Qualcuno può spiegarmi la differenza tra machine learning e deep learning? È possibile apprendere l'apprendimento profondo senza conoscere l'apprendimento automatico?
Risposte:
L'apprendimento profondo è una varietà specifica di un tipo specifico di apprendimento automatico. Quindi è possibile conoscere apprendimento profondo senza imparare tutti apprendimento automatico, ma richiede imparando un po 'di apprendimento automatico (perché è un po' di machine learning).
L'apprendimento automatico si riferisce a qualsiasi tecnica che si concentra sull'insegnamento della macchina su come apprendere i parametri statistici da una grande quantità di dati di addestramento. Un particolare tipo di apprendimento automatico sono le reti neurali artificiali, che apprendono una rete di trasformazioni non lineari in grado di approssimare funzioni molto complicate di ampi array di variabili di input. I recenti progressi nelle reti neurali artificiali hanno a che fare con il modo di formare reti neurali profonde , che hanno più livelli del normale e anche una struttura speciale per affrontare le sfide dell'apprendimento di più livelli.
L'apprendimento profondo è una forma di apprendimento automatico.
L'apprendimento profondo si riferisce all'apprendimento con reti neurali profonde, essenzialmente reti con molti livelli.
Le reti neurali sono un gruppo di molte forme di apprendimento automatico:
Per quanto accettabili possano essere le inclusioni rappresentate dal diagramma di Venn sopra, non è né straordinariamente significativo né accurato.
I termini Intelligenza artificiale, Apprendimento automatico e Apprendimento profondo, anche se non i marchi non sono neppure scientifici. Sono termini generali nominati da persone con particolari finanziamenti, comunicazioni e prospettive dipartimentali al momento della pubblicazione dei termini che sono rimasti bloccati.
Inoltre, l'ordine delle cose non è corretto. Quella che oggi si chiama intelligenza artificiale era un obiettivo secolare di utilizzare le macchine per automatizzare le attività mentali che, a quei tempi, richiedevano l'attenzione umana e forse estendevano le capacità mentali umane attraverso tale automazione. Questa visione è nata molto prima di cambiare la circuiteria e la teoria dell'informazione e quindi prima dell'informatica.
Di conseguenza, l'informatica è in realtà un sottoinsieme di quella visione AI e successiva ad essa.
L'apprendimento profondo è un termine basato sull'idea precaria e semplificata secondo cui esiste una correlazione tra il numero di strati in una rete artificiale e la profondità dell'astrazione che lo strato può raggiungere. Poiché il conteggio delle celle di attivazione in uno strato era stato chiamato la larghezza dello strato, la selezione della profondità è stata scelta per esprimere la dimensione della quantità dello strato. Questo è strano perché i diagrammi tipici mostrano il numero di celle per strato come altezza, il numero di strati come larghezza e il diagramma non ha profondità perché è 2-D. Ma non è questo il vero problema. Non esiste una base scientifica per la profondità di una rete e la profondità dell'astrazione, solo un sospetto, e ci sono prove considerevoli nel campo della visione del computer che non è così semplice.
Il prossimo diagramma di Venn non è né autorevole né perfettamente rappresentativo, ma alcuni dei problemi con quello sopra sono stati riparati. Anche se risponde alla domanda in modo più intelligente sotto diversi aspetti, i problemi nella scelta delle parole in gergo di solito non vengono mai corretti senza una spinta significativa, e questo post non sarà quasi sufficiente.
Quando ho iniziato Machine Leraning, i capitoli nel libro erano così
I) Supervisionato:
Regressione
Classificazione
II) Apprendimento non supervisionato:
Clustering
Apprendimento dell'Associazione.
III) ReInforment Learning:
Improvvisamente il capitolo I> 2> b ha creato un suo sottocampo. Bene per sapere perché, lascia che ti racconti un po 'di storia. Machine learningla parola fu coniata nel 1959 da Arthur Samuel per significare ciò machines were able to learn from datache istruzioni esplicite. Inizialmente è stato suddiviso in due gruppi in base al fatto che l'approccio richiedesse o meno i dati dell'etichetta (cioè la regressione, la classificazione), quindi si sono resi conto che potremmo cassificare anche raggruppando che ha dato alla luce incustoditi. E l'apprendimento del rinforzo delle parole è nato ispirato ad aree della teoria dei giochi. Teniamo da parte quei dettagli per dopo.
Venendo all'apprendimento profondo, la parola è deep learningarrivata di recente, recente nel 2008 da una conferenza di Geoff Hinton. Lì le persone hanno iniziato a usarlo per indicare un'architettura di rete neurale molto profonda usata in un documento presentato da Geoff Hinton e da quel momento in poi è diventato un nuovo modo di classificare l'apprendimento automatico supervised, unsupervisedoppure reinforcement(Disc: potrebbe esserci uno strano riferimento a chiamare NN come DL prima di questo, ma non così popolare e accettabile prima di questo)
Beh, a volte penso che il nome deep learningsia in qualche modo improprio, sarebbe meglio se fosse stato nominato come neural learningo forse per sottolineare la profondità deep neural learning. Se sei nuovo ti starai chiedendo di quale profondità sto parlando, l'intera parola profonda deriva dal fatto che la rete neurale (grazie alla disponibilità di elevate capacità di elaborazione delle GPU) è ora in grado di allenarsi con successo su più livelli. La parola deep può anche essere usata vagamente per includere altre aree di rete non neurali dell'apprendimento automatico che richiedono molti calcoli come deep belief neto recurrent net. Per la precisione le unità delle reti oggi non è più un semplice sono neurono perceptron, può essere LSTM, GRUo di una capsule, quindi credo che la parola deepora ha più senso rispetto a prima.
Ecco una definizione di base di machine learning:
"Algoritmi che analizzano i dati, apprendono da tali dati e quindi applicano ciò che hanno imparato per prendere decisioni informate"
Un semplice esempio di algoritmo di apprendimento automatico è un servizio di streaming musicale su richiesta. Affinché il servizio possa decidere quali nuove canzoni o artisti raccomandare a un ascoltatore, gli algoritmi di apprendimento automatico associano le preferenze dell'ascoltatore ad altri ascoltatori con gusti musicali simili.
L'apprendimento automatico alimenta tutti i tipi di attività automatizzate e si estende in più settori, dalle aziende di sicurezza dei dati a caccia di malware ai finanziamenti per i professionisti alla ricerca di operazioni favorevoli. Sono progettati per funzionare come assistenti personali virtuali e funzionano abbastanza bene.
In termini pratici, deep learningè solo un sottoinsieme dell'apprendimento automatico. Tecnicamente si tratta di apprendimento automatico e funziona in modo simile (quindi perché i termini a volte sono scambiati liberamente), ma le sue capacità sono diverse.
I modelli di apprendimento automatico di base migliorano progressivamente qualunque sia la loro funzione, ma mantengono comunque una guida. Se un algoritmo ML restituisce una previsione imprecisa, un ingegnere deve intervenire e apportare modifiche. Ma con un modello di apprendimento profondo, gli algoritmi possono determinare autonomamente se una previsione è accurata o meno.
Il deep learning è un sottoinsieme dell'apprendimento automatico.
L'apprendimento automatico e l'apprendimento profondo non sono due cose diverse. L'apprendimento profondo è una delle forme di apprendimento automatico. Il livello dei livelli nella rete neurale è sempre più l'apprendimento approfondito fa parte dell'apprendimento profondo.
“Il deep learning è un particolare tipo di machine learning che raggiunge un grande potere e flessibilità imparando a rappresentare il mondo come gerarchia di concetti annidata, con ogni concetto definito in relazione a concetti più semplici e rappresentazioni più astratte calcolate in termini di meno astratte. ”