Makine öğrenimi ile derin öğrenme arasındaki fark nedir?

Birisi bana makine öğrenimi ile derin öğrenme arasındaki farkı açıklayabilir mi? Makine öğrenmesini bilmeden derin öğrenmeyi öğrenmek mümkün müdür?

Derin öğrenme, belirli bir tür makine öğreniminin spesifik bir çeşididir. Bu nedenle, tüm makine öğrenmesini öğrenmeden derin öğrenme hakkında bilgi edinmek mümkündür, ancak bazı makine öğrenmesini öğrenmeyi gerektirir (çünkü bazı makine öğrenmesi).

Makine öğrenimi, makineye çok sayıda eğitim verisinden istatistiksel parametreleri nasıl öğrenebileceğini öğretmeye odaklanan herhangi bir tekniği ifade eder. Belirli bir makine öğrenimi türü, giriş değişkenlerinin geniş dizilerinin çok karmaşık işlevlerine yaklaşık olarak yaklaşabilen doğrusal olmayan dönüşümler ağını öğrenen yapay sinir ağlarıdır. Yapay sinir ağlarındaki son gelişmeler , normalden daha fazla katmana ve daha fazla katman öğrenme zorluklarıyla başa çıkmak için özel bir yapıya sahip olan derin sinir ağlarının nasıl eğitileceği ile ilgilidir.

Derin öğrenme, makine öğrenmesinin bir biçimidir.

Derin öğrenme, derin sinir ağları ile öğrenmeyi, aslında birçok katmanı olan ağları ifade eder.

Sinir ağları, makine öğreniminin birçok biçiminin bir grubudur:

• Nöral ağlar
• Karar Ağaçları ve Rasgele Ormanlar
• Vektör makineleri desteklemek
• Bayesci Yaklaşımlar
• k-en yakın komşular

Yukarıdaki Venn diyagramı tarafından temsil edilen inklüzyonlar kabul edilebilir olduğu sürece, ne dikkat çekici bir şekilde anlatır ne de doğrudur.

Yapay Zeka, Makine Öğrenimi ve Derin Öğrenme terimleri, markaların tam olarak bilimsel olmasa da. Bunlar, sıkışmış şartları yayınladıkları sırada belirli finansman, iletişim ve departman perspektiflerine sahip kişiler tarafından adlandırılan şemsiye terimlerdir.

Dahası, şeylerin sırası yanlıştır. Günümüzde yapay zeka denilen şey, o günlerde insanın dikkatini gerektiren ve belki de otomasyon yoluyla insan zihinsel yeteneklerini genişleten zihinsel aktiviteleri otomatikleştirmek için makineleri kullanma yüzyıllardır. Bu vizyon, devre ve bilgi teorisini değiştirmeden çok önce ve dolayısıyla bilgisayar biliminden önce ortaya çıktı.

Sonuç olarak, bilgisayar bilimi aslında bu AI vizyonunun ve onu izleyen bir alt kümedir.

Derin öğrenme yapay bir ağdaki katman sayısı ile katmanın elde edebileceği soyutlama derinliği arasında bir korelasyon olduğu güvencesiz ve aşırı basitleştirilmiş fikre dayanan bir terimdir. Bir katmandaki aktivasyon hücrelerinin sayısına katman genişliği denildiği için, derinlik seçimi katman miktarının boyutunu ifade etmek için seçilmiştir. Bu tuhaftır, çünkü tipik diyagramlama katman başına hücre sayısını yükseklik, katman sayısı genişlik olarak gösterir ve diyagram 2-D olduğu için derinliğe sahip değildir. Ama asıl mesele bu değil. Bir ağın derinliği ve soyutlamanın derinliği için bilimsel bir temel yoktur, sadece bir önsezi vardır ve bilgisayar görme alanında bu kadar basit olmadığına dair önemli kanıtlar vardır.

Bu sonraki Venn şeması ne yetkili ne de mükemmel bir temsili değildir, ancak yukarıdakilerle ilgili bazı sorunlar onarılmıştır. Soruyu çeşitli açılardan daha akıllıca cevaplasa da, jargonda kelime seçimindeki sorunlar genellikle önemli bir itme olmadan asla düzeltilmez ve bu yazı neredeyse yeterli olmaz.

Kitaptaki Machine Leraning bölümlerine başladığımda eskiden böyle görünüyordu

• I) Denetlenen:

  1. gerileme

     • Doğrusal modeller

  2. sınıflandırma

     • Logestik Regresyon
     • Sinir ağı
     • Karar Çukuru ve Rastgele Orman
     • Takviye ve Torbalama
     • SVD ve SVM

• II) Denetimsiz Öğrenme:

  1. Kümeleme

     • K-Means
     • Hiyerarşik
     • Gauss Karışım Modeli
     • DB Tarama

  2. Dernek Öğrenimi.

• III) Yeniden Öğrenme:

Ani bir bölüm I> 2> b kendi başına bir alt alan yarattı. Nedenini bilmek, size biraz tarih anlatayım. Machine learning1959 yılında machines were able to learn from dataaçık bir talimattan ziyade Arthur Samuel tarafından bu kelimeyi ortaya attı . Başlangıçta, bu yaklaşımın etiket verilerinin gerekip gerekmediğine (yani regresyon, sınıflandırma) dayanarak iki gruba ayrıldı, daha sonra denetimsiz doğuran kümelenme yoluyla da cassify yapabileceğimizi fark ettiler. Ve kelime güçlendirme öğrenme oyun teorisi alanlarından esinlenerek doğdu. Bu detayları daha sonra bir kenara bırakalım.

Derin öğrenmeye gelince, söz deep learningson zamanlarda bir Geoff Hinton konferansından 2008 kadar yakın bir zamanda geldi. Orada insanlar yanında öğrenme makinesi sınıflandırmak için yeni bir yolu olarak oldu Geoff Hinton tarafından sunulan bir yazısında ve nazik itibaren onu o andan itibaren kullanılan çok derin sinir ağı mimarisi göstermek için onu kullanmaya başladı supervised, unsupervisedya dareinforcement . (Disc: garip referans olabilir bundan önce NN'yi DL olarak çağırmak, ancak bundan önce çok popüler ve kabul edilemez)

Bazen adın deep learningbiraz yanlış olduğunu hissediyorum, neural learningbelki derinliği vurgulamak veya adlandırmak daha iyi olurdu deep neural learning. Eğer yeniyseniz, hangi derinlikten bahsettiğimi merak ediyor olabilirsiniz, tüm derin kelime sinir ağının (GPU'ların yüksek işleme yeteneklerinin kullanılabilirliği sayesinde) artık çoklu katmanlar üzerinde başarılı bir şekilde eğitilebildiği gerçeğinden geldi. Derin kelimesi, deep belief netya da gibi birçok hesaplama gerektiren makine öğreniminin diğer sinirsel olmayan ağ alanlarını içermek için de gevşek bir şekilde kullanılabilir recurrent net. Kesin olarak, bugün ağların birimleri artık sadece neuronya da bir perceptrondeğil LSTM, GRUya da bir olabilir capsule, bu yüzden sanırım kelime deepşimdi eskisinden daha anlamlı.

İşte temel bir tanım machine learning:

“Verileri ayrıştıran, bu verilerden öğrenen ve daha sonra bilgili kararlar vermek için öğrendiklerini uygulayan algoritmalar”

Makine öğrenimi algoritmasına kolay bir örnek, isteğe bağlı müzik akışı hizmetidir. Hizmetin dinleyiciye hangi yeni şarkıların veya sanatçıların önereceği konusunda karar vermesi için, makine öğrenme algoritmaları dinleyicinin tercihlerini benzer müzik zevkine sahip diğer dinleyicilerle ilişkilendirir.

Makine öğrenimi, kötü amaçlı yazılım avlayan veri güvenliği firmalarından, uygun işlemler arayan finans profesyonellerine kadar her türlü otomatik görevi ve çeşitli endüstrileri kapsar. Sanal kişisel asistanlar gibi çalışmak üzere tasarlanmıştır ve oldukça iyi çalışırlar.

Pratik anlamda, deep learningsadece makine öğreniminin bir alt kümesidir. Teknik olarak makine öğrenimidir ve benzer bir şekilde işlev görür (bu nedenle terimler neden bazen gevşek bir şekilde değiştirilir), ancak yetenekleri farklıdır.

Temel makine öğrenimi modelleri, işlevleri ne olursa olsun giderek daha iyi hale gelir, ancak yine de bazı rehberlik yaparlar. Bir ML algoritması yanlış bir tahmin döndürürse, bir mühendisin adım atması ve ayarlamalar yapması gerekir. Ancak derin bir öğrenme modeliyle, algoritmalar bir tahminin doğru olup olmadığını kendi başına belirleyebilir.

Derin Öğrenme Makine Öğrenmesinin alt kümesidir.

Makine öğrenimi ve Derin öğrenme iki farklı şey değildir. Derin öğrenme, makine öğreniminin bir biçimidir. Sinir ağındaki katmanların seviyesi gittikçe daha derinlemesine öğrenme Derin öğrenmenin bir parçasıdır.

“Derin öğrenme, dünyayı kavramların iç içe hiyerarşisi olarak temsil etmeyi öğrenerek, her bir kavram daha basit kavramlarla ilişkili olarak tanımlanan ve daha az soyut kavramlar olarak hesaplanan daha soyut temsillerle büyük güç ve esneklik sağlayan özel bir tür makine öğrenimidir. ”