Erot ohjatun oppimisen ja syvän oppimisen välillä
Ohjatussa oppimisessa algoritmiin syöttämäsi harjoitustiedot sisältävät halutut ratkaisut, nimeltään tarrat. Tyypillinen ohjattu oppimistehtävä on luokittelu. Roskapostisuodatin on hyvä esimerkki tästä: sitä koulutetaan useilla esimerkki sähköposteilla luokansa (roskapostin tai kinkun) kanssa, ja sen on opittava luokittelemaan uusia sähköposteja.
Syvä oppiminen on yritystä jäljitellä toimintaa neokorteksin neuronikerroksissa, joka on noin 80% aivoista, missä ajattelu tapahtuu (Ihmisen aivoissa on noin 100 miljardia neuronia ja 100 ~ 1000 biljoonaa synapsia). Sitä kutsutaan syväksi, koska siinä on useampi kuin yksi piilotettu neuronikerros, jotka auttavat olemaan useita epälineaaristen piirteiden muutoksen tiloja
Head to Head -vertailun ohjattu oppiminen vs. syvä oppiminen (infografiat) välillä
Alla on viisi vertailtua ohjatun oppimisen ja syvän oppimisen välillä 
Keskeiset erot ohjatun oppimisen ja syvän oppimisen välillä
Sekä ohjattu oppiminen vs. syvä oppiminen ovat suosittuja valintoja markkinoilla; keskustelemme joistain tärkeimmistä eroista ohjatun oppimisen ja syvän oppimisen välillä:
● Tärkeimmät mallit -
Tärkeitä valvottuja malleja ovat -
○ k-lähimmät naapurit - Käytetään luokitteluun ja regressioon
○ Lineaarinen regressio - ennustamiseen / regressioon
○ Logistinen regressio - luokittelua varten
○ Tukivektorikoneet (SVM) - Käytetään luokitteluun ja regressioon
○ Päätöspuut ja satunnaiset metsät - Sekä luokittelu- että regressiotehtävät
Suosituimmat syvät hermoverkot:
● Monikerroksiset käsitykset (MLP) - perusteellisin tyyppi. Tämä verkko on yleensä aloitusvaihe rakennettaessa muita kehittyneempiä syviä verkkoja, ja sitä voidaan käyttää mihin tahansa valvottuihin regressio- tai luokitteluongelmiin
● Autoenkooderit (AE) - Verkossa on valvomattomia oppimisalgoritmeja ominaisuuksien oppimiseen, mittojen pienentämiseen ja ulkopuolisten havaitsemiseen
● Convolution Neural Network (CNN) - soveltuu erityisen hyvin paikkatietoon, esineiden tunnistamiseen ja kuvan analysointiin, kun käytetään moniulotteisia neuronirakenteita. Yksi syy oppimisen suosiota viime aikoina johtuu CNN: stä.
● Toistuva hermoverkko (RNN) - RNN: iä käytetään sekvensoituun data-analyysiin, kuten aikasarjat, sentimenttianalyysi, NLP, kielen kääntäminen, puheentunnistus, kuvatekstit. Yksi yleisimmistä RNN-malleista on pitkä lyhytaikainen muisti (LSTM) -verkko.
● Harjoitustiedot - Kuten aiemmin mainittiin, valvotut mallit tarvitsevat harjoitustietoja tarroilla. Mutta syvä oppiminen voi käsitellä tietoja etiketteillä tai ilman niitä. Joitakin hermoverkkoarkkitehtuureita, kuten autoenkoodereita ja rajoitettuja Boltzmann-koneita, ei voida valvoa
● Ominaisuuden valinta - Jotkut valvotut mallit kykenevät analysoimaan ominaisuuksia ja valitsemaan ominaisuuden alajoukon kohteen määrittämiseksi. Mutta suurimman osan ajasta tämä on käsiteltävä tietojen valmisteluvaiheessa. Mutta syvissä hermoverkoissa syntyy uusia ominaisuuksia ja ei-toivotut ominaisuudet hylätään oppimisen edetessä.
● Tietojen edustaminen - Klassisissa valvomissa malleissa syöttöominaisuuksien korkean tason abstrakteja ei luoda. Lopullinen malli, joka yrittää ennustaa tuotoksen soveltamalla matemaattisia muunnelmia syöteominaisuuksien osajoukkoon.
Mutta syvissä hermoverkoissa syöttöominaisuuksien abstraktiot muodostuvat sisäisesti. Esimerkiksi käännettäessä tekstiä, hermoverkko muuntaa ensin syötetekstin sisäiseksi koodaukseksi ja muuntaa sitten abstraktin esityksen kohdekieleksi.
● Framework - Ohjattuja ML-malleja tukee paljon yleisiä ML-kehyksiä eri kielillä - Apache Mahout, Scikit Learn, Spark ML ovat joitakin näistä.
Suurin osa syväoppimiskehyksistä tarjoaa kehittäjäystävällisen abstraktin, joka luo verkon helposti, huolehtii laskennan jakelusta ja tukee GPU: ita.Kahvi, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow ovat suosittuja viitekehyksiä.Tensorflow Googlea käytetään laajalti nyt aktiivisella yhteisön tuella.
Ohjattu oppiminen vs. syvän oppimisen vertailutaulukko
Alla on joitain keskeisiä vertailuja ohjatun oppimisen ja syvän oppimisen välillä
| Ohjatun oppimisen ja syvän oppimisen vertailun perusteet | Ohjattu oppiminen | Syvä oppiminen |
| Malliharjoittelu | Tärkeimmät tehtävät koulutuksessa -
| Tärkeimmät tehtävät koulutuksessa -
|
| Järjestelmän potentiaali | Käytetään ratkaisemaan suhteellisen yksinkertaisia tehtäviä, joissa suhde syöttöominaisuuksiin ja kohteeseen on ihmisen havaittavissa ja ominaisuuksien suunnittelu on suoraa. Esim :
| Syvällä oppimisella voidaan tehdä todella älykkäitä tehtäviä, kuten
|
| Joustavuus | Mallit ovat joustavampia, mikä auttaa hienosäätämään ML-mallia helposti. Oikeiden hyperparametrien löytämiseksi on olemassa hyvin määriteltyjä menetelmiä, kuten ristikkohaku ja ristivalidointi | Vähemmän joustavia, koska on olemassa monia hyperparamerejä, jotka mukautettavat kuten useita kerroksia, neuronien lukumäärä kerrosta kohti, jokaisessa kerroksessa käytettävän aktivointitoiminnon tyyppi, painon alustuslogiikka ja paljon muuta. |
| Ominaisuuden edustaminen | Johdetut tai abstraktit piirteet, jotka luodaan nimenomaisesti. Esimerkiksi polynomiominaisuudet syötteenä lineaariselle regressiomallille | Abstrakti tietojen esitys luodaan automaattisesti piilotettuina kerroksina. Siksi koulutettu CNN-hermoverkko voi havaita kissan kuvassa. |
| Generatiiviset mallit | Mitään alkuperäistä ei voida tuottaa, koska automaattista abstraktia tietojen esittämistä ei tapahdu | Koulutuksensa jälkeen tietyn tyyppinen syvähermoverkko voi tuottaa uusia kuvia, kappaleita tai tekstiä. Niitä kutsutaan GNN (generatiivinen hermoverkko) tai GAN (Generative Adversarial Networks)
Jotkin tämän tyyppiset verkot toteutetaan jopa uusien muotisuunnitelmien luomiseksi |
Johtopäätös - Ohjattu oppiminen vs. syväoppiminen
DNN: n (syvähermoverkko) tarkkuus ja kyky ovat lisääntyneet paljon viime vuosina. Siksi DNN: t ovat nyt aktiivisen tutkimuksen alue ja uskomme, että sillä on potentiaalia kehittää yleinen älykäs järjestelmä. Samanaikaisesti on vaikeaa perustella, miksi DNN antaa tietyn tuotoksen, joka tekee verkon hienosäätämisestä todella vaikeaa. Joten jos ongelma voidaan ratkaista käyttämällä yksinkertaisia ML-malleja, on suositeltavaa käyttää sitä. Tästä syystä yksinkertaisella lineaarisella regressiolla on merkitystä, vaikka yleinen älykäs järjestelmä kehitettäisiin DNN: n avulla.
Suositeltava artikkeli
Tämä on ollut opas valvotun oppimisen ja syvän oppimisen tärkeimpiin eroihin. Tässä keskustellaan myös ohjatun oppimisen ja syvän oppimisen tärkeimmistä eroista infografian ja vertailutaulukon kanssa. Saatat myös katsoa seuraavia artikkeleita -
- Ohjattu oppiminen vs vahvistusoppiminen
- Ohjattu oppiminen vs.
- Neuraaliverkot vs. syvä oppiminen
- Koneoppiminen vs ennakoiva analyysi
- TensorFlow vs. Caffe: Mitkä ovat erot
- Mikä on ohjattu oppiminen?
- Mikä on vahvistusoppiminen?
- Kuusi parhainta vertailua CNN: n ja RNN: n välillä