Was ist der Unterschied zwischen maschinellem Lernen und Tiefenlernen?

Kann mir jemand den Unterschied zwischen maschinellem und tiefem Lernen erklären? Ist es möglich, tiefes Lernen zu lernen, ohne maschinelles Lernen zu kennen?

Deep Learning ist eine bestimmte Variante einer bestimmten Art des maschinellen Lernens. So ist es möglich , über vertieftes Lernen zu lernen , ohne alle maschinellen Lernens zu lernen, aber es erfordert das Lernen etwas Maschinelles Lernen (weil es einige maschinelles Lernen ist).

Maschinelles Lernen bezieht sich auf jede Technik, die darauf abzielt, der Maschine beizubringen, wie sie aus einer großen Menge von Trainingsdaten statistische Parameter lernen kann. Eine besondere Art des maschinellen Lernens sind künstliche neuronale Netze, die ein Netz nichtlinearer Transformationen lernen, mit denen sich sehr komplizierte Funktionen von breiten Feldern von Eingangsvariablen approximieren lassen. Die jüngsten Fortschritte bei künstlichen neuronalen Netzen haben damit zu tun, wie tiefe neuronale Netze trainiert werden können, die mehr Schichten als normal aufweisen und auch eine spezielle Struktur aufweisen, um den Herausforderungen des Lernens von mehr Schichten zu begegnen.

Deep Learning ist eine Form des maschinellen Lernens.

Deep Learning bezieht sich auf das Lernen mit tiefen neuronalen Netzwerken, im Wesentlichen Netzwerken mit vielen Schichten.

Neuronale Netze sind eine Gruppe von vielen Formen des maschinellen Lernens:

• Neuronale Netze
• Entscheidungsbäume und zufällige Wälder
• Support-Vektor-Maschinen
• Bayesianische Ansätze
• k-nächste Nachbarn

So akzeptabel die durch das obige Venn-Diagramm dargestellten Einschlüsse auch sein mögen, es ist weder bemerkenswert aussagekräftig noch genau.

Die Begriffe Künstliche Intelligenz, Maschinelles Lernen und Tiefes Lernen, obwohl keine Marken, sind ebenfalls nicht genau wissenschaftlich. Dies sind Oberbegriffe, die von Personen mit bestimmten Finanzierungs-, Kommunikations- und Abteilungsperspektiven zu dem Zeitpunkt benannt wurden, als sie die steckengebliebenen Begriffe veröffentlichten.

Außerdem ist die Reihenfolge der Dinge falsch. Was heute als künstliche Intelligenz bezeichnet wird, war ein jahrhundertealtes Ziel, mit Maschinen mentale Aktivitäten zu automatisieren, die in jenen Tagen menschliche Aufmerksamkeit erforderten und möglicherweise die mentalen Fähigkeiten des Menschen durch diese Automatisierung erweitern. Diese Vision entstand lange vor der Vermittlung von Schaltkreisen und der Informationstheorie und damit vor der Informatik.

Folglich ist die Informatik tatsächlich eine Teilmenge dieser KI-Vision und folgt ihr.

Deep Learning ist ein Begriff, der auf der prekären und stark vereinfachten Vorstellung basiert, dass es eine Korrelation zwischen der Anzahl der Schichten in einem künstlichen Netzwerk und der Abstraktionstiefe gibt, die die Schicht erreichen kann. Da die Anzahl der Aktivierungszellen in einer Schicht die Breite der Schicht genannt wurde, wurde die Tiefenauswahl gewählt, um die Dimension der Schichtmenge auszudrücken. Dies ist seltsam, da in einem typischen Diagramm die Anzahl der Zellen pro Ebene als Höhe, die Anzahl der Ebenen als Breite und in dem Diagramm keine Tiefe dargestellt wird, da es zweidimensional ist. Aber das ist nicht das eigentliche Problem. Es gibt keine wissenschaftliche Grundlage für die Tiefe eines Netzwerks und die Tiefe der Abstraktion, nur eine Vermutung, und es gibt erhebliche Beweise im Bereich der Computer Vision, dass es nicht so einfach ist.

Dieses nächste Venn-Diagramm ist weder maßgeblich noch vollständig repräsentativ, aber einige der oben genannten Probleme wurden behoben. Auch wenn es die Frage in mehrfacher Hinsicht intelligenter beantwortet, werden die Probleme bei der Wortwahl im Jargon normalerweise nie ohne nennenswerten Druck behoben, und dieser Beitrag wird bei weitem nicht ausreichen.

Als ich mit dem Leraning von Maschinen anfing, sahen die Kapitel im Buch so aus

• I) Beaufsichtigt:

  1. Regression

     • Lineare Modelle

  2. Einstufung

     • Logestische Regression
     • Neurales Netzwerk
     • Entscheidung Tress und Random Forest
     • Boosting und Bagging
     • SVD und SVM

• II) Unüberwachtes Lernen:

  1. Clustering

     • K-Mittel
     • Hierarchisch
     • Gauß'sches Mischungsmodell
     • DB Scan

  2. Assoziationslernen.

• III) ReInforment-Lernen:

In Kapitel I> 2> b wurde plötzlich ein eigenes Unterfeld angelegt. Gut zu wissen, warum, lassen Sie mich Ihnen ein bisschen Geschichte erzählen.Machine learningDas Wort wurde 1959 von Arthur Samuel geprägt, um dies machines were able to learn from dataals ausdrückliche Anweisung zu bezeichnen. Anfangs wurde es in zwei Gruppen unterteilt, basierend darauf, ob der Ansatz Etikettendaten erforderte oder nicht (dh Regression, Klassifizierung), dann wurde ihnen klar, dass wir durch Clusterbildung auch Kassifizieren können, was zu unbeaufsichtigtem Wachstum führte. Und das Lernen der Wortverstärkung wurde inspiriert von Bereichen der Spieltheorie geboren. Lassen Sie uns diese Details für später beiseite legen.

Das Wort deep learningkam erst 2008 von einer Geoff-Hinton-Konferenz. Dort wurde damit begonnen, auf eine sehr tiefe neuronale Netzwerkarchitektur hinzuweisen, die in einem von Geoff Hinton vorgestellten Artikel verwendet wurde, und von da an wurde es zu einer Art neuen Methode zur Klassifizierung des maschinellen Lernens supervised.unsupervised oder reinforcement(Disc. Es ungeradee Referenz sein kann vorher NN als DL anrufen, aber vorher nicht so populär und akzeptabel

Nun, ich deep learningdenke manchmal, dass der Name etwas falsch ist. Es wäre besser gewesen, wenn er so genannt worden wäre neural learningoder um die Tiefe zu betonen deep neural learning. Wenn Sie neu sind, fragen Sie sich vielleicht, über welche Tiefe ich spreche. Das ganze Wort kam von der Tatsache, dass das neuronale Netzwerk (dank der Verfügbarkeit hoher Verarbeitungsfähigkeiten von GPUs) nun in der Lage war, erfolgreich auf mehreren Ebenen zu trainieren. Das Wort "tief" kann auch lose verwendet werden, um andere nicht-neuronale Netzwerkbereiche des maschinellen Lernens einzuschließen, die viel Rechenaufwand erfordern, wie " deep belief netoder" recurrent net. Um genau zu sein die Einheiten der heute Netze sind nicht mehr nur neuronoder ein perceptron, kann es sein LSTM, GRUoder ein capsule, so dass ich Wort erraten , deepmacht jetzt mehr Sinn als je zuvor.

Hier ist eine grundlegende Definition von machine learning:

„Algorithmen, die Daten analysieren, aus diesen Daten lernen und dann das Gelernte anwenden, um fundierte Entscheidungen zu treffen“

Ein einfaches Beispiel für einen Algorithmus für maschinelles Lernen ist ein Musik-Streaming-Dienst auf Abruf. Damit der Service eine Entscheidung darüber treffen kann, welche neuen Songs oder Künstler einem Hörer empfohlen werden sollen, verknüpfen maschinelle Lernalgorithmen die Vorlieben des Hörers mit anderen Hörern, die einen ähnlichen Musikgeschmack haben.

Maschinelles Lernen führt zu einer Vielzahl automatisierter Aufgaben und erstreckt sich über verschiedene Branchen, von Datensicherheitsunternehmen, die Malware jagen, bis hin zu Finanzfachleuten, die nach günstigen Geschäften Ausschau halten. Sie sind so konzipiert, dass sie wie virtuelle persönliche Assistenten funktionieren, und sie funktionieren recht gut.

In der Praxis deep learningist dies nur eine Teilmenge des maschinellen Lernens. Es ist technisch gesehen maschinelles Lernen und funktioniert auf ähnliche Weise (daher werden die Begriffe manchmal lose ausgetauscht), aber seine Fähigkeiten sind unterschiedlich.

Grundlegende Modelle des maschinellen Lernens werden bei jeder Funktion immer besser, bieten aber dennoch einige Orientierungshilfen. Wenn ein ML-Algorithmus eine ungenaue Vorhersage zurückgibt, muss ein Ingenieur eingreifen und Anpassungen vornehmen. Mit einem Deep-Learning-Modell können die Algorithmen jedoch selbst bestimmen, ob eine Vorhersage korrekt ist oder nicht.

Deep Learning ist eine Teilmenge des maschinellen Lernens.

Maschinelles Lernen und Tiefenlernen sind nicht zwei verschiedene Dinge. Deep Learning ist eine Form des maschinellen Lernens. Die Ebene der Schichten im neuronalen Netz wird immer tiefer. Lernen ist Teil des Tiefenlernens.

„Deep Learning ist eine besondere Art des maschinellen Lernens, das große Kraft und Flexibilität erreicht, indem es lernt, die Welt als verschachtelte Hierarchie von Konzepten darzustellen, wobei jedes Konzept in Bezug auf einfachere Konzepte definiert und abstraktere Darstellungen in Bezug auf weniger abstrakte berechnet werden. "