Quelle est la différence entre le machine learning et le deep learning?

Quelqu'un peut-il m'expliquer la différence entre l'apprentissage automatique et l'apprentissage profond? Est-il possible d'apprendre le deep learning sans connaître le machine learning?

Le deep learning est une variété spécifique d'un type spécifique de machine learning. Il est donc possible d' en apprendre davantage sur l' apprentissage en profondeur sans avoir à apprendre tout l' apprentissage de la machine, mais il faut apprendre un peu l' apprentissage de la machine (car il est un apprentissage de la machine).

L'apprentissage automatique fait référence à toute technique qui vise à enseigner à la machine comment elle peut apprendre des paramètres statistiques à partir d'une grande quantité de données d'entraînement. Un type particulier d'apprentissage automatique est les réseaux de neurones artificiels, qui apprennent un réseau de transformations non linéaires qui peuvent se rapprocher de fonctions très compliquées de larges tableaux de variables d'entrée. Les progrès récents dans les réseaux de neurones artificiels ont à voir avec la façon de former des réseaux de neurones profonds , qui ont plus de couches que la normale et également une structure spéciale pour relever les défis de l'apprentissage de plus de couches.

L'apprentissage profond est une forme d'apprentissage automatique.

L'apprentissage profond fait référence à l'apprentissage avec des réseaux de neurones profonds, essentiellement des réseaux à plusieurs couches.

Les réseaux de neurones sont un groupe de nombreuses formes d'apprentissage automatique:

• Les réseaux de neurones
• Arbres de décision et forêts aléatoires
• Soutenir les machines vectorielles
• Approches bayésiennes
• k-voisins les plus proches

Aussi acceptable que puissent être les inclusions représentées par le diagramme de Venn ci-dessus, il n'est ni remarquablement parlant ni exact.

Les termes Intelligence artificielle, Machine Learning et Deep Learning, bien que les marques ne soient pas non plus précisément scientifiques. Ce sont des termes génériques nommés par des personnes ayant un financement, des communications et des perspectives ministérielles particuliers au moment où ils ont publié les termes qui restaient.

De plus, l'ordre des choses est incorrect. Ce que l'on appelle l'intelligence artificielle aujourd'hui était un objectif vieux de plusieurs siècles d'utiliser des machines pour automatiser les activités mentales qui, à l'époque, nécessitaient l'attention humaine et peut-être étendent les capacités mentales humaines grâce à cette automatisation. Cette vision est apparue bien avant la commutation des circuits et la théorie de l'information et donc avant l'informatique.

Par conséquent, l'informatique est en fait un sous-ensemble de cette vision de l'IA et qui en découle.

Le deep learning est un terme basé sur l'idée précaire et simplifiée qu'il existe une corrélation entre le nombre de couches dans un réseau artificiel et la profondeur d'abstraction que la couche peut atteindre. Étant donné que le nombre de cellules d'activation dans une couche avait été appelé la largeur de la couche, la sélection de la profondeur a été choisie pour exprimer la dimension de la quantité de couche. Cela est étrange car le diagramme typique représente le nombre de cellules par couche en hauteur, le nombre de couches en largeur et le diagramme n'a pas de profondeur car il est en 2D. Mais ce n'est pas le vrai problème. Il n'y a aucune base scientifique pour la profondeur d'un réseau et la profondeur de l'abstraction, juste une intuition, et il y a des preuves considérables dans le domaine de la vision par ordinateur que ce n'est pas si simple.

Ce diagramme de Venn suivant n'est pas non plus officiel ni parfaitement représentatif, mais certains des problèmes avec celui ci-dessus sont réparés. Même s'il répond à la question plus intelligemment à plusieurs égards, les problèmes de choix des mots dans le jargon ne sont généralement jamais corrigés sans une poussée significative, et ce message ne suffira presque pas.

Quand j'ai commencé les chapitres de Machine Leraning dans le livre ressemblaient à ça

• I) Supervisé:

  1. Régression

     • Modèles linéaires

  2. Classification

     • Régression logique
     • Réseau neuronal
     • Décision Tress et Random Forest
     • Boosting et ensachage
     • SVD et SVM

• II) Apprentissage non supervisé:

  1. Regroupement

     • K-Means
     • Hiérarchique
     • Modèle de mélange gaussien
     • Analyse DB

  2. Apprentissage d'association.

• III) Apprentissage par le renforcement:

Tout d'un coup, le chapitre I> 2> b a créé son propre sous-champ. Eh bien pour savoir pourquoi, permettez-moi de vous raconter un peu d'histoire. Machine learningmot a été inventé en 1959 par Arthur Samuel pour signifier que machines were able to learn from datal'instruction explicite. Initialement, elle était divisée en deux groupes selon que l'approche nécessitait ou non des données d'étiquette (c.-à-d. Régression, classification), puis ils ont réalisé que nous pouvions également procéder à la cassure en regroupant ce qui donnait naissance à des données non supervisées. Et l'apprentissage du renforcement des mots est né inspiré des domaines de la théorie des jeux. Permet de garder ces détails de côté pour plus tard.

Venant à un apprentissage profond, le mot deep learningest venu très récemment, aussi récemment qu'en 2008, lors d'une conférence de Geoff Hinton. Là, les gens ont commencé à l'utiliser pour indiquer une architecture de réseau neuronal très profonde utilisée dans un article présenté par Geoff Hinton et à partir de ce moment-là, cela est devenu en quelque sorte une nouvelle façon de classer l'apprentissage automatique supervised, unsupervisedoureinforcement . (Disque: Il peut y avoir une référence étrange de appeler NN comme DL avant cela mais pas si populaire et acceptable avant cela)

Eh bien, j'ai parfois l'impression que le nom deep learningest quelque peu inapproprié, il aurait été préférable de le nommer neural learningou de souligner la profondeur peut-être deep neural learning. Si vous êtes nouveau, vous vous demandez peut-être de quelle profondeur je parle, tout le mot profond vient du fait que le réseau de neurones (grâce à la disponibilité des capacités de traitement élevées des GPU) était maintenant en mesure de s'entraîner avec succès sur plusieurs couches. Le mot profond peut également être utilisé de manière lâche pour inclure d'autres domaines de réseau d'apprentissage non neuronal qui nécessitent beaucoup de calculs comme deep belief netou recurrent net. Pour être précis, les unités des réseaux d'aujourd'hui ne sont plus un simple neuronou un perceptron, cela peut être LSTM, GRUou un capsule, donc je suppose que le mot a deepplus de sens qu'auparavant.

Voici une définition de base de machine learning:

«Des algorithmes qui analysent les données, tirent des enseignements de ces données, puis appliquent ce qu'ils ont appris pour prendre des décisions éclairées»

Un exemple simple d'algorithme d'apprentissage automatique est un service de streaming musical à la demande. Pour que le service puisse décider des nouvelles chansons ou artistes à recommander à un auditeur, les algorithmes d'apprentissage automatique associent les préférences de l'auditeur à d'autres auditeurs qui ont un goût musical similaire.

L'apprentissage automatique alimente toutes sortes de tâches automatisées et s'étend sur plusieurs secteurs, des sociétés de sécurité des données à la recherche de logiciels malveillants aux professionnels de la finance à la recherche de métiers favorables. Ils sont conçus pour fonctionner comme des assistants personnels virtuels, et ils fonctionnent assez bien.

En termes pratiques, ce deep learningn'est qu'un sous-ensemble de l'apprentissage automatique. Il s'agit techniquement de l'apprentissage automatique et fonctionne de manière similaire (d'où la raison pour laquelle les termes sont parfois mal échangés), mais ses capacités sont différentes.

Les modèles d'apprentissage automatique de base s'améliorent progressivement quelle que soit leur fonction, mais ils offrent toujours quelques conseils. Si un algorithme ML renvoie une prédiction inexacte, un ingénieur doit intervenir et effectuer des ajustements. Mais avec un modèle d'apprentissage en profondeur, les algorithmes peuvent déterminer par eux-mêmes si une prédiction est exacte ou non.

Le Deep Learning est un sous-ensemble du Machine Learning.

L'apprentissage automatique et l'apprentissage en profondeur ne sont pas deux choses différentes. L'apprentissage profond est l'une des formes d'apprentissage automatique. Le niveau des couches dans le réseau neuronal est de plus en plus approfondi. L'apprentissage fait partie du Deep learning.

«Le deep learning est un type particulier de machine learning qui atteint une grande puissance et flexibilité en apprenant à représenter le monde comme une hiérarchie imbriquée de concepts, chaque concept étant défini par rapport à des concepts plus simples, et des représentations plus abstraites calculées en termes de moins abstraites. "