В чем разница между машинным обучением и глубоким обучением?

Может кто-нибудь объяснить мне разницу между машинным обучением и глубоким обучением? Можно ли научиться глубокому обучению, не зная машинного обучения?

Глубокое обучение - это особая разновидность определенного типа машинного обучения. Таким образом, можно узнать о глубоком обучении, не изучая все машинное обучение, но это требует изучения некоторого машинного обучения (потому что это некоторое машинное обучение).

Машинное обучение относится к любой технике, которая направлена ​​на обучение машины тому, как она может изучать статистические параметры из большого количества обучающих данных. Одним конкретным типом машинного обучения являются искусственные нейронные сети, которые изучают сеть нелинейных преобразований, которые могут аппроксимировать очень сложные функции широких массивов входных переменных. Последние достижения в области искусственных нейронных сетей связаны с тем, как обучать глубокие нейронные сети, которые имеют больше слоев, чем обычно, а также особую структуру для решения задач изучения большего количества слоев.

Глубокое обучение является одной из форм машинного обучения.

Глубокое обучение относится к обучению с использованием глубоких нейронных сетей, в основном сетей с несколькими уровнями.

Нейронные сети являются одной из групп многих форм машинного обучения:

• Нейронные сети
• Деревья решений и случайные леса
• Опорные векторные машины
• Байесовские подходы
• k-ближайшие соседи

Как бы ни были приемлемы включения, представленные вышеупомянутой диаграммой Венна, она не является ни удивительной, ни точной.

Термины «искусственный интеллект», «машинное обучение» и «глубокое обучение», хотя и не бренды, тоже не совсем научные. Они являются зонтичными терминами, названными людьми с особым финансированием, связями и взглядами департамента в то время, когда они публиковали эти термины.

Кроме того, порядок вещей неправильный. То, что сегодня называют искусственным интеллектом, было многовековой целью использования машин для автоматизации умственной деятельности, которая в те дни требовала человеческого внимания и, возможно, расширяла умственные способности человека с помощью этой автоматизации. Это видение возникло задолго до переключения схемотехники и теории информации и, следовательно, до компьютерных наук.

Следовательно, информатика на самом деле является подмножеством этого видения ИИ и последующим за ним.

Глубокое обучение - это термин, основанный на сомнительной и чрезмерно упрощенной идее о том, что существует корреляция между количеством уровней в искусственной сети и глубиной абстракции, которой может достичь уровень. Так как количество ячеек активации в слое было названо шириной слоя, выбор глубины был выбран, чтобы выразить размерность количества слоя. Это странно, потому что типичная диаграмма изображает количество ячеек на слой как высоту, количество слоев как ширину, а диаграмма не имеет глубины, потому что она двумерная. Но это не настоящая проблема. Нет научной основы для глубины сети и глубины абстракции, только догадка, и в области компьютерного зрения есть немало доказательств того, что это не так просто.

Эта следующая диаграмма Венна также не является ни авторитетной, ни совершенно репрезентативной, но некоторые проблемы с вышеупомянутым устранены. Несмотря на то, что он отвечает на вопрос более разумно в нескольких отношениях, проблемы выбора слов на жаргоне обычно никогда не исправляются без значительного толчка, и этого поста будет недостаточно.

Когда я начинал «Машины», главы в книге выглядели так

• Я) под наблюдением:

  1. регрессия

     • Линейные модели

  2. классификация

     • Логестическая регрессия
     • Нейронная сеть
     • Решение Tress и Случайный Лес
     • Повышение и мешки
     • СВД и СВМ

• II) Обучение без учителя:

  1. Кластеризация

     • K-средних
     • иерархическая
     • Гауссовская модель смеси
     • Сканирование БД

  2. Ассоциация обучения.

• III) Обучение

Внезапно глава I> 2> b создала собственное подполе. Ну, чтобы знать почему, позвольте мне рассказать вам немного истории. Machine learningСлово было придумано в 1959 году Артуром Самуэлем, чтобы обозначить это, machines were able to learn from dataчем явное указание. Первоначально он был разбит на две группы, основанные на том, требовал ли этот подход данных меток или нет (т. Е. Регрессия, классификация), затем они поняли, что мы можем классифицировать также путем кластеризации, что привело к появлению без присмотра. И обучение словесному подкреплению было рождено под влиянием областей теории игр. Оставим эти детали в стороне на потом.

Слово «глубокое обучение» deep learningпоявилось совсем недавно, совсем недавно, в 2008 году с конференции Джеффа Хинтона. Там люди начали использовать его, чтобы указать на очень глубокую архитектуру нейронной сети, использованную в статье, представленной Джеффом Хинтоном, и с тех пор она стала своего рода новым способом классификации машинного обучения, кроме того supervised, unsupervisedили reinforcement. (Диск: Там может быть странная ссылка на называть NN как DL до этого, но не так популярно и приемлемо до этого)

Ну, я иногда чувствую, что название deep learningнесколько неправильное, было бы лучше, если бы оно было названо neural learningили, возможно, подчеркивать глубину deep neural learning. Если вы новичок, вам может быть интересно узнать, о какой глубине я говорю, полное слово произошло от того факта, что нейронная сеть (благодаря наличию высоких вычислительных способностей графических процессоров) теперь могла успешно тренироваться на нескольких уровнях. Слово «глубокий» также можно свободно использовать для обозначения других областей нейронной сети машинного обучения, для которых требуется много вычислений, таких как deep belief netили recurrent net. Если быть точным, то элементы сетей сегодня уже не простые, neuronа perceptron, может быть LSTM, GRUили capsule, поэтому я думаю, что слово deepтеперь имеет больше смысла, чем раньше.

Вот основное определение machine learning:

«Алгоритмы, которые анализируют данные, учатся на этих данных, а затем применяют то, что они узнали, для принятия обоснованных решений»

Простой пример алгоритма машинного обучения - услуга потоковой передачи музыки по запросу. Чтобы служба принимала решение о том, какие новые песни или исполнителей рекомендовать слушателю, алгоритмы машинного обучения связывают предпочтения слушателя с другими слушателями, которые имеют схожий музыкальный вкус.

Машинное обучение поддерживает все виды автоматизированных задач и охватывает множество отраслей: от фирм, занимающихся защитой данных, разыскивающих вредоносные программы, до специалистов по финансам, которые ищут выгодные профессии. Они предназначены для работы как виртуальные личные помощники, и они работают довольно хорошо.

В практическом плане deep learningэто просто подмножество машинного обучения. Технически оно является машинным обучением и функционирует аналогичным образом (следовательно, поэтому термины иногда слабо взаимозаменяемы), но его возможности различны.

Базовые модели машинного обучения становятся все лучше и лучше независимо от их функций, но они все еще являются руководством. Если алгоритм ML возвращает неточный прогноз, то инженер должен вмешаться и внести коррективы. Но с моделью глубокого обучения алгоритмы могут самостоятельно определять, является ли прогноз точным или нет.

Глубокое обучение - это подмножество машинного обучения.

Машинное обучение и глубокое обучение - это не две разные вещи. Глубокое обучение является одной из форм машинного обучения. Уровень слоев в нейронной сети все больше и больше углубленного обучения является частью глубокого обучения.

«Глубокое обучение - это особый вид машинного обучения, который достигает большой мощи и гибкости, обучаясь представлять мир как вложенную иерархию понятий, причем каждое понятие определяется в отношении более простых понятий, а более абстрактные представления вычисляются в терминах менее абстрактных. »