Глубокое обучение против машинного обучения

На заре компьютеров ученые в основном использовали их для выполнения простых математических и логических операций. Затем компьютеры медленно эволюционировали, чтобы выполнять сложные вычисления, решать сложные задачи и формировать информационную основу мира. Выход за рамки традиционных вычислений означал, что компьютеру нужен интеллект.

Исследователи и компьютерные инженеры обратились к имитации человеческого интеллекта. Искусственный интеллект (ИИ) - это область компьютерных наук, посвященная созданию вычислительных систем, интеллектуальных, как человеческие существа. Первоначальные модели ИИ были вычислительными системами, которые выполняли сложные логические операции. Позже были разработаны более совершенные методы для выполнения более умных или «интеллектуальных» задач.

Два наиболее часто используемых термина в ИИ - это машинное обучение и глубокое обучение. В этой статье рассматривается происхождение этих двух методов, их общие черты и различия.

Глубокое обучение и машинное обучение

Машинное обучение и глубокое обучение - это разновидности ИИ. В общем, глубокое обучение - это подмножество машинного обучения. Это означает, что все глубокое обучение - это машинное обучение, но не все машинное обучение - это глубокое обучение. Чтобы понять разницу между ними, термин "машинное обучение" исключает глубокое обучение до конца этой статьи.

Рисунок 1. Графика, показывающая, как ИИ, машинное обучение и глубокое обучение связаны друг с другом. Изображение любезно предоставлено Avimanyu786

Машинное обучение

Машинное обучение анализирует большой объем данных, чтобы понять характеристики обучающего набора данных. То, что было извлечено из набора обучающих данных, применяется к другим наборам данных для принятия «разумных» решений. Модели, созданные с помощью набора обучающих данных, могут работать с другими аналогичными наборами данных для получения желаемого результата.

Набор обучающих данных для моделей машинного обучения должен быть помечен, а разработчики должны контролировать и корректировать процесс обучения по мере обучения новой модели. Помимо базовых вычислений, для обучения моделей машинного обучения активно используются статистические модели.

Отличие кошек от собак - распространенный пример в искусственном обучении. Ниже приводится обзор того, как модели машинного обучения обучаются с использованием данных.

В обучающую модель загружены тысячи изображений кошек и собак. Каждое из этих изображений помечено либо «кошка», либо «собака». Обучаемая модель определяет характеристики по изображениям, которые позволяют различать кошек, собак и другие предметы. Черты идентифицируются по изображениям с использованием статистических методов. После обучения модели с использованием достаточного количества данных в нее загружаются немаркированные изображения. Если обученная модель может успешно различать изображения кошек и собак с желаемой точностью, это успешная модель машинного обучения.

Глубокое обучение

Глубокое обучение - это эволюция обычного машинного обучения. Люди не учатся на тысячах размеченных примеров; они обучаются автоматически, без особой внешней помощи или подтверждения. Глубокое обучение приближает машинное обучение к этой модели интеллектуального обучения.

Модели глубокого обучения также необходимо обучать с большим объемом данных, но модели не обучаются с помеченными данными. Все данные, передаваемые в модель глубокого обучения, не помечены. Модель идентифицирует различные элементы данных, чтобы дать требуемый результат.

Рисунок 2 Визуальное представление нейронных сетей, используемых в сельском хозяйстве.

В моделях глубокого обучения для обучения на основе данных используются сложные математические системы, называемые нейронными сетями. Он содержит несколько уровней математических функций с разными весами. «Глубокое» в термине «глубокое обучение» связано с этими уровнями обработки.

Давайте рассмотрим, как модели глубокого обучения помогают различать кошек и собак. Нейронная сеть загружается множеством немаркированных изображений кошек и собак. Нейронная сеть должна выяснить, есть ли на изображениях два набора животных, а затем определить, как их различать. Никаких помеченных данных или контроля со стороны разработчиков не требуется.

После успешного обучения модель сможет различать любое количество изображений кошек и собак.

Сравнение машинного обучения и глубокого обучения

В следующей таблице представлено быстрое сравнение различий между машинным обучением и глубоким обучением. Имейте в виду, что глубокое обучение исключено из термина машинное обучение для этого сравнения, хотя глубокое обучение является подмножеством машинного обучения.

	Машинное обучение	Глубокое обучение
Данные обучения	Помеченные данные	Данные без ярлыков
Надзор	Обучение с учителем	Обучение без учителя
Техники	В основном статистические методы	Расширенные математические функции
Объем данных	Требуется относительно меньше данных для обучения	Требуется очень большой объем данных
Точность	Относительно низкая точность	Более высокая точность при большом объеме данных
Время обучения	Относительно меньше	Очень долгое время обучения

Рисунок 3 Таблица сравнения машинного обучения и глубокого обучения.

Промышленные приложения для глубокого обучения

И машинное обучение, и глубокое обучение имеют промышленные приложения. Глубокое обучение можно использовать во всех приложениях, которые можно реализовать с помощью машинного обучения. Но глубокое обучение требует большего опыта, гораздо большего объема данных, большей вычислительной мощности и времени. Из-за этих факторов выбор между обоими методами включает рассмотрение множества факторов.

Когда требуется более высокая точность, предпочтительны модели глубокого обучения. Однако для достижения более высокой точности с моделями глубокого обучения необходимо обрабатывать очень большой объем данных, что требует гораздо более длительного периода обучения. В большинстве случаев алгоритмы машинного обучения можно использовать в повседневной жизни.

Еще одна общая характеристика, которую следует учитывать, - это сложность проблемы. По мере увеличения сложности модели глубокого обучения работают лучше, чем модели машинного обучения. Тем не менее, нет четких правил относительно того, где использовать эту технику. Например, машинного обучения достаточно для анализа и прогнозирования энергопотребления на заводе. Однако этого недостаточно для создания автоматизированной системы контроля качества - в таких сценариях необходимы алгоритмы глубокого обучения.

Сегодня машинное обучение намного доступнее, чем глубокое обучение, даже в отрасли. Но со временем модели глубокого обучения улучшатся, сократит затраты на внедрение и барьеры для входа, а это означает, что больше вычислительной мощности будет доступно по более низкой цене. Распространение глубокого обучения в отрасли со временем будет расти.