Apa perbedaan antara pembelajaran mesin dan pembelajaran mendalam?

Dapatkah seseorang menjelaskan kepada saya perbedaan antara pembelajaran mesin dan pembelajaran mendalam? Apakah mungkin untuk mempelajari pembelajaran yang dalam tanpa mengetahui pembelajaran mesin?

Pembelajaran mendalam adalah variasi spesifik dari jenis pembelajaran mesin tertentu. Jadi mungkin untuk belajar tentang pembelajaran yang mendalam tanpa mempelajari semua pembelajaran mesin, tetapi itu membutuhkan pembelajaran beberapa pembelajaran mesin (karena ini adalah pembelajaran mesin).

Pembelajaran mesin mengacu pada teknik apa pun yang berfokus pada pengajaran mesin bagaimana dapat mempelajari parameter statistik dari sejumlah besar data pelatihan. Salah satu jenis pembelajaran mesin adalah jaringan saraf tiruan, yang mempelajari jaringan transformasi nonlinier yang dapat memperkirakan fungsi yang sangat rumit dari array luas variabel input. Kemajuan terbaru dalam jaringan saraf tiruan berkaitan dengan bagaimana melatih jaringan saraf dalam , yang memiliki lebih banyak lapisan dari biasanya dan juga struktur khusus untuk menghadapi tantangan mempelajari lebih banyak lapisan.

Pembelajaran mendalam adalah salah satu bentuk pembelajaran mesin.

Deep learning mengacu pada pembelajaran dengan jaringan saraf yang dalam, pada dasarnya jaringan dengan banyak lapisan.

Jaringan saraf adalah satu kelompok dari banyak bentuk pembelajaran mesin:

• Jaringan Saraf Tiruan
• Pohon Keputusan dan Hutan Acak
• Mendukung Mesin Vektor
• Pendekatan Bayesian
• k-tetangga terdekat

Seperti dapat diterima sebagai inklusi diwakili oleh diagram Venn di atas mungkin, itu tidak terlalu jitu atau akurat.

Istilah Inteligensi Buatan, Pembelajaran Mesin, dan Pembelajaran Dalam, meskipun bukan merek juga tidak ilmiah. Mereka adalah istilah umum yang dinamai oleh orang-orang dengan pendanaan tertentu, komunikasi, dan perspektif departemen pada saat mereka menerbitkan istilah yang macet.

Selain itu, urutannya tidak benar. Apa yang disebut kecerdasan buatan saat ini adalah tujuan berabad-abad menggunakan mesin untuk mengotomatisasi aktivitas mental yang, pada masa itu, membutuhkan perhatian manusia dan mungkin memperluas kemampuan mental manusia melalui otomatisasi itu. Visi ini muncul jauh sebelum beralih sirkuit dan teori informasi dan karena itu sebelum ilmu komputer.

Akibatnya, ilmu komputer sebenarnya adalah bagian dari visi AI dan selanjutnya.

Pembelajaran mendalam adalah istilah yang didasarkan pada ide genting dan terlalu disederhanakan bahwa ada korelasi antara jumlah lapisan dalam jaringan buatan dan kedalaman abstraksi yang dapat dicapai oleh lapisan tersebut. Karena jumlah sel aktivasi dalam lapisan telah disebut lebar lapisan, pemilihan kedalaman dipilih untuk mengekspresikan dimensi kuantitas lapisan. Ini aneh karena diagram yang umum menggambarkan jumlah sel per lapisan sebagai tinggi, jumlah lapisan sebagai lebar, dan diagram tidak memiliki kedalaman karena 2-D. Tapi itu bukan masalah sebenarnya. Tidak ada dasar ilmiah untuk kedalaman jaringan dan kedalaman abstraksi, hanya dugaan, dan ada banyak bukti di bidang penglihatan komputer yang tidak sesederhana itu.

Diagram Venn berikut ini juga tidak berwibawa atau mewakili dengan sempurna, tetapi beberapa masalah dengan yang di atas diperbaiki. Meskipun itu menjawab pertanyaan dengan lebih cerdas dalam beberapa hal, masalah dalam pilihan kata dalam jargon biasanya tidak pernah diperbaiki tanpa dorongan yang signifikan, dan posting ini hampir tidak akan cukup.

Ketika saya mulai bab Machine Leraning dalam buku yang digunakan terlihat seperti ini

• I) Dibimbing:

  1. Regresi

     • Model linier

  2. Klasifikasi

     • Regresi Logistik
     • Jaringan syaraf
     • Tress Keputusan dan Hutan Acak
     • Meningkatkan dan mengantongi
     • SVD dan SVM

• II) Pembelajaran Tidak Terawasi:

  1. Clustering

     • K-Means
     • Hierarkis
     • Model Campuran Gaussian
     • DB Scan

  2. Belajar Asosiasi.

• III) Pembelajaran yang Berkesinambungan:

Tiba-tiba bab I> 2> b membuat sub-bidangnya sendiri. Yah untuk mengetahui alasannya, izinkan saya memberi tahu Anda sedikit sejarah. Machine learningkata itu diciptakan pada tahun 1959 oleh Arthur Samuel untuk menandakan hal itu machines were able to learn from datadaripada instruksi eksplisit. Pada awalnya dibagi menjadi dua kelompok berdasarkan apakah pendekatan tersebut memerlukan data label atau tidak (yaitu regresi, klasifikasi), maka mereka menyadari bahwa kita dapat melakukan kasifikasi dengan pengelompokan juga yang melahirkan tanpa pengawasan. Dan pembelajaran reinforment kata lahir terinspirasi oleh bidang teori permainan. Biarkan detail itu disisihkan untuk nanti.

Datang ke learnign mendalam, kata itu deep learningdatang baru-baru ini, baru-baru ini 2008 dari sebuah konferensi Geoff Hinton. Di sana orang mulai menggunakannya untuk menunjukkan arsitektur jaringan saraf yang sangat dalam yang digunakan dalam makalah yang disajikan oleh Geoff Hinton dan sejak saat itu menjadi semacam cara baru untuk mengklasifikasikan pembelajaran mesin selain supervised, unsupervisedatau reinforcement. (Disk: Mungkin ada referensi aneh dari memanggil NN sebagai DL sebelum ini tetapi tidak begitu populer dan dapat diterima sebelum ini)

Yah saya kadang-kadang merasa nama deep learningitu agak keliru, akan lebih baik jika itu dinamai neural learningatau untuk menekankan pada kedalaman mungkin deep neural learning. Jika Anda baru, Anda mungkin bertanya-tanya seberapa dalam yang saya bicarakan, seluruh kata yang dalam berasal dari fakta bahwa jaringan saraf (berkat ketersediaan kemampuan pemrosesan GPU yang tinggi) sekarang dapat melatih dengan sukses pada berbagai lapisan. Kata deep juga dapat digunakan secara longgar untuk memasukkan area pembelajaran mesin non-neural lainnya yang membutuhkan banyak perhitungan seperti deep belief netatau recurrent net. Untuk lebih tepatnya, unit-unit jaringan saat ini bukan lagi sekadar neuronatau a perceptron, bisa jadi LSTM, GRUatau capsule, jadi saya kira kata deepsekarang lebih masuk akal daripada sebelumnya.

Berikut definisi dasar machine learning:

"Algoritma yang mem-parsing data, belajar dari data itu, dan kemudian menerapkan apa yang telah mereka pelajari untuk membuat keputusan berdasarkan informasi"

Contoh mudah dari algoritme pembelajaran mesin adalah layanan streaming musik berdasarkan permintaan. Agar layanan dapat membuat keputusan tentang lagu atau artis baru mana yang akan direkomendasikan kepada pendengar, algoritma pembelajaran mesin mengaitkan preferensi pendengar dengan pendengar lain yang memiliki selera musik yang sama.

Pembelajaran mesin memicu semua jenis tugas dan rentang otomatis di berbagai industri, mulai dari perusahaan keamanan data yang memburu malware hingga membiayai profesional yang mencari perdagangan yang menguntungkan. Mereka dirancang untuk bekerja seperti asisten pribadi virtual, dan mereka bekerja dengan sangat baik.

Dalam istilah praktis, deep learninghanya sebagian dari pembelajaran mesin. Secara teknis ini adalah pembelajaran mesin dan fungsinya dengan cara yang sama (karenanya mengapa istilahnya kadang-kadang saling dipertukarkan), tetapi kemampuannya berbeda.

Model pembelajaran mesin dasar menjadi semakin baik pada fungsi apa pun fungsinya, tetapi mereka masih memiliki panduan. Jika algoritma ML mengembalikan prediksi yang tidak akurat, maka seorang insinyur perlu melangkah dan melakukan penyesuaian. Tetapi dengan model pembelajaran yang mendalam, algoritma dapat menentukan sendiri apakah suatu prediksi akurat atau tidak.

Deep Learning adalah himpunan bagian dari Machine Learning.

Pembelajaran mesin dan pembelajaran mendalam keduanya bukan dua hal yang berbeda. Pembelajaran mendalam adalah salah satu bentuk pembelajaran mesin. Tingkat lapisan dalam jaringan saraf semakin dalam pembelajaran mendalam adalah bagian dari pembelajaran mendalam.

“Pembelajaran yang dalam adalah jenis pembelajaran mesin yang mencapai kekuatan dan fleksibilitas besar dengan belajar untuk mewakili dunia sebagai hierarki konsep bersarang, dengan setiap konsep didefinisikan dalam kaitannya dengan konsep yang lebih sederhana, dan lebih banyak representasi abstrak yang dikomputasi dalam hal yang kurang abstrak. ”