования к данным.

Прежде всего, в то время как традиционные алгоритмы машинного обучения имеют довольно простую структуру, такую ​​как линейная регрессия или дерево решений, глубокое обучение основано на искусственной нейронной сети. Эта многослойная ИНС, подобно человеческому мозгу, сложна и взаимосвязана.

Во-вторых, алгоритмы глубокого обучения требуют гораздо меньшего вмешательства человека. Помните пример Теслы? Если бы распознавание изображений со знаком СТОП было более традиционным алгоритмом машинного обучения, инженер-программист вручную выбирал бы функции и классификатор для сортировки изображений, проверял бы, соответствует ли результат требованиям, и корректировал бы алгоритм, если это не так. Однако в качестве алгоритма глубокого обучения функции извлекаются автоматически, и алгоритм учится на своих собственных ошибках (см. изображение ниже).

В-третьих, для правильной работы глубокого обучения требуется гораздо больше данных, чем традиционный алгоритм машинного обучения. Машинное обучение работает с тысячей точек данных, а глубокое обучение зачастую только с миллионами. Из-за сложной многослойной структуры системе глубокого обучения необходим большой набор данных, чтобы исключить флуктуации и делать качественные интерпретации.

Понятно. Но как насчет кодирования?

Глубокое обучение все еще находится в зачаточном состоянии в некоторых областях, но его возможности уже огромны. В основном его используют крупные компании с огромными финансовыми и человеческими ресурсами, поскольку раньше создание алгоритмов глубокого обучения было сложным и дорогим. Но это меняется. Мы в Levity считаем, что каждый должен иметь возможность создавать свои собственные решения для глубокого обучения.

Если вы знаете, как построить модель Tensorflow и запустить ее на нескольких экземплярах TPU в облаке, вы, вероятно, не дочитали бы до этого места. Если вы этого не сделаете, вы пришли в нужное место. Потому что мы создаем эту платформу для таких людей, как вы. Люди с идеями о том, как ИИ мог могут быть использованы с большой пользой, но которым не хватает времени или навыков, чтобы заставить его работать на техническом уровне.

Я не собираюсь утверждать, что смог бы сделать это за разумное время, даже если я утверждаю, что немного разбираюсь в программировании, глубоком обучении и даже в развертывании программного обеспечения в облаке. Так что, если эта или любая другая статья вызвала у вас голод, просто свяжитесь с нами. Мы ищем хорошие варианты использования на постоянной основе, и мы рады пообщаться с вами!

Узнать больше о точность и отзыв в машинном обучении.