Если вы постоянно пытаетесь понять разницу между машинным обучением и глубоким обучением, прочитайте эту статью, и я объясню вам различия простым языком.
Машинное обучение и глубокое обучение становятся все более популярными. Внезапно все говорят о машинном обучении и глубоком обучении, знают они об этом или нет. Независимо от того, активно ли вы занимаетесь наукой о данных или нет, вы, вероятно, слышали об этих двух терминах.
Чтобы показать, насколько они популярны, я провел поиск в Google по следующим ключевым словам:
Если вы хотите понять разницу между машинным обучением и глубоким обучением, прочтите эту статью, я расскажу вам о разнице между ними простым языком. Термины машинного обучения и глубокого обучения подробно объясняются ниже. И я сравнил разницу между ними, не объясняя их соответствующие сценарии использования.
Что такое машинное обучение и глубокое обучение?
Начнем с основ: что такое машинное обучение? и что такое глубокое обучение? Если вы уже знаете это, не стесняйтесь пропустить этот раздел.
Что такое машинное обучение?
Короче говоря, наиболее часто цитируемое определение машинного обучения лучше всего объясняет Том Митчелл. Вот что в нем:
«Компьютерная программа может усвоить опыт E, учитывая некоторый класс задач T и показатель производительности P, и если ее производительность при выполнении задачи T измеряется P, она улучшается с опытом E».
Это звучит запутанно для чтения? Давайте разберем это описание на простом примере.
Пример 1. Машинное обучение и оценка веса на основе роста человека
Предположим, вы хотите создать систему, которая может оценивать вес по росту человека (возможно, вас это по какой-то причине интересует). Затем вы можете использовать машинное обучение, чтобы найти любые возможные ошибки и ошибки в сборе данных, сначала вам нужно собрать некоторые данные, давайте посмотрим, как выглядят ваши данные:
Каждая точка на графике соответствует фрагменту данных, и мы можем провести простую диагональную линию, чтобы предсказать вес на основе роста.
Например, этот слеш:
Weight (in kg) = Height (in cm) - 100
... косые черты помогают нам делать прогнозы, и хотя эти косые черты великолепны, нам нужно понять, как они себя ведут, мы хотим уменьшить ошибку между прогнозом и фактическим, что также является мерой его производительности.
На более глубоком уровне чем больше данных мы собираем (испытываем), тем лучше будет модель. Мы также можем уточнить нашу модель, добавив дополнительные переменные (например, пол) и добавив различные прогнозируемые наклоны.
Пример 2: Система прогнозирования ураганов
Давайте найдем более сложный пример. Если вы хотите построитьСистема прогноза ураганов. Предположим, у вас есть данные обо всех предыдущих ураганах и информация о погоде за первые три месяца этого урагана.
Если бы нам пришлось вручную создавать систему прогнозирования ураганов, что бы мы делали?
Прежде всего, наша задача — очистить все данные, чтобы найти закономерности в данных и найти условия, вызывающие ураган.
Мы можем либо вводить данные об условиях модели (например, температура выше 40 градусов, влажность 80-100 и т. д.) в нашу систему для генерации вывода, либо мы можем позволить нашей системе генерировать соответствующий вывод через эти данные об условиях.
Мы можем передать все предыдущие данные в систему, чтобы предсказать, будет ли ураган в будущем. Основываясь на значениях условий нашей системы, оцените производительность системы (количество раз, когда система правильно предсказывает ураганы). Мы можем продолжать повторять вышеуказанные шаги несколько раз с прогнозами системы в качестве обратной связи.
Давайте определим нашу систему прогнозирования в соответствии с предыдущим объяснением: наша задача состоит в том, чтобы определить метеорологические условия, которые могут вызвать ураган. Производительность P показывает, сколько раз ураган предсказывается правильно при всех заданных условиях системы. Опыт E — это количество итераций нашей системы.
Что такое глубокое обучение?
Концепция глубокого обучения не нова. Он существует уже несколько лет. Но при всей существующей шумихе глубокому обучению уделяется все больше и больше внимания. Как и в машинном обучении, давайте сначала рассмотрим глубокое обучение.официальное определение, а затем объясните на примере.
«Глубокое обучение — это особый вид машинного обучения, который достигает большой мощности и гибкости за счет обучения представлению мира с использованием вложенных иерархий понятий, где каждое понятие определяется как связанное с простыми понятиями, а более абстрактное представление вычисляется в менее абстрактном виде. способ."
Это также немного сбивает с толку. Давайте разберем эту концепцию на простом примере.
Пример 1: Обнаружение формы
Давайте начнем с простого примера, чтобы объяснить, что происходит на концептуальном уровне. Давайте попробуем посмотреть, как отличить квадраты от других фигур.
Первое, что у нас на глазах, это проверить, есть ли на графике четыре линии (простая концепция). Если мы находим такие четыре линии, мы дополнительно проверяем, что они соединены, замкнуты и перпендикулярны друг другу, и что они равны (иерархия вложенных понятий).
Итак, мы взяли сложную задачу (определение квадрата) и сделали ее простой, менее абстрактной задачей. Глубокое обучение, по сути, выполняет аналогичную логику в масштабе.
Пример 2: Кошка против Собаки
Давайте возьмем пример распознавания животных, когда наша система должна определить, является ли животное на данном изображении кошкой или собакой.Прочтите эту статью,чтобы увидеть, насколько глубокое обучение на шаг опережает машинное обучение в решении таких задач.
машинное обучение против глубокого обучения
Теперь, когда у вас есть представление о машинном обучении и глубоком обучении, мы изучим некоторые основные моменты и сравним эти два метода.
зависимость данных
Основное различие между глубоким обучением и традиционным машинным обучением заключается в том, что его производительность продолжает расти по мере увеличения масштаба данных. Алгоритмы глубокого обучения плохо работают, когда данных мало. Это связано с тем, что алгоритму глубокого обучения требуется много данных, чтобы полностью его понять. С другой стороны, в этом случае лучше будут работать традиционные алгоритмы машинного обучения, использующие установленные правила. Рисунок ниже суммирует этот факт.
аппаратная зависимость
Алгоритмы глубокого обучения требуют большого количества матричных операций, а графические процессоры в основном используются для эффективной оптимизации матричных операций, поэтому графические процессоры являются необходимым оборудованием для правильной работы глубокого обучения. По сравнению с традиционными алгоритмами машинного обучения, глубокое обучение больше зависит от высокопроизводительных компьютеров с установленными графическими процессорами.
Обработка функций
Обработка функцийЭто процесс помещения знаний предметной области в средство извлечения признаков, чтобы уменьшить сложность данных и создать лучшие шаблоны для работы алгоритма обучения. Процесс обработки признаков занимает много времени и требует опыта.
В машинном обучении функции большинства приложений должны быть определены экспертами, а затем закодированы как тип данных.
Функции могут быть значениями пикселей, формами, текстурами, местоположениями и ориентациями. Производительность большинства алгоритмов машинного обучения зависит от точности извлеченных признаков.
Глубокое обучение пытается получить функции высокого уровня непосредственно из данных, что является основным отличием глубокого обучения от традиционных алгоритмов машинного обучения. Исходя из этого, глубокое обучение сокращает работу по разработке экстракторов признаков для каждой проблемы. Например,Сверточная нейронная сетьПопробуйте изучить низкоуровневые функции (границы, линии) в предыдущих слоях, затем изучить частичные лица, а затем описания лиц высокого уровня. Более подробную информацию можно прочитатьИнтересные применения нейросетевых машин в глубоком обучении.
решение проблем
При применении традиционных алгоритмов машинного обучения для решения проблем традиционное машинное обучение обычно разбивает проблему на несколько подзадач и решает подзадачи одну за другой и, наконец, объединяет результаты всех подзадач для получения окончательного результата. Вместо этого глубокое обучение выступает за прямое сквозное решение проблем.
Например:
Предположим, естьОбнаружение нескольких объектовЗадача требует тип объектов на изображении и положение каждого объекта на изображении.
Традиционное машинное обучение разбивает проблему на два этапа: обнаружение объектов и распознавание объектов. Сначала используйте алгоритм обнаружения ограничивающей рамки для сканирования всего изображения, чтобы найти области, которые могут быть объектами, а затем используйте алгоритм распознавания объектов (например, SVM в сочетании с HOG), чтобы идентифицировать объекты, обнаруженные на предыдущем шаге.
Напротив, глубокое обучение напрямую работает с входными данными для получения выходного результата. Например, вы можете напрямую передать изображение вСеть YOLO(алгоритм глубокого обучения), сеть YOLO выдаст объекты и имена на картинке.
время исполнения
Как правило, обучение алгоритма глубокого обучения занимает много времени. Это связано с тем, что в алгоритме глубокого обучения много параметров, поэтому обучение алгоритма занимает больше времени. самый продвинутыйАлгоритм глубокого обучения ResNetПолное обучение занимает две недели, в то время как обучение машинному обучению займет относительно небольшое количество времени, всего от нескольких секунд до нескольких часов.
Но сроки двух испытаний совершенно противоположны. Алгоритмы глубокого обучения требуют очень мало времени для запуска при тестировании. если сk-nearest neighbors(алгоритм машинного обучения), время тестирования увеличивается с увеличением объема данных. Однако это не относится ко всем алгоритмам машинного обучения, поскольку некоторые алгоритмы машинного обучения также имеют короткое время тестирования.
интерпретируемость
Важно отметить, что мы включаем интерпретируемость как фактор при сравнении машинного обучения и глубокого обучения.
Давайте посмотрим на пример. Предположим, мы применяем глубокое обучение для автоматической оценки статей. Глубокое обучение может достичь стандартов, близких к человеческим, что является довольно поразительной производительностью. Но есть проблема. Алгоритм глубокого обучения не скажет вам, почему он дает такой балл. Конечно, математически можно узнать, какой узел глубокой нейронной сети активирован. Но мы не знаем, какими должны быть модельные нейроны, и мы не знаем, что эти слои нейронов будут делать вместе. Поэтому нет никакого способа объяснить, как были получены результаты.
С другой стороны, чтобы объяснить, почему алгоритм выбирает именно этот путь, можно использовать что-то вроде дерева решений (decision trees), чтобы алгоритм машинного обучения давал четкие правила, чтобы было легко объяснить причину решения. Следовательно, деревья решений и линейные/логистическая регрессияТакие алгоритмы в основном используются для интерпретируемости в промышленности.