Tarp mašininio ir gilaus mokymosi skirtumai

Kas yra mašinų mokymasis?

Mašinų mokymasis yra metodų rinkinys, naudojamas kompiuterinėms programoms kurti, kurios gali mokytis iš stebėjimų ir daryti prognozes. Mašinų mokymasis naudoja algoritmus, regresijas ir susijusius mokslus duomenims suprasti. Šie algoritmai paprastai gali būti laikomi statistiniais modeliais ir tinklais.

Kas yra gilus mokymasis?

Giluminis mokymasis yra mašininio mokymosi metodų pogrupis. Duomenys analizuojami per kelis giluminio mokymosi tinklo sluoksnius, kad tinklas galėtų padaryti išvadas ir priimti sprendimus dėl duomenų. Giluminiai mokymosi metodai leidžia pasiekti didelių duomenų rinkinių tikslumą, tačiau dėl šių savybių giluminis mokymasis reikalauja daug daugiau išteklių nei klasikinis mašininis mokymasis..

Skirtumai tarp mašininio ir gilaus mokymosi

Ryšys su dirbtiniu intelektu

Kelis dešimtmečius mašinų mokymasis buvo naudojamas kaip būdas dirbtiniam intelektui pasiekti mašinose. Pagrindinė mašinų mokymosi sritis yra sutelkta į kompiuterių, galinčių mokytis ir priimti sprendimus, kūrimą, todėl mašinų mokymasis puikiai tinka dirbtinio intelekto tyrimams. Tačiau ne visi mašininio mokymosi modeliai yra skirti sukurti „tikrąjį“ dirbtinį intelektą, kuris puikiai atitinka ar viršija žmogaus intelektą. Vietoj to, modeliai dažnai yra skirti tyrinėti konkrečias, ribotas problemas.

Giluminis mokymasis buvo pasiūlytas ankstyvosiose mašininio mokymosi diskusijų stadijose, tačiau nedaug tyrinėtojų taikė gilaus mokymosi metodus, nes giluminio mokymosi skaičiavimo reikalavimai yra daug didesni nei klasikinio mokymosi mašinomis metu. Tačiau kompiuterių skaičiavimo galia nuo 2000 m. Padidėjo eksponentiškai, o tai leido tyrėjams padaryti didžiulius patobulinimus mokantis mašinų ir dirbtinio intelekto. Kadangi giluminio mokymosi modeliai yra tinkami atsižvelgiant į padidėjusį duomenų kiekį, giluminis mokymasis gali įveikti reikšmingas kliūtis kuriant tikrą dirbtinį intelektą.

Pagrindinės mašinų ir giluminio mokymosi konstrukcijos

Mašinų mokymasis ir giluminis mokymasis yra algoritminiai. Klasikiniame mašininiame mokymesi tyrėjai naudoja palyginti nedidelį duomenų kiekį ir nusprendžia, kokios yra svarbiausios duomenų, kurių algoritmui reikia norint numatyti, ypatybės. Šis metodas vadinamas bruožų inžinerija. Pvz., Jei mašinų mokymosi programa būtų mokoma atpažinti lėktuvo vaizdą, jos programuotojai sudarytų algoritmus, leidžiančius programai atpažinti tipiškas komercinių lėktuvų formas, spalvas ir dydžius. Turėdama šią informaciją, mašinų mokymosi programa numatytų, ar vaizdai, kuriuos ji pateikia kartu su lėktuvais.

Giluminis mokymasis paprastai skiriasi nuo klasikinio mašininio mokymosi daugybe sprendimų priėmimo lygių. Giluminio mokymosi tinklai dažnai laikomi „juodosiomis dėžutėmis“, nes duomenys yra analizuojami per kelis tinklo sluoksnius, kurių kiekvienas daro stebėjimus. Tai gali padaryti rezultatus sunkiau suprantamus nei klasikinio mašininio mokymosi rezultatai. Tikslus sluoksnių ar sprendimų priėmimo etapų skaičius priklauso nuo pasirinkto modelio tipo ir sudėtingumo.

Duomenys ir mastelis dirbant ir gilinantis

Mokydamiesi mašinų ir naudodamiesi prognozėmis tradiciškai naudojami maži duomenų rinkiniai. Turėdami nedidelį duomenų kiekį, tyrėjai gali nustatyti tikslias savybes, kurios padės mašininio mokymosi programai suprasti ir išmokti duomenis. Tačiau jei programoje pasitaiko informacijos, kurios ji negali klasifikuoti remdamasi jau egzistuojančiais algoritmais, tyrėjams paprastai reikės rankiniu būdu analizuoti probleminius duomenis ir sukurti naują funkciją. Dėl šios priežasties klasikinis mašininis mokymasis paprastai nėra tinkamas masyviems duomenims, tačiau jis gali sumažinti klaidų mažesnėse duomenų rinkiniuose galimybę..

Gilus mokymasis ypač tinka didelėms duomenų rinkinėms, o modeliams dažnai reikia didelių duomenų rinkinių. Dėl gilaus mokymosi tinklo sudėtingumo, norint išbandyti tinklą po mokymų, tinklui reikia nemažai mokymo duomenų ir papildomų duomenų. Šiuo metu tyrėjai tobulina giluminio mokymosi tinklus, kurie gali būti efektyvesni ir naudoja mažesnius duomenų rinkinius.

Mašinų ir gilaus mokymosi atlikimo reikalavimai

Mašinų mokymasis turi įvairius kompiuterio našumo reikalavimus. Yra daugybė modelių, kuriuos galima naudoti vidutiniame asmeniniame kompiuteryje. Kuo pažangesni statistiniai ir matematiniai metodai, tuo sunkiau kompiuteriui greitai apdoroti duomenis.

Gilus mokymasis paprastai reikalauja daug išteklių. Didelės informacijos apimties analizė per kelis sprendimų priėmimo sluoksnius reikalauja daug skaičiavimo galios. Kai kompiuteriai įsibėgėja, giluminis mokymasis tampa vis labiau prieinamas.

Mašinų ir gilaus mokymosi apribojimai

Tradiciškai mašinų mokymasis turi keletą bendrų ir reikšmingų trūkumų. Perpildymas yra statistinė problema, kuri gali paveikti mašininio mokymosi algoritmą. Mašinų mokymosi algoritme yra tam tikra „klaida“ analizuojant ir prognozuojant duomenis. Manoma, kad algoritmas turi parodyti ryšį tarp atitinkamų kintamųjų, tačiau netinkamai pritaikant jis pradeda fiksuoti ir klaidą, kuri lemia „triukšmingesnį“ ar netikslų modelį. Mašininio mokymosi modeliai taip pat gali būti linkę į asmeninių duomenų, su kuriais jie buvo mokomi, ypatybes. Ši problema ypač išryškėja, kai tyrėjai treniruoja viso turimo duomenų rinkinio algoritmus, užuot taupę dalį duomenų, kad patikrintų algoritmą..

Giluminis mokymasis turi tas pačias statistines spragas kaip ir klasikinis mašininis mokymasis, taip pat kelios unikalios problemos. Dėl daugelio problemų nepakanka duomenų, kad būtų galima išmokyti pagrįstai tikslų giluminio mokymosi tinklą. Surinkti daugiau duomenų apie realaus pasaulio problemą ar ją imituoti dažnai yra per brangu arba neįmanoma, o tai riboja dabartinę temų, kuriomis gali būti naudojamas gilus mokymasis, spektrą..

Mašinų ir gilaus mokymosi palyginimo lentelė

Mašinos vs. santrauka Gilus mokymasis

Mašinų mokymasis ir gilus mokymasis apibūdina kompiuterių mokymosi ir sprendimų priėmimo metodus. Giluminis mokymasis yra klasikinio mašininio mokymosi pogrupis, o kai kurie svarbūs skirtumai paverčia gilųjį mokymąsi ir mašininį mokymąsi skirtingiems tikslams..

• Klasikinis mašininis mokymasis dažnai apima programuotojų funkcijų inžineriją, kuri padeda algoritmui tiksliai apskaičiuoti nedidelį duomenų rinkinį. Giluminio mokymosi algoritmai paprastai kuriami atsižvelgiant į kelis sprendimų priėmimo sluoksnius, kad būtų reikalaujama mažiau specifinių funkcijų inžinerijos.
• Giluminis mokymasis paprastai naudojamas labai didelėms duomenų rinkinėms, kad tinklai ar algoritmai galėtų būti mokomi priimti daugybę sluoksnių. Klasikinis mašininis mokymasis naudoja mažesnius duomenų rinkinius ir nėra toks mastelio pokyčių kaip gilus mokymasis.
• Nors giliai mokantis galima išmokti daug duomenų, yra daug problemų, kai nėra pakankamai duomenų, kad gilusis mokymasis būtų naudingas. Tiek giliam mokymuisi, tiek mašininiam mokymuisi būdingi standartiniai statistiniai apribojimai ir jie gali būti šališki, jei mokymo duomenų rinkinys yra labai savitas arba jei jis buvo surinktas netinkamais statistikos metodais..