Sự khác biệt giữa học máy và học sâu là gì?

Ai đó có thể giải thích cho tôi sự khác biệt giữa học máy và học sâu không? Có thể học sâu học mà không biết học máy?

Học sâu là một loạt các loại máy học cụ thể. Vì vậy, có thể học về học sâu mà không cần học tất cả các máy học, nhưng nó đòi hỏi phải học một số máy học (vì đó là học máy).

Học máy liên quan đến bất kỳ kỹ thuật nào tập trung vào việc dạy máy làm thế nào nó có thể học các tham số thống kê từ một lượng lớn dữ liệu đào tạo. Một loại học máy đặc biệt là mạng nơ ron nhân tạo, học một mạng biến đổi phi tuyến có thể xấp xỉ các hàm rất phức tạp của các mảng rộng của các biến đầu vào. Những tiến bộ gần đây trong mạng lưới thần kinh nhân tạo phải làm với cách đào tạo mạng lưới thần kinh sâu , có nhiều lớp hơn bình thường và cũng có cấu trúc đặc biệt để đối phó với những thách thức của việc học nhiều lớp hơn.

Học sâu là một dạng của học máy.

Học sâu liên quan đến việc học với các mạng lưới thần kinh sâu, về cơ bản là các mạng có nhiều lớp.

Mạng lưới thần kinh là một nhóm gồm nhiều hình thức học máy:

• Mạng lưới thần kinh
• Cây quyết định và rừng ngẫu nhiên
• Hỗ trợ máy Vector
• Phương pháp tiếp cận Bayes
• hàng xóm gần nhất

Có thể chấp nhận như các thể vùi được biểu thị bằng biểu đồ Venn ở trên, nó không phải là đáng kể hay chính xác.

Các thuật ngữ Trí tuệ nhân tạo, Học máy và Học sâu, mặc dù không phải thương hiệu cũng không chính xác về mặt khoa học. Chúng là những thuật ngữ ô được đặt tên bởi những người có kinh phí, thông tin liên lạc và quan điểm của các bộ phận tại thời điểm họ công bố các điều khoản bị mắc kẹt.

Hơn nữa, thứ tự của mọi thứ là không chính xác. Cái được gọi là trí tuệ nhân tạo ngày nay là mục tiêu hàng thế kỷ của việc sử dụng máy móc để tự động hóa các hoạt động tinh thần, mà vào thời đó, cần có sự chú ý của con người và có lẽ mở rộng khả năng tinh thần của con người thông qua tự động hóa đó. Tầm nhìn này nảy sinh từ lâu trước khi chuyển mạch và lý thuyết thông tin và do đó trước khoa học máy tính.

Do đó, khoa học máy tính thực sự là một tập hợp con của tầm nhìn AI đó và tiếp theo nó.

Học sâu là một thuật ngữ dựa trên ý tưởng bấp bênh và đơn giản hóa rằng có một mối tương quan giữa số lượng lớp trong mạng nhân tạo và độ sâu trừu tượng mà lớp có thể đạt được. Vì số lượng ô kích hoạt trong một lớp được gọi là chiều rộng của lớp, nên việc chọn độ sâu được chọn để thể hiện kích thước của đại lượng lớp. Điều này là kỳ lạ bởi vì biểu đồ điển hình mô tả số lượng ô trên mỗi lớp là chiều cao, số lớp là chiều rộng và sơ đồ không có chiều sâu vì nó là 2 chiều. Nhưng đó không phải là vấn đề thực sự. Không có cơ sở khoa học nào cho độ sâu của mạng và độ sâu trừu tượng, chỉ là linh cảm và có bằng chứng đáng kể trong lĩnh vực thị giác máy tính rằng nó không đơn giản.

Biểu đồ Venn tiếp theo này cũng không phải là ủy quyền hay đại diện hoàn hảo, nhưng một số vấn đề với vấn đề trên đã được sửa chữa. Mặc dù nó trả lời câu hỏi thông minh hơn ở một số khía cạnh, các vấn đề trong lựa chọn từ ngữ trong thuật ngữ thường không bao giờ được sửa chữa nếu không có một sự thúc đẩy đáng kể, và bài đăng này sẽ gần như không đủ.

Khi tôi bắt đầu các chương Machine Leraning trong cuốn sách được sử dụng để trông như thế này

• Tôi) Giám sát:

  1. hồi quy

     • Mô hình tuyến tính

  2. Phân loại

     • Hồi quy logistic
     • Mạng lưới thần kinh
     • Quyết định Tress và Rừng ngẫu nhiên
     • Tăng cường và đóng bao
     • SVD và SVM

• II) Học tập không giám sát:

  1. Phân cụm

     • Phương tiện
     • Thứ bậc
     • Mô hình hỗn hợp Gaussian
     • Quét DB

  2. Hội học tập.

• III) Học lại:

Tất cả một chương bất ngờ I> 2> b đã tạo ra một trường con của chính nó. Vâng để biết tại sao, hãy để tôi nói cho bạn một chút về lịch sử. Machine learningtừ được đặt ra vào năm 1959 bởi Arthur Samuel để biểu thị điều đó machines were able to learn from datahơn là chỉ dẫn rõ ràng. Ban đầu, nó được chia thành hai nhóm dựa trên cách tiếp cận có yêu cầu dữ liệu nhãn hay không (nghĩa là hồi quy, phân loại), sau đó họ nhận ra rằng chúng ta có thể kết nối bằng cách phân cụm quá mức sinh ra không được giám sát. Và học tập củng cố từ được sinh ra lấy cảm hứng từ các lĩnh vực của lý thuyết trò chơi. Hãy để những chi tiết đó sang một bên cho sau này.

Đến với học sâu, từ này deep learningxuất hiện rất gần đây, gần đây như năm 2008 từ một hội nghị Geoff Hinton. Ở đó, mọi người bắt đầu sử dụng nó để chỉ ra một kiến ​​trúc mạng thần kinh rất sâu được sử dụng trong một bài báo được trình bày bởi Geoff Hinton và từ đó trở đi, nó trở thành một cách mới để phân loại học máy bên cạnh supervised, unsupervisedhoặc reinforcement(Đĩa: Có thể có tham chiếu kỳ lạ về gọi NN là DL trước đây nhưng không phổ biến và được chấp nhận trước đó)

Vâng, đôi khi tôi cảm thấy tên deep learningnày có phần sai lệch, nó sẽ tốt hơn nếu nó được đặt tên như neural learninghoặc nhấn mạnh vào chiều sâu có thể deep neural learning. Nếu bạn là người mới, bạn có thể tự hỏi tôi đang nói về độ sâu nào, toàn bộ từ sâu đến từ thực tế là mạng thần kinh (nhờ khả năng xử lý cao của GPU) giờ đã có thể đào tạo thành công trên nhiều lớp. Từ sâu cũng có thể được sử dụng một cách lỏng lẻo để bao gồm các lĩnh vực mạng phi thần kinh khác của học máy đòi hỏi nhiều tính toán như deep belief nethoặc recurrent net. Nói chính xác, các đơn vị của các mạng ngày nay không còn đơn thuần neuronhay a perceptron, nó có thể LSTM, GRUhoặc a capsule, vì vậy tôi đoán từ deepbây giờ có ý nghĩa hơn trước.

Đây là một định nghĩa cơ bản về machine learning:

Các thuật toán mà phân tích dữ liệu, học hỏi từ dữ liệu đó và sau đó áp dụng những gì họ đã học để đưa ra quyết định sáng suốt

Một ví dụ dễ hiểu về thuật toán học máy là dịch vụ truyền phát nhạc theo yêu cầu. Để dịch vụ đưa ra quyết định về những bài hát hoặc nghệ sĩ mới sẽ giới thiệu cho người nghe, thuật toán học máy liên kết sở thích của người nghe với những người nghe khác có cùng sở thích âm nhạc.

Máy học tạo ra tất cả các loại nhiệm vụ tự động và trải dài trên nhiều ngành công nghiệp, từ các công ty bảo mật dữ liệu săn lùng phần mềm độc hại đến các chuyên gia tài chính đang tìm kiếm các giao dịch thuận lợi. Chúng được thiết kế để hoạt động như các trợ lý cá nhân ảo và chúng hoạt động khá tốt.

Trong thực tế, deep learningchỉ là một tập hợp con của máy học. Về mặt kỹ thuật, nó là máy học và các chức năng theo cách tương tự (do đó tại sao các thuật ngữ đôi khi được thay thế một cách lỏng lẻo), nhưng khả năng của nó là khác nhau.

Các mô hình học máy cơ bản trở nên ngày càng tốt hơn ở bất kỳ chức năng nào của chúng, nhưng chúng vẫn có một số hướng dẫn. Nếu thuật toán ML trả về dự đoán không chính xác, thì một kỹ sư cần phải bước vào và thực hiện các điều chỉnh. Nhưng với một mô hình học tập sâu, các thuật toán có thể tự xác định xem dự đoán có chính xác hay không.

Deep Learning là tập hợp con của Machine Learning.

Học máy và học sâu cả hai không phải là hai điều khác nhau. Học sâu là một trong những hình thức học máy. Mức độ của các lớp trong mạng lưới thần kinh ngày càng có chiều sâu trong học tập sâu là một phần của Deep learning.

Học sâu là một kiểu học máy đặc biệt đạt được sức mạnh và tính linh hoạt cao bằng cách học cách thể hiện thế giới theo thứ bậc của các khái niệm, với mỗi khái niệm được định nghĩa liên quan đến các khái niệm đơn giản hơn và các biểu diễn trừu tượng hơn được tính theo các khái niệm ít trừu tượng hơn. Giáo dục