Forskellen mellem Machine Learning og Deep Learning

Nøgleforskel mellem Machine Learning og Deep Learning

De vigtigste forskelle mellem Machine Learning og Deep Learning er:

• Machine Learning giver fremragende ydeevne på et lille/mellemstort datasæt, mens Deep Learning giver fremragende ydeevne på et stort datasæt
• ML fungerer på en low-end maskine, mens DL kræver kraftig maskine, helst med GPU.
• Machine Learning-udførelsestid fra få minutter til timer, mens Deep Learning tager op til uger.
• Med machine learning har du brug for færre data for at træne algoritmen end deep learning. Dyb læring kræver et omfattende og forskelligartet sæt af data for at identificere den underliggende struktur.

Hvad er AI?

AI (kunstig intelligens) er en gren af ​​datalogi, hvor maskiner er programmeret og givet en kognitiv evne til at tænke og efterligne handlinger som mennesker og dyr. Benchmark for AI er menneskelig intelligens med hensyn til ræsonnement, tale, læring, vision og problemløsning, som ligger langt ude i fremtiden.

AI har tre forskellige niveauer

1) Smal AI: En kunstig intelligens siges at være smal, når maskinen kan udføre en bestemt opgave bedre end et menneske. Den aktuelle forskning af AI er her nu
2) Generel AI: En kunstig intelligens når den generelle tilstand, når den kan udføre enhver intellektuel opgave med samme nøjagtighedsniveau som et menneske ville
3) Aktiv AI: En AI er aktiv, når den kan slå mennesker i mange opgaver

Tidlige AI-systemer brugte mønstertilpasning og ekspertsystemer.

Hvad er Machine Learning (ML)?

ML (Maskinelæring) er en type AI, hvor en computer er trænet til at automatisere opgaver, der er udtømmende eller umulige for mennesker. Det er det bedste værktøj til at analysere, forstå og identificere mønstre i data baseret på studiet af computeralgoritmer. Maskinlæring kan træffe beslutninger med minimal menneskelig indgriben.

Sammenligning Kunstig intelligens vs Machine Learning, Machine learning bruger data til at fodre en algoritme, der kan forstå forholdet mellem input og output. Når maskinen er færdig med at lære, kan den forudsige værdien eller klassen af ​​et nyt datapunkt.

Hvad er Deep Learning (DL)?

Deep learning er en computersoftware, der efterligner netværket af neuroner i en hjerne. Det er en delmængde af maskinlæring og kaldes deep learning, fordi det gør brug af dybe neurale netværk. Maskinen bruger forskellige lag til at lære af dataene. Modellens dybde er repræsenteret ved antallet af lag i modellen. Deep learning er den nye state of the art inden for kunstig intelligens. I deep learning foregår læringsfasen gennem et neuralt netværk. Et neuralt netværk er en arkitektur, hvor lagene er stablet oven på hinanden

Forskellen mellem Machine Learning og Deep Learning

Nedenfor er en vigtig forskel mellem Deep Learning vs Machine Learning

Parameter	Maskinelæring	Deep Learning
Dataafhængigheder	Fremragende præstationer på et lille/medium datasæt	Fremragende ydeevne på et stort datasæt
Hardware afhængigheder	Arbejd på en low-end maskine.	Kræver kraftig maskine, helst med GPU: DL udfører en betydelig mængde matrixmultiplikation
Funktionsteknik	Behov for at forstå de funktioner, der repræsenterer dataene	Ingen grund til at forstå den bedste funktion, der repræsenterer dataene
Udførelsestid	Fra få minutter til timer	Op til uger. Neural Network skal beregne et betydeligt antal vægte
Fortolkningsmulighed	Nogle algoritmer er nemme at fortolke (logistik, beslutningstræ), nogle er næsten umulige (SVM, XGBoost)	Svært til umuligt

Hvornår skal man bruge ML eller DL?

I nedenstående tabel opsummerer vi forskellen mellem machine learning og dyb læring med eksempler.

Parameter	Maskinelæring	Deep Learning
Træningsdatasæt	Small	Large
Vælg funktioner	Ja	Ingen
Antal algoritmer	Mange	Kun få
Træningstid	Kort	Lang

Med machine learning har du brug for færre data for at træne algoritmen end deep learning. Dyb læring kræver et omfattende og forskelligartet sæt af data for at identificere den underliggende struktur. Desuden giver maskinlæring en hurtigere trænet model. Den mest avancerede deep learning-arkitektur kan tage dage til en uge at træne. Fordelen ved dyb læring frem for maskinlæring er, at den er meget nøjagtig. Du behøver ikke at forstå, hvilke funktioner der er den bedste repræsentation af dataene; det neurale netværk lærte, hvordan man vælger kritiske funktioner. I machine learning skal du selv vælge, hvilke funktioner der skal inkluderes i modellen.

Maskinlæringsproces

Forestil dig, at det er meningen, at du skal bygge et program, der genkender objekter. For at træne modellen skal du bruge en klassifikator. En klassifikator bruger funktionerne i et objekt til at prøve at identificere den klasse, det tilhører.

I eksemplet vil klassificereren blive trænet til at opdage, om billedet er en:

• Cykel
• Båd
• Bil
• Plane

De fire objekter ovenfor er den klasse, som klassificereren skal genkende. For at konstruere en klassifikator skal du have nogle data som input og tildele en etiket til den. Algoritmen vil tage disse data, finde et mønster og derefter klassificere det i den tilsvarende klasse.

Denne opgave kaldes overvåget læring. I overvåget læring inkluderer de træningsdata, du leverer til algoritmen, en etiket.

Træning af en algoritme kræver at følge et par standardtrin:

• Saml dataene
• Træn klassificereren
• Lav forudsigelser

Det første skridt er nødvendigt, at vælge de rigtige data vil gøre algoritmen til succes eller en fiasko. De data du vælger til at træne modellen kaldes en funktion. I objekteksemplet er funktionerne billedernes pixels.

Hvert billede er en række i dataene, mens hver pixel er en kolonne. Hvis dit billede har en størrelse på 28×28, indeholder datasættet 784 kolonner (28×28). På billedet nedenfor er hvert billede blevet transformeret til en featurevektor. Etiketten fortæller computeren, hvilket objekt der er på billedet.

Målet er at bruge disse træningsdata til at klassificere objekttypen. Det første trin består i at oprette funktionskolonnerne. Derefter involverer det andet trin at vælge en algoritme til at træne modellen. Når træningen er færdig, vil modellen forudsige hvilket billede der svarer til hvilket objekt.

Herefter er det nemt at bruge modellen til at forudsige nye billeder. For hvert nyt billede, der føres ind i modellen, vil maskinen forudsige den klasse, den tilhører. For eksempel går et helt nyt billede uden etiket gennem modellen. For et menneske er det trivielt at visualisere billedet som en bil. Maskinen bruger sin tidligere viden til at forudsige, at billedet er en bil.

Dyb læringsproces

I deep learning foregår læringsfasen gennem et neuralt netværk. Et neuralt netværk er en arkitektur, hvor lagene er stablet oven på hinanden.

Overvej det samme billedeksempel ovenfor. Træningssættet vil blive ført til et neuralt netværk

Hvert input går ind i en neuron og ganges med en vægt. Resultatet af multiplikationen flyder til det næste lag og bliver input. Denne proces gentages for hvert lag af netværket. Det sidste lag hedder outputlaget; det giver en faktisk værdi for regressionsopgaven og en sandsynlighed for hver klasse for klassifikationsopgaven. Det neurale netværk bruger en matematisk algoritme til at opdatere vægten af ​​alle neuroner. Det neurale netværk er fuldt trænet, når vægtenes værdi giver et output tæt på virkeligheden. For eksempel kan et veltrænet neuralt netværk genkende objektet på et billede med højere nøjagtighed end det traditionelle neurale net.

Automatiser Feature Extraction ved hjælp af DL

Et datasæt kan indeholde et dusin til hundredvis af funktioner. Systemet vil lære af relevansen af ​​disse funktioner. Det er dog ikke alle funktioner, der er meningsfulde for algoritmen. En afgørende del af maskinlæring er at finde et relevant sæt funktioner for at få systemet til at lære noget.

En måde at udføre denne del i maskinlæring er at bruge funktionsekstraktion. Funktionsudtrækning kombinerer eksisterende funktioner for at skabe et mere relevant sæt funktioner. Det kan gøres med PCA, T-SNE eller andre dimensionsreduktionsalgoritmer.

For eksempel, en billedbehandling, skal behandleren udtrække funktionen manuelt i billedet som øjne, næse, læber og så videre. Disse ekstraherede funktioner er feed til klassifikationsmodellen.

Dyb læring løser dette problem, især for et foldet neuralt netværk. Det første lag af et neuralt netværk vil lære små detaljer fra billedet; de næste lag vil kombinere den tidligere viden for at gøre mere kompleks information. I det konvolutionelle neurale netværk udføres feature-ekstraktion ved brug af filteret. Netværket anvender et filter på billedet for at se, om der er et match, dvs. funktionens form er identisk med en del af billedet. Hvis der er et match, vil netværket bruge dette filter. Processen med udtræk af funktioner udføres derfor automatisk.

Resumé

Kunstig intelligens er at bibringe en kognitiv evne til en maskine. Ved at sammenligne AI vs Machine Learning brugte tidlige AI-systemer mønstertilpasning og ekspertsystemer.

Tanken bag machine learning er, at maskinen kan lære uden menneskelig indgriben. Maskinen skal finde en måde at lære at løse en opgave givet dataene.

Deep learning er gennembruddet inden for kunstig intelligens. Når der er nok data at træne på, opnår deep learning imponerende resultater, især for billedgenkendelse og tekstoversættelse. Hovedårsagen er, at udtrækket af funktioner sker automatisk i de forskellige lag af netværket.