Differenza tra Machine Learning e Deep Learning

Differenza chiave tra Machine Learning e Deep Learning

Le principali differenze tra Machine Learning e Deep Learning sono:

• Il Machine Learning fornisce prestazioni eccellenti su un set di dati di piccole/medie dimensioni, mentre il Deep Learning fornisce prestazioni eccellenti su un set di dati di grandi dimensioni
• Il ML funziona su una macchina di fascia bassa, mentre il DL richiede una macchina potente, preferibilmente con GPU.
• Il tempo di esecuzione del machine learning varia da pochi minuti a ore, mentre il deep learning richiede fino a settimane.
• Con il machine learning, sono necessari meno dati per addestrare l’algoritmo rispetto al deep learning. Il deep learning richiede un insieme ampio e diversificato di dati per identificare la struttura sottostante.

Cos'è l'IA?

AI (intelligenza artificiale) è una branca dell'informatica in cui le macchine sono programmate e dotate di capacità cognitiva per pensare e imitare azioni come quelle umane e animali. Il punto di riferimento per l’intelligenza artificiale è l’intelligenza umana per quanto riguarda il ragionamento, la parola, l’apprendimento, la visione e la risoluzione dei problemi, che è un futuro lontano.

L'intelligenza artificiale ha tre diversi livelli

1) IA ristretta: Si dice che un'intelligenza artificiale sia ristretta quando la macchina può eseguire un compito specifico meglio di un essere umano. L’attuale ricerca sull’intelligenza artificiale è qui ora
2) IA generale: Un'intelligenza artificiale raggiunge lo stato generale quando è in grado di eseguire qualsiasi compito intellettuale con lo stesso livello di precisione di un essere umano
3) IA attiva: Un'intelligenza artificiale è attiva quando può battere gli umani in molti compiti

I primi sistemi di intelligenza artificiale utilizzavano la corrispondenza dei modelli e sistemi esperti.

Che cos'è l'apprendimento automatico (ML)?

ML (machine Learning) è un tipo di intelligenza artificiale in cui un computer è addestrato ad automatizzare compiti che sono esaustivi o impossibili per gli esseri umani. È lo strumento migliore per analizzare, comprendere e identificare modelli nei dati basati sullo studio di algoritmi informatici. L’apprendimento automatico può prendere decisioni con un intervento umano minimo.

Confronto Intelligenza Artificiale vs Machine Learning, l'apprendimento automatico utilizza i dati per alimentare un algoritmo in grado di comprendere la relazione tra l'input e l'output. Una volta terminato l'apprendimento, la macchina può prevedere il valore o la classe di un nuovo punto dati.

Che cos'è l'apprendimento profondo (DL)?

Il deep learning è un software per computer che imita la rete di neuroni in un cervello. È un sottoinsieme del machine learning e viene chiamato deep learning perché utilizza reti neurali profonde. La macchina utilizza diversi livelli per apprendere dai dati. La profondità del modello è rappresentata dal numero di livelli nel modello. Il deep learning è il nuovo stato dell'arte in termini di intelligenza artificiale. Nel deep learning, la fase di apprendimento viene eseguita tramite una rete neurale. Una rete neurale è un'architettura in cui i livelli sono impilati uno sopra l'altro

Differenza tra Machine Learning e Deep Learning

Di seguito è riportata una differenza fondamentale tra Deep Learning e Machine Learning

Parametro	machine Learning	Deep Learning
Dipendenze dai dati	Eccellenti prestazioni su un dataset medio/piccolo	Prestazioni eccellenti su un set di dati di grandi dimensioni
Dipendenze hardware	Lavora su una macchina di fascia bassa.	Richiede una macchina potente, preferibilmente dotata di GPU: DL esegue una quantità significativa di moltiplicazioni di matrici
Ingegneria delle funzionalità	Necessità di comprendere le caratteristiche che rappresentano i dati	Non è necessario comprendere la caratteristica migliore che rappresenta i dati
Tempo di esecuzione	Da pochi minuti a ore	Fino a settimane. La rete neurale deve calcolare un numero significativo di pesi
interpretabilità	Alcuni algoritmi sono facili da interpretare (logistica, albero decisionale), altri sono quasi impossibili (SVM, XGBoost)	Da difficile a impossibile

Quando utilizzare ML o DL?

Nella tabella seguente, riassumiamo la differenza tra machine learning e apprendimento profondo con esempi.

Parametro	machine Learning	Deep Learning
Set di dati di formazione	Piccolo	Grande
Scegli le funzionalità	Si	Non
Numero di algoritmi	Molti	Pochi
Tempo di allenamento	Corti	Lunghi

Con l'apprendimento automatico, hai bisogno di meno dati per addestrare l'algoritmo rispetto all'apprendimento profondo. L'apprendimento profondo richiede un set di dati ampio e diversificato per identificare la struttura sottostante. Inoltre, l'apprendimento automatico fornisce un modello addestrato più velocemente. L'architettura di apprendimento profondo più avanzata può richiedere giorni o una settimana per l'addestramento. Il vantaggio dell'apprendimento profondo rispetto all'apprendimento automatico è che è altamente accurato. Non hai bisogno di capire quali caratteristiche sono la migliore rappresentazione dei dati; la rete neurale ha imparato come selezionare le caratteristiche critiche. Nell'apprendimento automatico, devi scegliere autonomamente quali caratteristiche includere nel modello.

Processo di apprendimento automatico

Immagina di dover costruire un programma che riconosca gli oggetti. Per addestrare il modello, utilizzerai a classificatore. Un classificatore utilizza le caratteristiche di un oggetto per provare a identificare la classe a cui appartiene.

Nell'esempio, il classificatore verrà addestrato a rilevare se l'immagine è:

• Bicicletta
• Barca
• Auto
• Piano

I quattro oggetti sopra sono la classe che il classificatore deve riconoscere. Per costruire un classificatore, è necessario avere alcuni dati come input e assegnargli un'etichetta. L'algoritmo prenderà questi dati, troverà uno schema e poi lo classificherà nella classe corrispondente.

Questo compito si chiama apprendimento supervisionato. Nell'apprendimento supervisionato, i dati di addestramento forniti all'algoritmo includono un'etichetta.

L'addestramento di un algoritmo richiede di seguire alcuni passaggi standard:

• Raccogli i dati
• Addestra il classificatore
• Fare previsioni

Il primo passo è necessario, scegliere i dati giusti determinerà il successo o il fallimento dell’algoritmo. I dati che scegli per addestrare il modello sono chiamati a caratteristica. Nell'esempio dell'oggetto, le caratteristiche sono i pixel delle immagini.

Ogni immagine è una riga nei dati mentre ogni pixel è una colonna. Se la tua immagine ha una dimensione 28×28, il set di dati contiene 784 colonne (28×28). Nell'immagine seguente, ciascuna immagine è stata trasformata in un vettore di caratteristiche. L'etichetta dice al computer quale oggetto è presente nell'immagine.

L'obiettivo è utilizzare questi dati di addestramento per classificare il tipo di oggetto. Il primo passaggio consiste nel creare le colonne delle funzionalità. Quindi, il secondo passaggio prevede la scelta di un algoritmo per addestrare il modello. Al termine dell'addestramento, il modello prevederà quale immagine corrisponde a quale oggetto.

Successivamente, è facile utilizzare il modello per prevedere nuove immagini. Per ogni nuova immagine inserita nel modello, la macchina predirà la classe a cui appartiene. Ad esempio, un'immagine completamente nuova senza etichetta attraversa il modello. Per un essere umano è banale visualizzare l'immagine come un'auto. La macchina utilizza le sue conoscenze precedenti per prevedere anche l'immagine di un'auto.

Processo di apprendimento profondo

Nel deep learning, la fase di apprendimento avviene tramite una rete neurale. Una rete neurale è un'architettura in cui gli strati sono impilati uno sopra l'altro.

Considera lo stesso esempio di immagine sopra. Il set di addestramento verrebbe alimentato a una rete neurale

Ogni input entra in un neurone e viene moltiplicato per un peso. Il risultato della moltiplicazione scorre al livello successivo e diventa l'input. Questo processo viene ripetuto per ogni livello della rete. Lo strato finale è denominato strato di output; fornisce un valore effettivo per l'attività di regressione e una probabilità di ciascuna classe per l'attività di classificazione. La rete neurale utilizza un algoritmo matematico per aggiornare i pesi di tutti i neuroni. La rete neurale è completamente allenata quando il valore dei pesi fornisce un output vicino alla realtà. Ad esempio, una rete neurale ben addestrata può riconoscere l'oggetto su un'immagine con una precisione maggiore rispetto alla rete neurale tradizionale.

Automatizza l'estrazione delle funzionalità utilizzando DL

Un set di dati può contenere da una dozzina a centinaia di funzionalità. Il sistema imparerà dalla rilevanza di queste funzionalità. Tuttavia, non tutte le funzionalità sono significative per l’algoritmo. Una parte cruciale dell’apprendimento automatico è trovare un insieme rilevante di funzionalità per far sì che il sistema impari qualcosa.

Un modo per eseguire questa parte nell'apprendimento automatico è utilizzare l'estrazione delle funzionalità. L'estrazione delle funzionalità combina le funzionalità esistenti per creare un insieme di funzionalità più pertinente. Può essere eseguito con PCA, T-SNE o qualsiasi altro algoritmo di riduzione della dimensionalità.

Ad esempio, durante l'elaborazione di un'immagine, il professionista deve estrarre manualmente le caratteristiche dell'immagine come gli occhi, il naso, le labbra e così via. Le caratteristiche estratte vengono inserite nel modello di classificazione.

Il deep learning risolve questo problema, specialmente per una rete neurale convoluzionale. Il primo strato di una rete neurale apprenderà piccoli dettagli dall'immagine; gli strati successivi combineranno le conoscenze precedenti per creare informazioni più complesse. Nella rete neurale convoluzionale, l'estrazione delle caratteristiche viene eseguita tramite l'uso del filtro. La rete applica un filtro all'immagine per vedere se c'è una corrispondenza, ovvero se la forma della caratteristica è identica a una parte dell'immagine. Se c'è una corrispondenza, la rete utilizzerà questo filtro. Il processo di estrazione delle caratteristiche viene quindi eseguito automaticamente.

Sintesi

Intelligenza Artificiale sta impartendo una capacità cognitiva a una macchina. Confrontando l’intelligenza artificiale con l’apprendimento automatico, i primi sistemi di intelligenza artificiale utilizzavano la corrispondenza di modelli e sistemi esperti.

L’idea alla base del machine learning è che la macchina può apprendere senza l’intervento umano. La macchina deve trovare un modo per imparare a risolvere un compito dati i dati.

Il deep learning è la svolta nel campo dell’intelligenza artificiale. Quando ci sono abbastanza dati su cui allenarsi, il deep learning ottiene risultati impressionanti, soprattutto per il riconoscimento delle immagini e la traduzione del testo. Il motivo principale è che l'estrazione delle funzionalità viene eseguita automaticamente nei diversi livelli della rete.