Διαφορά μεταξύ της βαθιάς μάθησης και της μηχανικής μάθησης Vs AI

Τι είναι το AI;

Το AI (Τεχνητή νοημοσύνη) είναι ένας κλάδος της επιστήμης των υπολογιστών στον οποίο οι μηχανές προγραμματίζονται και έχουν μια γνωστική ικανότητα να σκέφτονται και να μιμούνται ενέργειες όπως οι άνθρωποι και τα ζώα. Το σημείο αναφοράς για την τεχνητή νοημοσύνη είναι η ανθρώπινη νοημοσύνη σχετικά με τη λογική, την ομιλία, τη μάθηση, την όραση και την επίλυση προβλημάτων, η οποία είναι πολύ μακριά στο μέλλον.

Το AI έχει τρία διαφορετικά επίπεδα:

1. Narrow AI : Μια τεχνητή νοημοσύνη λέγεται ότι είναι στενή όταν το μηχάνημα μπορεί να εκτελέσει μια συγκεκριμένη εργασία καλύτερα από έναν άνθρωπο. Η τρέχουσα έρευνα του AI είναι εδώ τώρα
2. General AI : Μια τεχνητή νοημοσύνη φτάνει στη γενική κατάσταση όταν μπορεί να εκτελέσει οποιαδήποτε πνευματική εργασία με το ίδιο επίπεδο ακρίβειας με εκείνη που θα έκανε ο άνθρωπος
3. Active AI : Ένα AI είναι ενεργό όταν μπορεί να νικήσει τον άνθρωπο σε πολλές εργασίες

Τα πρώτα συστήματα τεχνητής νοημοσύνης χρησιμοποίησαν συστήματα αντιστοίχισης προτύπων και ειδικών

Σε αυτό το σεμινάριο, θα μάθετε-

• Τι είναι το AI;
• Τι είναι το ML;
• Τι είναι η βαθιά μάθηση;
• Διαδικασία μηχανικής εκμάθησης
• Διαδικασία βαθιάς μάθησης
• Αυτοματοποιήστε την Εξαγωγή λειτουργιών χρησιμοποιώντας DL
• Διαφορά μεταξύ μηχανικής μάθησης και βαθιάς μάθησης
• Πότε να χρησιμοποιήσετε το ML ή το DL;

Τι είναι το ML;

Το ML (Machine Learning) είναι ένας τύπος τεχνητής νοημοσύνης στον οποίο ένας υπολογιστής εκπαιδεύεται για αυτοματοποίηση εργασιών που είναι εξαντλητικές ή αδύνατες για τα ανθρώπινα όντα. Είναι το καλύτερο εργαλείο για την ανάλυση, την κατανόηση και τον προσδιορισμό μοτίβων σε δεδομένα με βάση τη μελέτη αλγορίθμων υπολογιστών. Η μηχανική μάθηση μπορεί να λαμβάνει αποφάσεις με ελάχιστη ανθρώπινη παρέμβαση.

Συγκρίνοντας την Τεχνητή Νοημοσύνη με τη Μηχανική Μάθηση, η Μηχανική Εκμάθηση χρησιμοποιεί δεδομένα για να τροφοδοτήσει έναν αλγόριθμο που μπορεί να κατανοήσει τη σχέση μεταξύ της εισόδου και της εξόδου. Όταν το μηχάνημα τελειώσει τη μάθηση, μπορεί να προβλέψει την αξία ή την κλάση ενός νέου σημείου δεδομένων.

Τι είναι η βαθιά μάθηση;

Η βαθιά μάθηση είναι ένα λογισμικό υπολογιστή που μιμείται το δίκτυο νευρώνων στον εγκέφαλο. Είναι ένα υποσύνολο της μηχανικής μάθησης και ονομάζεται βαθιά μάθηση επειδή χρησιμοποιεί βαθιά νευρωνικά δίκτυα. Το μηχάνημα χρησιμοποιεί διαφορετικά επίπεδα για να μάθει από τα δεδομένα. Το βάθος του μοντέλου αντιπροσωπεύεται από τον αριθμό των επιπέδων στο μοντέλο. Η βαθιά μάθηση είναι η νέα κατάσταση της τεχνολογίας όσον αφορά την τεχνητή νοημοσύνη. Στη βαθιά μάθηση, η μαθησιακή φάση γίνεται μέσω ενός νευρικού δικτύου. Ένα νευρωνικό δίκτυο είναι μια αρχιτεκτονική όπου τα στρώματα στοιβάζονται το ένα πάνω στο άλλο

Διαδικασία μηχανικής εκμάθησης

Φανταστείτε ότι σκοπεύετε να δημιουργήσετε ένα πρόγραμμα που αναγνωρίζει αντικείμενα. Για να εκπαιδεύσετε το μοντέλο, θα χρησιμοποιήσετε έναν ταξινομητή . Ένας ταξινομητής χρησιμοποιεί τις δυνατότητες ενός αντικειμένου για να προσπαθήσει να προσδιορίσει την κλάση στην οποία ανήκει.

Στο παράδειγμα, ο ταξινομητής θα εκπαιδευτεί να εντοπίσει εάν η εικόνα είναι:

• Ποδήλατο
• Σκάφος
• Αυτοκίνητο
• Επίπεδο

Τα τέσσερα παραπάνω αντικείμενα είναι η κλάση που πρέπει να αναγνωρίσει ο ταξινομητής. Για να δημιουργήσετε έναν ταξινομητή, πρέπει να έχετε ορισμένα δεδομένα ως εισαγωγή και να του εκχωρήσετε μια ετικέτα. Ο αλγόριθμος θα λάβει αυτά τα δεδομένα, θα βρει ένα μοτίβο και μετά θα τα ταξινομήσει στην αντίστοιχη τάξη.

Αυτή η εργασία ονομάζεται εποπτευόμενη μάθηση. Στην εποπτευόμενη μάθηση, τα δεδομένα εκπαίδευσης που τροφοδοτείτε στον αλγόριθμο περιλαμβάνουν μια ετικέτα.

Η εκπαίδευση ενός αλγορίθμου πρέπει να ακολουθήσει μερικά τυπικά βήματα:

• Συλλέξτε τα δεδομένα
• Εκπαιδεύστε τον ταξινομητή
• Κανω προβλεψεις

Το πρώτο βήμα είναι απαραίτητο, η επιλογή των σωστών δεδομένων θα κάνει τον αλγόριθμο επιτυχία ή αποτυχία. Τα δεδομένα που επιλέγετε να εκπαιδεύσετε το μοντέλο ονομάζονται χαρακτηριστικό. Στο παράδειγμα αντικειμένου, τα χαρακτηριστικά είναι τα pixel των εικόνων.

Κάθε εικόνα είναι μια σειρά στα δεδομένα, ενώ κάθε εικονοστοιχείο είναι μια στήλη. Εάν η εικόνα σας έχει μέγεθος 28x28, το σύνολο δεδομένων περιέχει 784 στήλες (28x28). Στην παρακάτω εικόνα, κάθε εικόνα έχει μετατραπεί σε ένα διάνυσμα χαρακτηριστικών. Η ετικέτα λέει στον υπολογιστή ποιο αντικείμενο είναι στην εικόνα.

Ο στόχος είναι να χρησιμοποιήσετε αυτά τα δεδομένα εκπαίδευσης για να ταξινομήσετε τον τύπο του αντικειμένου. Το πρώτο βήμα συνίσταται στη δημιουργία των στηλών δυνατοτήτων. Στη συνέχεια, το δεύτερο βήμα περιλαμβάνει την επιλογή ενός αλγορίθμου για την εκπαίδευση του μοντέλου. Όταν ολοκληρωθεί η εκπαίδευση, το μοντέλο θα προβλέψει ποια εικόνα αντιστοιχεί σε ποιο αντικείμενο.

Μετά από αυτό, είναι εύκολο να χρησιμοποιήσετε το μοντέλο για να προβλέψετε νέες εικόνες. Για κάθε νέα εικόνα που τροφοδοτείται στο μοντέλο, το μηχάνημα θα προβλέψει την κατηγορία στην οποία ανήκει. Για παράδειγμα, μια εντελώς νέα εικόνα χωρίς ετικέτα περνά από το μοντέλο. Για έναν άνθρωπο, είναι ασήμαντο να απεικονίζεται η εικόνα ως αυτοκίνητο. Το μηχάνημα χρησιμοποιεί τις προηγούμενες γνώσεις του για να προβλέψει επίσης ότι η εικόνα είναι ένα αυτοκίνητο.

Διαδικασία βαθιάς μάθησης

Στη βαθιά μάθηση, η μαθησιακή φάση γίνεται μέσω ενός νευρικού δικτύου. Ένα νευρωνικό δίκτυο είναι μια αρχιτεκτονική όπου τα στρώματα στοιβάζονται το ένα πάνω στο άλλο.

Εξετάστε το ίδιο παράδειγμα εικόνας παραπάνω. Το εκπαιδευτικό σετ θα τροφοδοτηθεί σε ένα νευρωνικό δίκτυο

Κάθε είσοδος πηγαίνει σε έναν νευρώνα και πολλαπλασιάζεται με ένα βάρος. Το αποτέλεσμα του πολλαπλασιασμού ρέει στο επόμενο επίπεδο και γίνεται η είσοδος. Αυτή η διαδικασία επαναλαμβάνεται για κάθε επίπεδο του δικτύου. Το τελικό επίπεδο ονομάζεται επίπεδο εξόδου. Παρέχει μια πραγματική τιμή για την εργασία παλινδρόμησης και μια πιθανότητα κάθε κλάσης για την εργασία ταξινόμησης. Το νευρωνικό δίκτυο χρησιμοποιεί έναν μαθηματικό αλγόριθμο για να ενημερώσει τα βάρη όλων των νευρώνων. Το νευρωνικό δίκτυο είναι πλήρως εκπαιδευμένο όταν η τιμή των βαρών δίνει μια έξοδο κοντά στην πραγματικότητα. Για παράδειγμα, ένα καλά εκπαιδευμένο νευρωνικό δίκτυο μπορεί να αναγνωρίσει το αντικείμενο σε μια εικόνα με μεγαλύτερη ακρίβεια από το παραδοσιακό νευρωνικό δίκτυο.

Αυτοματοποιήστε την Εξαγωγή λειτουργιών χρησιμοποιώντας DL

Ένα σύνολο δεδομένων μπορεί να περιέχει δεκάδες έως εκατοντάδες δυνατότητες. Το σύστημα θα μάθει από τη συνάφεια αυτών των χαρακτηριστικών. Ωστόσο, δεν είναι όλες οι λειτουργίες σημαντικές για τον αλγόριθμο. Ένα κρίσιμο μέρος της μηχανικής μάθησης είναι να βρει ένα σχετικό σύνολο χαρακτηριστικών για να κάνει το σύστημα να μάθει κάτι.

Ένας τρόπος για να εκτελέσετε αυτό το μέρος στη μηχανική μάθηση είναι να χρησιμοποιήσετε την εξαγωγή χαρακτηριστικών. Η εξαγωγή χαρακτηριστικών συνδυάζει τις υπάρχουσες δυνατότητες για να δημιουργήσει ένα πιο σχετικό σύνολο χαρακτηριστικών. Μπορεί να γίνει με PCA, T-SNE ή με άλλους αλγόριθμους μείωσης διαστάσεων.

Για παράδειγμα, μια επεξεργασία εικόνας, ο επαγγελματίας πρέπει να εξαγάγει τη δυνατότητα χειροκίνητα στην εικόνα, όπως τα μάτια, η μύτη, τα χείλη και ούτω καθεξής. Αυτά τα εξαγόμενα χαρακτηριστικά τροφοδοτούν το μοντέλο ταξινόμησης.

Η βαθιά μάθηση λύνει αυτό το ζήτημα, ειδικά για ένα συνελικτικό νευρικό δίκτυο. Το πρώτο επίπεδο ενός νευρικού δικτύου θα μάθει μικρές λεπτομέρειες από την εικόνα. Τα επόμενα επίπεδα θα συνδυάσουν την προηγούμενη γνώση για να κάνουν πιο περίπλοκες πληροφορίες. Στο συνελικτικό νευρικό δίκτυο, η εξαγωγή χαρακτηριστικών γίνεται με τη χρήση του φίλτρου. Το δίκτυο εφαρμόζει ένα φίλτρο στην εικόνα για να δει εάν υπάρχει αντιστοίχιση, δηλαδή, το σχήμα της δυνατότητας είναι ίδιο με ένα μέρος της εικόνας. Εάν υπάρχει αντιστοιχία, το δίκτυο θα χρησιμοποιήσει αυτό το φίλτρο. Η διαδικασία εξαγωγής χαρακτηριστικών γίνεται επομένως αυτόματα.

Διαφορά μεταξύ μηχανικής μάθησης και βαθιάς μάθησης

Παρακάτω είναι μια βασική διαφορά μεταξύ Deep Learning vs Machine Learning

	Μηχανική εκμάθηση	Βαθιά μάθηση
Εξαρτήσεις δεδομένων	Εξαιρετικές επιδόσεις σε ένα μικρό / μεσαίο σύνολο δεδομένων	Εξαιρετική απόδοση σε ένα μεγάλο σύνολο δεδομένων
Εξαρτήσεις υλικού	Εργαστείτε σε μηχανή χαμηλού επιπέδου.	Απαιτεί ισχυρό μηχάνημα, κατά προτίμηση με GPU: Το DL εκτελεί σημαντικό αριθμό πολλαπλασιασμού μήτρας
Μηχανική χαρακτηριστικών	Πρέπει να κατανοήσετε τις δυνατότητες που αντιπροσωπεύουν τα δεδομένα	Δεν χρειάζεται να κατανοήσετε το καλύτερο χαρακτηριστικό που αντιπροσωπεύει τα δεδομένα
Χρόνος εκτέλεσης	Από λίγα λεπτά έως ώρες	Μέχρι εβδομάδες. Το Νευρωνικό Δίκτυο πρέπει να υπολογίσει σημαντικό αριθμό βαρών
Ερμηνευσιμότητα	Ορισμένοι αλγόριθμοι είναι εύκολο να ερμηνευτούν (λογιστική, δέντρο αποφάσεων), μερικοί είναι σχεδόν αδύνατοι (SVM, XGBoost)	Δύσκολο έως αδύνατο

Πότε να χρησιμοποιήσετε το ML ή το DL;

Στον παρακάτω πίνακα, συνοψίζουμε τη διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης με παραδείγματα.

	Μηχανική εκμάθηση	Βαθιά μάθηση
Σύνολο δεδομένων εκπαίδευσης	Μικρό	Μεγάλο
Επιλέξτε λειτουργίες	Ναί	Οχι
Αριθμός αλγορίθμων	Πολλά	Λίγοι
Χρόνος εξάσκησης	Μικρός	Μακρύς

Με τη μηχανική εκμάθηση, χρειάζεστε λιγότερα δεδομένα για να εκπαιδεύσετε τον αλγόριθμο από τη βαθιά μάθηση. Η βαθιά μάθηση απαιτεί ένα εκτεταμένο και ποικίλο σύνολο δεδομένων για τον προσδιορισμό της υποκείμενης δομής. Εκτός αυτού, η μηχανική μάθηση παρέχει ένα ταχύτερα εκπαιδευμένο μοντέλο. Η πιο προηγμένη αρχιτεκτονική βαθιάς μάθησης μπορεί να διαρκέσει ημέρες έως μια εβδομάδα για να εκπαιδεύσει. Το πλεονέκτημα της βαθιάς μάθησης έναντι της μηχανικής μάθησης είναι ότι είναι εξαιρετικά ακριβές. Δεν χρειάζεται να καταλάβετε ποιες δυνατότητες είναι η καλύτερη αναπαράσταση των δεδομένων. το νευρωνικό δίκτυο έμαθε πώς να επιλέγει κρίσιμα χαρακτηριστικά. Στη μηχανική εκμάθηση, πρέπει να επιλέξετε μόνοι σας ποια χαρακτηριστικά θα συμπεριλάβετε στο μοντέλο.

Περίληψη

Η τεχνητή νοημοσύνη μεταδίδει μια γνωστική ικανότητα σε μια μηχανή. Συγκρίνοντας το AI με το Machine Learning, τα πρώτα συστήματα AI χρησιμοποίησαν ταίριασμα προτύπων και συστήματα ειδικών.

Η ιδέα πίσω από τη μηχανική μάθηση είναι ότι η μηχανή μπορεί να μάθει χωρίς ανθρώπινη παρέμβαση. Το μηχάνημα πρέπει να βρει έναν τρόπο να μάθει πώς να επιλύει μια εργασία δεδομένου των δεδομένων.

Η βαθιά μάθηση είναι η σημαντική ανακάλυψη στον τομέα της τεχνητής νοημοσύνης. Όταν υπάρχουν αρκετά δεδομένα για εκπαίδευση, η βαθιά μάθηση επιτυγχάνει εντυπωσιακά αποτελέσματα, ειδικά για την αναγνώριση εικόνας και τη μετάφραση κειμένου. Ο κύριος λόγος είναι ότι η εξαγωγή χαρακτηριστικών γίνεται αυτόματα στα διάφορα επίπεδα του δικτύου.