Sự khác biệt giữa Học máy và Học sâu

Sự khác biệt chính giữa Học máy và Học sâu

Sự khác biệt chính giữa Học máy và Học sâu là:

• Machine Learning mang lại hiệu suất tuyệt vời trên tập dữ liệu vừa/nhỏ, trong khi Deep Learning mang lại hiệu suất tuyệt vời trên tập dữ liệu lớn
• ML hoạt động trên máy cấu hình thấp, trong khi DL yêu cầu máy mạnh, tốt nhất là có GPU.
• Thời gian thực hiện Machine Learning từ vài phút đến vài giờ, trong khi Deep Learning mất tới vài tuần.
• Với học máy, bạn cần ít dữ liệu hơn để huấn luyện thuật toán so với học sâu. Học sâu đòi hỏi một bộ dữ liệu phong phú và đa dạng để xác định cấu trúc cơ bản.

AI là gì?

AI (Trí tuệ nhân tạo) là một nhánh của khoa học máy tính trong đó máy móc được lập trình và có khả năng nhận thức để suy nghĩ và bắt chước các hành động giống như con người và động vật. Điểm chuẩn cho AI là trí thông minh của con người về lý luận, lời nói, học tập, tầm nhìn và giải quyết vấn đề, những điều này còn rất xa trong tương lai.

AI có ba cấp độ khác nhau

1) AI thu hẹp: Trí tuệ nhân tạo được cho là hạn hẹp khi máy móc có thể thực hiện một nhiệm vụ cụ thể tốt hơn con người. Nghiên cứu hiện tại về AI đã có mặt ở đây
2) AI chung: Trí tuệ nhân tạo đạt đến trạng thái chung khi nó có thể thực hiện bất kỳ nhiệm vụ trí tuệ nào với mức độ chính xác tương đương với con người.
3) AI hoạt động: Một AI hoạt động khi nó có thể đánh bại con người trong nhiều nhiệm vụ

Các hệ thống AI ban đầu sử dụng tính năng khớp mẫu và những hệ thống chuyên gia.

Học máy (ML) là gì?

ML (Machine Learning) là một loại AI trong đó máy tính được đào tạo để tự động hóa các nhiệm vụ mà con người không thể thực hiện được hoặc toàn diện. Đây là công cụ tốt nhất để phân tích, hiểu và xác định các mẫu trong dữ liệu dựa trên nghiên cứu các thuật toán máy tính. Học máy có thể đưa ra quyết định với sự can thiệp tối thiểu của con người.

So sánh Trí tuệ nhân tạo so với Machine Learning, Machine learning sử dụng dữ liệu để cung cấp một thuật toán có thể hiểu được mối quan hệ giữa đầu vào và đầu ra. Khi máy học xong, nó có thể dự đoán giá trị hoặc loại của điểm dữ liệu mới.

Học sâu (DL) là gì?

Học sâu là một phần mềm máy tính mô phỏng mạng lưới các nơ-ron trong não. Đây là một tập hợp con của học máy và được gọi là học sâu vì nó sử dụng các mạng nơ-ron sâu. Máy sử dụng các lớp khác nhau để học từ dữ liệu. Độ sâu của mô hình được biểu thị bằng số lớp trong mô hình. Học sâu là trạng thái nghệ thuật mới về AI. Trong học sâu, giai đoạn học được thực hiện thông qua mạng nơ-ron. Mạng nơ-ron là một kiến ​​trúc trong đó các lớp được xếp chồng lên nhau

Sự khác biệt giữa Học máy và Học sâu

Dưới đây là điểm khác biệt chính giữa Deep Learning và Machine Learning

Tham số	Machine Learning	Học kĩ càng
Phụ thuộc dữ liệu	Hiệu suất xuất sắc trên tập dữ liệu nhỏ/trung bình	Hiệu suất tuyệt vời trên một tập dữ liệu lớn
Phụ thuộc phần cứng	Làm việc trên một máy cấp thấp.	Yêu cầu máy mạnh, tốt nhất là có GPU: DL thực hiện một lượng nhân ma trận đáng kể
Kỹ thuật tính năng	Cần hiểu các tính năng đại diện cho dữ liệu	Không cần phải hiểu tính năng tốt nhất đại diện cho dữ liệu
Thời gian thực hiện	Từ vài phút đến vài giờ	Lên đến hàng tuần. Mạng nơ-ron cần tính toán một số lượng trọng số đáng kể
Giải thích	Một số thuật toán dễ diễn giải (hậu cần, cây quyết định), một số gần như không thể (SVM, XGBoost)	Khó đến không thể

Khi nào nên sử dụng ML hoặc DL?

Trong bảng dưới đây, chúng tôi tóm tắt sự khác biệt giữa học máy và học kĩ càng với các ví dụ.

Tham số	Machine Learning	Học kĩ càng
Tập dữ liệu đào tạo	Nhỏ	Chó cái
Chọn tính năng	Có	Không
Số lượng thuật toán	nhiều	Rất ít
Thời gian huấn luyện	ngắn	dài

Với học máy, bạn cần ít dữ liệu hơn để đào tạo thuật toán so với học sâu. Học sâu đòi hỏi một tập dữ liệu rộng lớn và đa dạng để xác định cấu trúc cơ bản. Bên cạnh đó, học máy cung cấp một mô hình được đào tạo nhanh hơn. Kiến trúc học sâu tiên tiến nhất có thể mất vài ngày đến một tuần để đào tạo. Ưu điểm của học sâu so với học máy là nó có độ chính xác cao. Bạn không cần phải hiểu những tính năng nào là biểu diễn tốt nhất của dữ liệu; mạng nơ-ron đã học cách chọn các tính năng quan trọng. Trong học máy, bạn cần tự mình chọn những tính năng nào để đưa vào mô hình.

Quá trình học máy

Hãy tưởng tượng bạn có ý định xây dựng một chương trình nhận dạng đối tượng. Để huấn luyện mô hình, bạn sẽ sử dụng một phân loại. Trình phân loại sử dụng các đặc điểm của một đối tượng để cố gắng xác định lớp mà nó thuộc về.

Trong ví dụ này, trình phân loại sẽ được huấn luyện để phát hiện xem hình ảnh có phải là:

• Xe đạp
• Thuyền Gỗ
• Xe hơi
• Máy bay

Bốn đối tượng trên là lớp mà trình phân loại phải nhận biết. Để xây dựng một trình phân loại, bạn cần có một số dữ liệu làm đầu vào và gán nhãn cho nó. Thuật toán sẽ lấy những dữ liệu này, tìm một mẫu rồi phân loại vào lớp tương ứng.

Nhiệm vụ này được gọi là học có giám sát. Trong học có giám sát, dữ liệu huấn luyện mà bạn cung cấp cho thuật toán sẽ bao gồm một nhãn.

Việc đào tạo một thuật toán yêu cầu phải tuân theo một số bước tiêu chuẩn:

• Thu thập dữ liệu
• Huấn luyện bộ phân loại
• Đưa ra dự đoán

Bước đầu tiên là cần thiết, việc chọn đúng dữ liệu sẽ quyết định thuật toán thành công hay thất bại. Dữ liệu bạn chọn để huấn luyện mô hình được gọi là tính năng này. Trong ví dụ về đối tượng, các đặc điểm là các pixel của hình ảnh.

Mỗi hình ảnh là một hàng trong dữ liệu trong khi mỗi pixel là một cột. Nếu hình ảnh của bạn có kích thước 28×28, tập dữ liệu chứa 784 cột (28×28). Trong hình bên dưới, mỗi hình ảnh đã được chuyển thành một vectơ đặc trưng. Nhãn cho máy tính biết đối tượng trong ảnh là gì.

Mục tiêu là sử dụng những dữ liệu huấn luyện này để phân loại loại đối tượng. Bước đầu tiên bao gồm việc tạo các cột tính năng. Sau đó, bước thứ hai liên quan đến việc chọn thuật toán để huấn luyện mô hình. Khi quá trình đào tạo hoàn tất, mô hình sẽ dự đoán hình ảnh nào tương ứng với đối tượng nào.

Sau đó, có thể dễ dàng sử dụng mô hình để dự đoán hình ảnh mới. Đối với mỗi hình ảnh mới được đưa vào mô hình, máy sẽ dự đoán lớp đó thuộc về. Ví dụ: một hình ảnh hoàn toàn mới không có nhãn sẽ được đưa vào mô hình. Đối với con người, việc hình dung hình ảnh đó là một chiếc ô tô là điều tầm thường. Máy cũng sử dụng kiến ​​thức trước đó của mình để dự đoán hình ảnh là một chiếc ô tô.

Quá trình học sâu

Trong học sâu, giai đoạn học được thực hiện thông qua mạng nơ-ron. Mạng nơ-ron là một kiến ​​trúc trong đó các lớp được xếp chồng lên nhau.

Hãy xem xét ví dụ hình ảnh tương tự ở trên. Tập huấn luyện sẽ được đưa vào mạng lưới thần kinh

Mỗi đầu vào đi vào một nơron và được nhân với một trọng số. Kết quả của phép nhân sẽ chuyển sang lớp tiếp theo và trở thành đầu vào. Quá trình này được lặp lại cho mỗi lớp của mạng. Lớp cuối cùng được đặt tên là lớp đầu ra; nó cung cấp một giá trị thực tế cho nhiệm vụ hồi quy và xác suất của mỗi lớp cho nhiệm vụ phân loại. Mạng nơ-ron sử dụng thuật toán toán học để cập nhật trọng số của tất cả các nơ-ron. Mạng nơ-ron được huấn luyện đầy đủ khi giá trị của các trọng số cho kết quả đầu ra gần với thực tế. Ví dụ, một mạng lưới thần kinh được đào tạo tốt có thể nhận dạng đối tượng trên ảnh với độ chính xác cao hơn mạng lưới thần kinh truyền thống.

Tự động trích xuất tính năng bằng DL

Một tập dữ liệu có thể chứa hàng chục đến hàng trăm tính năng. Hệ thống sẽ học hỏi từ mức độ liên quan của các tính năng này. Tuy nhiên, không phải tất cả các tính năng đều có ý nghĩa đối với thuật toán. Một phần quan trọng của học máy là tìm ra một bộ tính năng phù hợp để khiến hệ thống học được điều gì đó.

Một cách để thực hiện phần này trong học máy là sử dụng tính năng trích xuất. Trích xuất tính năng kết hợp các tính năng hiện có để tạo ra một bộ tính năng phù hợp hơn. Nó có thể được thực hiện với PCA, T-SNE hoặc bất kỳ thuật toán giảm kích thước nào khác.

Ví dụ, khi xử lý ảnh, người thực hành cần trích xuất thủ công các đặc điểm có trong ảnh như mắt, mũi, môi, v.v. Những đặc điểm được trích xuất này sẽ được đưa vào mô hình phân loại.

Học sâu giải quyết vấn đề này, đặc biệt là đối với mạng nơ-ron tích chập. Lớp đầu tiên của mạng nơ-ron sẽ học các chi tiết nhỏ từ hình ảnh; các lớp tiếp theo sẽ kết hợp kiến ​​thức trước đó để tạo ra thông tin phức tạp hơn. Trong mạng nơ-ron tích chập, việc trích xuất đặc điểm được thực hiện bằng cách sử dụng bộ lọc. Mạng áp dụng bộ lọc cho hình ảnh để xem có sự trùng khớp hay không, tức là hình dạng của đặc điểm giống hệt với một phần của hình ảnh. Nếu có sự trùng khớp, mạng sẽ sử dụng bộ lọc này. Do đó, quá trình trích xuất đặc điểm được thực hiện tự động.

Tổng kết

Trí tuệ nhân tạo đang truyền đạt khả năng nhận thức cho máy móc. So sánh AI với Machine Learning, các hệ thống AI ban đầu sử dụng hệ thống khớp mẫu và hệ thống chuyên gia.

Ý tưởng đằng sau học máy là máy có thể học mà không cần sự can thiệp của con người. Máy cần tìm cách học cách giải quyết một nhiệm vụ dựa trên dữ liệu.

Deep learning là bước đột phá trong lĩnh vực trí tuệ nhân tạo. Khi có đủ dữ liệu để đào tạo, học sâu sẽ đạt được kết quả ấn tượng, đặc biệt là nhận dạng hình ảnh và dịch văn bản. Lý do chính là việc trích xuất tính năng được thực hiện tự động ở các lớp khác nhau của mạng.