Unterschied zwischen maschinellem Lernen und Deep Learning

Hauptunterschied zwischen maschinellem Lernen und tiefem Lernen

Die Hauptunterschiede zwischen maschinellem Lernen und Deep Learning sind:

• Maschinelles Lernen bietet eine hervorragende Leistung bei kleinen/mittleren Datensätzen, während Deep Learning eine hervorragende Leistung bei großen Datensätzen bietet
• ML funktioniert auf einer Low-End-Maschine, während DL eine leistungsstarke Maschine erfordert, vorzugsweise mit GPU.
• Die Ausführungszeit für maschinelles Lernen beträgt zwischen wenigen Minuten und Stunden, während Deep Learning bis zu Wochen dauern kann.
• Beim maschinellen Lernen benötigen Sie weniger Daten zum Trainieren des Algorithmus als beim Deep Learning. Deep Learning erfordert einen umfangreichen und vielfältigen Datensatz, um die zugrunde liegende Struktur zu identifizieren.

Was ist AI?

KI (Künstliche Intelligenz) ist ein Zweig der Informatik, in dem Maschinen programmiert und mit der kognitiven Fähigkeit ausgestattet werden, wie Menschen und Tiere zu denken und Handlungen nachzuahmen. Der Maßstab für KI ist die menschliche Intelligenz in Bezug auf Argumentation, Sprache, Lernen, Vision und Problemlösung, die noch in weiter Ferne liegt.

KI hat drei verschiedene Ebenen

1) Schmale KI: Von einer künstlichen Intelligenz spricht man dann, wenn die Maschine eine bestimmte Aufgabe besser erledigen kann als ein Mensch. Die aktuelle Forschung zur KI ist jetzt hier
2) Allgemeine KI: Eine künstliche Intelligenz erreicht den allgemeinen Zustand, wenn sie jede intellektuelle Aufgabe mit der gleichen Genauigkeit ausführen kann wie ein Mensch
3) Aktive KI: Eine KI ist aktiv, wenn sie Menschen in vielen Aufgaben schlagen kann

Frühe KI-Systeme verwendeten Mustervergleich und Expertensysteme.

Was ist maschinelles Lernen (ML)?

ML (Maschinelles lernen) ist eine Art von KI, bei der ein Computer darauf trainiert wird, Aufgaben zu automatisieren, die für Menschen anstrengend oder unmöglich sind. Es ist das beste Werkzeug, um Daten basierend auf dem Studium von Computeralgorithmen zu analysieren, zu verstehen und Muster darin zu erkennen. Maschinelles Lernen kann Entscheidungen mit minimalem menschlichen Eingriff treffen.

Vergleich Künstliche Intelligenz Im Vergleich zu maschinellem Lernen verwendet maschinelles Lernen Daten, um einen Algorithmus zu füttern, der die Beziehung zwischen Eingabe und Ausgabe verstehen kann. Wenn die Maschine mit dem Lernen fertig ist, kann sie den Wert oder die Klasse eines neuen Datenpunkts vorhersagen.

Was ist Deep Learning (DL)?

Deep Learning ist eine Computersoftware, die das Netzwerk der Neuronen im Gehirn nachahmt. Es ist eine Untergruppe des maschinellen Lernens und wird Deep Learning genannt, weil es tiefe neuronale Netzwerke nutzt. Die Maschine nutzt verschiedene Schichten, um aus den Daten zu lernen. Die Tiefe des Modells wird durch die Anzahl der Schichten im Modell dargestellt. Deep Learning ist der neueste Stand der Technik in Sachen KI. Beim Deep Learning wird die Lernphase durch ein neuronales Netzwerk durchgeführt. Ein neuronales Netzwerk ist eine Architektur, bei der die Schichten übereinander gestapelt sind

Unterschied zwischen maschinellem Lernen und tiefem Lernen

Nachfolgend finden Sie einen wesentlichen Unterschied zwischen Deep Learning und maschinellem Lernen

Parameter	Maschinelles lernen	Tiefes Lernen
Datenabhängigkeiten	Hervorragende Leistung bei einem kleinen/mittleren Datensatz	Hervorragende Leistung bei einem großen Datensatz
Hardware-Abhängigkeiten	Arbeiten Sie an einer Low-End-Maschine.	Erfordert eine leistungsstarke Maschine, vorzugsweise mit GPU: DL führt einen erheblichen Teil der Matrixmultiplikation durch
Feature Engineering	Sie müssen die Funktionen verstehen, die die Daten darstellen	Es ist nicht erforderlich, die beste Funktion zu verstehen, die die Daten darstellt
Ausführungszeit	Von wenigen Minuten bis zu Stunden	Bis zu Wochen. Das neuronale Netzwerk muss eine beträchtliche Anzahl von Gewichten berechnen
Interpretierbarkeit	Einige Algorithmen sind leicht zu interpretieren (Logistik, Entscheidungsbaum), andere sind fast unmöglich (SVM, XGBoost)	Schwierig bis unmöglich

Wann sollte ML oder DL verwendet werden?

In der folgenden Tabelle fassen wir den Unterschied zwischen Maschinelles Lernen und tiefe Lernen mit Beispielen.

Parameter	Maschinelles lernen	Tiefes Lernen
Trainingsdatensatz	Small	Large
Wählen Sie Funktionen	Ja	Nein
Anzahl der Algorithmen	Viele	Wenige
Trainings zeit	kurz	lang

Beim maschinellen Lernen benötigen Sie weniger Daten, um den Algorithmus zu trainieren, als beim Deep Learning. Deep Learning erfordert einen umfangreichen und vielfältigen Datensatz, um die zugrunde liegende Struktur zu identifizieren. Außerdem bietet maschinelles Lernen ein schneller trainiertes Modell. Das Training der meisten fortschrittlichen Deep-Learning-Architekturen kann mehrere Tage bis eine Woche dauern. Der Vorteil von Deep Learning gegenüber maschinellem Lernen besteht in seiner hohen Genauigkeit. Sie müssen nicht verstehen, welche Merkmale die Daten am besten darstellen; das neuronale Netzwerk hat gelernt, wie kritische Merkmale ausgewählt werden. Beim maschinellen Lernen müssen Sie selbst entscheiden, welche Merkmale in das Modell aufgenommen werden sollen.

Maschineller Lernprozess

Stellen Sie sich vor, Sie sollen ein Programm erstellen, das Objekte erkennt. Um das Modell zu trainieren, verwenden Sie a Klassifikator. Ein Klassifikator verwendet die Merkmale eines Objekts, um zu versuchen, die Klasse zu identifizieren, zu der es gehört.

Im Beispiel wird der Klassifikator darauf trainiert, zu erkennen, ob es sich bei dem Bild um Folgendes handelt:

• Fahrrad
• Boat
• Auto
• Flugzeug

Die vier oben genannten Objekte sind die Klasse, die der Klassifikator erkennen muss. Um einen Klassifikator zu erstellen, müssen Sie einige Daten als Eingabe haben und ihnen eine Bezeichnung zuweisen. Der Algorithmus nimmt diese Daten, findet ein Muster und klassifiziert es dann in die entsprechende Klasse.

Diese Aufgabe heißt überwachtes Lernen. Beim überwachten Lernen enthalten die Trainingsdaten, die Sie dem Algorithmus zuführen, eine Beschriftung.

Um einen Algorithmus zu trainieren, müssen einige Standardschritte befolgt werden:

• Sammeln Sie die Daten
• Trainieren Sie den Klassifikator
• Voraussagen machen

Der erste Schritt ist notwendig: Die Auswahl der richtigen Daten entscheidet über den Erfolg oder Misserfolg des Algorithmus. Die Daten, die Sie zum Trainieren des Modells auswählen, werden als a bezeichnet -Funktion Im Objektbeispiel sind die Merkmale die Pixel der Bilder.

Jedes Bild ist eine Zeile in den Daten, während jedes Pixel eine Spalte ist. Wenn Ihr Bild eine Größe von 28×28 hat, enthält der Datensatz 784 Spalten (28×28). Im Bild unten wurde jedes Bild in einen Merkmalsvektor umgewandelt. Die Beschriftung teilt dem Computer mit, welches Objekt sich im Bild befindet.

Ziel ist es, anhand dieser Trainingsdaten den Objekttyp zu klassifizieren. Der erste Schritt besteht aus der Erstellung der Feature-Spalten. Im zweiten Schritt erfolgt dann die Auswahl eines Algorithmus zum Trainieren des Modells. Wenn das Training abgeschlossen ist, wird das Modell vorhersagen, welches Bild welchem ​​Objekt entspricht.

Danach ist es einfach, das Modell zur Vorhersage neuer Bilder zu verwenden. Für jedes neue Bild, das in das Modell eingespeist wird, sagt die Maschine voraus, zu welcher Klasse es gehört. Beispielsweise durchläuft ein völlig neues Bild ohne Beschriftung das Modell. Für einen Menschen ist es trivial, sich das Bild als Auto vorzustellen. Die Maschine nutzt ihr Vorwissen, um vorherzusagen, dass es sich bei dem Bild um ein Auto handelt.

Deep-Learning-Prozess

Beim Deep Learning wird die Lernphase durch ein neuronales Netzwerk durchgeführt. Ein neuronales Netzwerk ist eine Architektur, bei der die Schichten übereinander gestapelt sind.

Betrachten Sie das gleiche Bildbeispiel oben. Der Trainingssatz würde einem neuronalen Netzwerk zugeführt

Jede Eingabe geht in ein Neuron und wird mit einem Gewicht multipliziert. Das Ergebnis der Multiplikation fließt in die nächste Ebene und wird zur Eingabe. Dieser Vorgang wird für jede Schicht des Netzwerks wiederholt. Die letzte Ebene wird als Ausgabeebene bezeichnet. Es liefert einen tatsächlichen Wert für die Regressionsaufgabe und eine Wahrscheinlichkeit jeder Klasse für die Klassifizierungsaufgabe. Das neuronale Netzwerk verwendet einen mathematischen Algorithmus, um die Gewichte aller Neuronen zu aktualisieren. Das neuronale Netzwerk ist vollständig trainiert, wenn der Wert der Gewichte eine Ausgabe liefert, die der Realität nahe kommt. Beispielsweise kann ein gut trainiertes neuronales Netzwerk das Objekt auf einem Bild mit höherer Genauigkeit erkennen als das herkömmliche neuronale Netzwerk.

Automatisieren Sie die Feature-Extraktion mit DL

Ein Datensatz kann ein Dutzend bis Hunderte von Features enthalten. Das System lernt aus der Relevanz dieser Funktionen. Allerdings sind nicht alle Merkmale für den Algorithmus sinnvoll. Ein entscheidender Teil des maschinellen Lernens besteht darin, relevante Funktionen zu finden, damit das System etwas lernt.

Eine Möglichkeit, diesen Teil des maschinellen Lernens durchzuführen, ist die Verwendung der Merkmalsextraktion. Die Merkmalsextraktion kombiniert vorhandene Merkmale, um einen relevanteren Satz von Merkmalen zu erstellen. Dies kann mit PCA, T-SNE oder anderen Algorithmen zur Dimensionsreduzierung erfolgen.

Bei einer Bildverarbeitung muss der Arzt beispielsweise bestimmte Merkmale im Bild manuell extrahieren, z. B. Augen, Nase, Lippen usw. Diese extrahierten Merkmale werden dem Klassifizierungsmodell zugeführt.

Deep Learning löst dieses Problem, insbesondere für ein Convolutional Neural Network. Die erste Schicht eines neuronalen Netzwerks lernt kleine Details aus dem Bild; die nächsten Schichten kombinieren das vorherige Wissen, um komplexere Informationen zu erstellen. Im Convolutional Neural Network erfolgt die Merkmalsextraktion mithilfe des Filters. Das Netzwerk wendet einen Filter auf das Bild an, um zu sehen, ob eine Übereinstimmung vorliegt, d. h. die Form des Merkmals mit einem Teil des Bildes identisch ist. Wenn eine Übereinstimmung vorliegt, verwendet das Netzwerk diesen Filter. Der Prozess der Merkmalsextraktion erfolgt daher automatisch.

Zusammenfassung

Künstliche Intelligenz ist die Vermittlung einer kognitiven Fähigkeit an eine Maschine. Beim Vergleich von KI und maschinellem Lernen verwendeten frühe KI-Systeme Mustervergleich und Expertensysteme.

Die Idee hinter maschinellem Lernen ist, dass die Maschine ohne menschliches Eingreifen lernen kann. Die Maschine muss einen Weg finden, zu lernen, wie sie anhand der Daten eine Aufgabe löst.

Deep Learning ist der Durchbruch auf dem Gebiet der künstlichen Intelligenz. Wenn genügend Daten zum Trainieren vorhanden sind, erzielt Deep Learning beeindruckende Ergebnisse, insbesondere bei der Bilderkennung und Textübersetzung. Der Hauptgrund dafür ist, dass die Merkmalsextraktion automatisch in den verschiedenen Schichten des Netzwerks erfolgt.