Чим відрізняється машинне навчання від глибокого навчання?

Чи може хтось пояснити мені різницю між машинним та глибоким навчанням? Чи можна навчитися глибокому навчанню, не знаючи машинного навчання?

Глибоке навчання - це специфічна різноманітність конкретного типу машинного навчання. Так що можна дізнатися про глибоку навчанні без вивчення всього машинного навчання, але це вимагає навчання деякі машинного навчання (тому що це якийсь - то машини навчання).

Машинне навчання відноситься до будь-якої методики, яка зосереджена на навчанні машини, як вона може засвоїти статистичні параметри з великої кількості даних про навчання. Один особливий тип машинного навчання - це штучні нейронні мережі, які вивчають мережу нелінійних перетворень, здатних наближати дуже складні функції широких масивів вхідних змінних. Останні досягнення в галузі штучних нейронних мереж пов'язані з тим, як тренувати глибокі нейронні мережі, які мають більше шарів, ніж звичайні, а також особливу структуру для вирішення проблем вивчення більшої кількості шарів.

Глибоке навчання - одна з форм машинного навчання.

Глибоке навчання стосується навчання з глибокими нейронними мережами, по суті мережами з багатьма шарами.

Нейронні мережі - це одна група багатьох форм машинного навчання:

• Нейронні мережі
• Дерева рішень та випадкові ліси
• Підтримка векторних машин
• Байєсівські підходи
• k-найближчі сусіди

Настільки прийнятні, як можуть бути включення, представлені вищевказаною діаграмою Венна, це не є ні надзвичайно показовим, ні точним.

Терміни «Штучний інтелект», «Машинне навчання» та «Поглиблене навчання», хоча і не є брендами, також не зовсім наукові. Це парасолькові терміни, названі людьми з особливою перспективою фінансування, комунікацій та відомств під час опублікування термінів, які затримуються.

Крім того, порядок речей невірний. Те, що сьогодні називається штучним інтелектом, було багатовіковою метою використання машин для автоматизації розумових дій, які в ті часи вимагали уваги людини і, можливо, розширювали розумові здібності людини завдяки цій автоматизації. Це бачення виникло задовго до переключення теорії схеми та інформації та, отже, до інформатики.

Отже, інформатика є насправді підмножиною цього бачення ШІ і наступного до нього.

Глибоке навчання - це термін, заснований на хиткій та надто спрощеній ідеї, що існує залежність між кількістю шарів у штучній мережі та глибиною абстрагування, якого може досягти шар. Оскільки підрахунок комірок активації в шарі отримав назву ширини шару, вибір глибини був обраний для вираження розміру кількості шару. Це дивно, тому що типова діаграма зображує кількість комірок на шар як висоту, кількість шарів як ширину, а діаграма не має глибини, оскільки вона є 2-D. Але це не справжнє питання. Немає наукової основи для глибини мережі та глибини абстрагування, лише хитрощі, і в галузі комп'ютерного зору є чимало доказів того, що це не так просто.

Ця наступна діаграма Венна також не є ні авторитетною, ні ідеально репрезентативною, але деякі проблеми із вищезгаданою ремонтуються. Незважаючи на те, що він відповідає на питання більш розумно з декількох аспектів, проблеми у виборі слова на жаргоні зазвичай ніколи не виправляються без значного поштовху, і цього поста майже не вистачить.

Коли я запустив глави машини «Леранінг» у книзі, виглядав так

• I) Підконтрольний:

  1. Регресія

     • Лінійні моделі

  2. Класифікація

     • Логестична регресія
     • Нейронна мережа
     • Трес-рішення та випадковий ліс
     • Підвищення та перенесення
     • SVD і SVM

• II) Непідконтрольне навчання:

  1. Кластеризація

     • K-засоби
     • Ієрархічна
     • Модель суміші Гаусса
     • Сканування БД

  2. Асоціаційне навчання.

• III) Інформаційне навчання:

Раптом глава I> 2> b створила власне підполе. Ну, щоб знати чому, дозвольте розповісти вам трохи історії. Machine learningслово було введено в 1959 році Артуром Самуелем, щоб позначити цеmachines were able to learn from data ніж чітке вказівка. Спочатку це було розбито на дві групи, грунтуючись на тому, чи потрібен цей підхід, дані про етикетки чи ні (тобто регресія, класифікація), тоді вони зрозуміли, що ми можемо перетворити їх на кластеризацію, що також породило непідвладний характер. І навчання підкріплення слів народилося натхненно сферами теорії ігор. Нехай ці деталі залишаються осторонь для подальшого.

Наближаючись до глибокого навчання, слово deep learningз’явилося зовсім недавно, нещодавно, як 2008 року, на конференції Джеффа Гінтона. Там люди почали використовувати його для позначення дуже глибокої нейромережевої архітектури, що використовується в роботі, представленій Джеффом Гінтоном, і з цього моменту вона стала на зразок нового способу класифікації машинного навчання, крім того supervised, unsupervisedабоreinforcement (диск :. Там може бути непарною посилання виклик NN як DL перед цим, але не настільки популярний і прийнятний до цього)

Ну, я інколи відчуваю, що ім'я deep learningє дещо неправильним, було б краще, якби воно було названо як, neural learningабо, можливо, наголосити на глибині deep neural learning. Якщо ви новачок, вам може бути цікаво, про яку глибину я говорю, все глибоке слово походить від того, що нейронна мережа (завдяки наявності високих можливостей обробки графічних процесорів) тепер змогла успішно тренуватися на декількох шарах. Слово глибоке також може невміло вживатись для включення інших ненейронних мережевих областей машинного навчання, що вимагає численних обчислень, таких як deep belief netабо recurrent net. Якщо бути точним, одиниці мереж сьогодні вже не є простою neuronчи а perceptron, може бути LSTM, GRUабо a capsule, тому я думаю, слово deepзараз має більше сенсу, ніж раніше.

Ось основне визначення machine learning:

"Алгоритми, які аналізують дані, вивчають ці дані, а потім застосовують те, що вони навчились приймати обґрунтовані рішення"

Простий приклад алгоритму машинного навчання - послуга потокового перекладу музики на замовлення. Щоб сервіс прийняв рішення про те, які нові пісні або виконавці рекомендувати слухачеві, алгоритми машинного навчання асоціюють уподобання слухача з іншими слухачами, які мають схожий музичний смак.

Машинне навчання споживає всілякі автоматизовані завдання та охоплює різноманітні галузі, починаючи від фірм, що займаються безпекою даних, і шукають зловмисне програмне забезпечення до фінансування професіоналів, які шукають сприятливих торгів. Вони розроблені так, щоб працювати як віртуальні особисті помічники, і вони працюють досить добре.

На практиці deep learningце лише підмножина машинного навчання. Технічно це машинне навчання і функціонує аналогічно (отже, чому терміни іноді вільно змінюються), але його можливості різні.

Основні моделі машинного навчання стають прогресивно кращими незалежно від їх функцій, але вони все ще мають деякі вказівки. Якщо алгоритм ML повертає неточне прогнозування, то інженеру потрібно вступити та внести корективи. Але за допомогою моделі глибокого навчання алгоритми можуть визначати самостійно, чи прогноз точний чи ні.

Глибоке навчання - це підмножина машинного навчання.

Машинне навчання та глибоке навчання - це не дві різні речі. Глибоке навчання - одна з форм машинного навчання. Рівень шарів в нейронній мережі все більше і більше поглиблене навчання є частиною глибокого навчання.

«Глибоке навчання - це особливий вид машинного навчання, який досягає великої сили та гнучкості, навчаючись уявляти світ як вкладену ієрархію понять, при цьому кожна концепція визначається стосовно простіших понять, і більш абстрактні уявлення, що обчислюються з точки зору менш абстрактних. "