Приветствую всех вОблако Tencent + сообщество, получить больше крупной технической практики Tencent по галантерее ~
Эта статья написанаliuxuewen Опубликован вКолонка «Облако + сообщество»
В этой статье мы рассмотрим различия между глубоким обучением и машинным обучением. Мы рассмотрим их один за другим, а затем обсудим, чем они отличаются по-разному. Помимо сравнения глубокого обучения и машинного обучения, мы также рассмотрим их будущие тенденции и направления.
Введение в глубокое обучение и машинное обучение
1. Что такое машинное обучение?
Обычно для достижения искусственного интеллекта мы используем машинное обучение. У нас есть несколько алгоритмов машинного обучения. Например:
Алгоритм поиска-S
Деревья решений
Случайные леса
Искусственные нейронные сети
Как правило, существует 3 типа алгоритмов обучения:
1. Для прогнозирования используются контролируемые алгоритмы машинного обучения. Кроме того, алгоритм ищет закономерности в метках значений, назначенных точкам данных.
2. Алгоритмы машинного обучения без присмотра. С точками данных не связаны никакие метки. Эти алгоритмы машинного обучения организуют данные в набор кластеров. Кроме того, ему необходимо описать свою структуру, чтобы сложные данные выглядели простыми, организованными и удобными для анализа.
3. Алгоритмы расширенного машинного обучения: мы используем эти алгоритмы для выбора действий. Кроме того, мы видим, что он основан на каждой точке данных. Через некоторое время алгоритм меняет свою стратегию, чтобы лучше учиться.
2. Что такое глубокое обучение?
Машинное обучение фокусируется только на решении реальных проблем. Это также требует некоторого умного мышления. Машинное обучение работает через нейронные сети, предназначенные для имитации способностей человека принимать решения. Инструменты и методы машинного обучения — это два ключевых узких подмножества глубокого обучения, которые нам необходимо использовать для решения проблем, требующих мышления. Любая глубокая нейронная сеть будет содержать три типа слоев:
входной слой
скрытый слой
выходной слой
Можно сказать, что глубокое обучение — это новейшая область в области машинного обучения. Это один из способов реализации машинного обучения.
Глубокое обучение и машинное обучение
Мы используем машинные алгоритмы для анализа данных, обучения на основе данных и принятия обоснованных решений на основе того, что мы узнали. По сути, глубокое обучение используется для создания искусственных «нейронных сетей», которые могут обучаться и самостоятельно принимать обоснованные решения. Можно сказать, что глубокое обучение — это подполе машинного обучения.
машинное обучение против глубокого обучения
зависимость данных
Производительность является основным ключевым отличием между двумя алгоритмами. Однако алгоритмы глубокого обучения плохо работают, когда данных мало. Вот почему алгоритмы глубокого обучения требуют большого количества данных для полного понимания.
Однако в этом случае мы видим использование алгоритмов и их правил, созданных вручную. График выше суммирует этот факт.
аппаратная зависимость
Как правило, глубокое обучение опирается на высокопроизводительные машины, тогда как традиционное обучение опирается на недорогие машины. Следовательно, требования к глубокому обучению включают графические процессоры. Это неотъемлемая часть его работы. Они также делают много матричного умножения.
Рекомендуемая инженерия
Это общий процесс. Здесь знание предметной области используется для создания экстракторов признаков, которые уменьшают сложность данных и делают шаблоны более наглядными, чтобы понять, как работает алгоритм. Хотя справиться с этим очень сложно. Поэтому требуется много опыта и времени.
способ решения проблемы
Обычно мы используем традиционные алгоритмы для решения задач. Однако это требует разбиения проблемы на разные части, чтобы решать их по отдельности. Чтобы получить результат, объедините их все.
Например:
Предположим, у вас есть задача обнаружения нескольких объектов. В этой задаче мы должны определить, что это за объект и где он находится на изображении. В подходе машинного обучения мы должны разделить проблему на два этапа:
1. Обнаружение объекта
2. Распознавание объектов
Во-первых, мы используем алгоритм захвата для просмотра изображения и поиска всех возможных объектов. Затем из всех распознанных объектов вы будете использовать алгоритмы распознавания объектов, такие как SVM и HOG, для идентификации связанных объектов.
время выполнения время обработки
Как правило, глубокое обучение требует больше времени для обучения, чем машинное обучение. Основная причина в том, что в алгоритмах глубокого обучения слишком много параметров. Машинное обучение требует меньше времени для обучения.
объяснительный
Мы используем интерпретируемость как фактор для сравнения двух методов обучения. Тем не менее, глубокое обучение рассматривается 10 раз, прежде чем его используют в промышленности.
Где применяются машинное обучение и глубокое обучение?
Компьютерное зрение: мы используем его для различных приложений, таких как распознавание номерных знаков и распознавание лиц.
Поиск информации: мы используем ML и DL для таких приложений, как поисковые системы, текстовый поиск и поиск изображений.
Маркетинг: мы используем этот метод обучения в автоматизированном электронном маркетинге и идентификации целей.
Медицинская диагностика: он также имеет широкий спектр применения в области медицины. Такие приложения, как идентификация рака и обнаружение аномалий.
Обработка естественного языка: идеально подходит для анализа настроений, пометки фотографий, онлайн-рекламы и многого другого.
Будущие тенденции
Сегодня в тренде машинное обучение и наука о данных. Среди компаний спрос на них быстро растет. Они особенно востребованы у компаний, стремящихся выжить, интегрируя машинное обучение в свой бизнес.
Глубокое обучение было обнаружено и доказано, что оно имеет самые современные методы производительности. Поэтому глубокое обучение удивило нас и продолжит делать это в ближайшем будущем.
В последнее время исследователи изучают машинное обучение и глубокое обучение. В прошлом исследователи были ограничены научными кругами. Однако сегодня исследования в области машинного обучения и глубокого обучения набирают популярность как в промышленности, так и в научных кругах.
в заключении
Мы рассмотрели глубокое обучение и машинное обучение и посмотрели, как они сравниваются. Мы также изучаем изображения для лучшего выражения и понимания. Если у вас есть какие-либо вопросы, не стесняйтесь задавать их в разделе комментариев.
Оригинальное название «Машинное обучение против глубокого обучения»,
Автор: Шаилна Патидар
Переводчик: Се Цзыцяо
Он не отражает точку зрения сообщества Yunjia. Для получения более подробной информации, пожалуйста, проверьтеОригинальная ссылка
вопросы и ответы
Каковы приложения глубокого обучения в Tencent Cloud?
Связанное Чтение
В чем разница между искусственным интеллектом и машинным обучением
Построение визуальной системы ответов на вопросы на основе tensorflow
Эта статья была разрешена автором для публикации в сообществе Tencent Cloud + Для получения дополнительных оригинальных текстов, пожалуйстанажмите
Найдите и подпишитесь на общедоступную учетную запись «Сообщество Yunjia», как можно скорее получите технические галантереи и ответьте на 1024 после подписки, чтобы отправить вам подарочный пакет технических курсов!
Огромный технический практический опыт, все вСообщество Юнцзя!