Különbségek a felügyelt tanulás és a mély tanulás között
A felügyelt tanulás során az algoritmusba táplált képzési adatok tartalmazzák a kívánt megoldásokat, az úgynevezett címkéket. Egy tipikus felügyelt tanulási feladat az osztályozás. A spamszűrő erre jó példa: sok példa e-maillel és az osztályukkal (spam vagy ham) képzik, és meg kell tanulnia az új e-mailek osztályozását.
A mély tanulás egy kísérlet arra, hogy utánozza a neokortexben lévő neuronrétegekben zajló aktivitást, amely az agy körülbelül 80% -ában található, ahol a gondolkodás megtörténik (Egy emberi agyban körülbelül 100 milliárd neuron és 100 ~ 1000 billió szinapszis található). Mélynek hívják, mert egynél több rejtett neuronréteggel rendelkezik, amelyek elősegítik a nemlineáris tulajdonság-transzformáció több állapotát
A felügyelt tanulás és a mély tanulás (infographics) fej-fej összehasonlítása
Az alábbiakban az öt legfontosabb összehasonlítás található a felügyelt tanulás és a mély tanulás között
Főbb különbségek a felügyelt tanulás és a mély tanulás között
Mind a felügyelt tanulás, mind a mély tanulás népszerű választás a piacon; beszéljünk néhány főbb különbségről a felügyelt és a mély tanulás között:
● Fő modellek -
A fontos felügyelt modellek a következők:
○ k-Legközelebbi szomszédok - Osztályozáshoz és regresszióhoz használják
○ Lineáris regresszió - előrejelzéshez / regresszióhoz
○ Logisztikus regresszió - osztályozáshoz
○ Támogató vektorgépek (SVM) - osztályozáshoz és regresszióhoz használják
○ Döntési fák és véletlenszerű erdők - Mind osztályozási, mind regressziós feladatok
Legnépszerűbb mély idegi hálózatok:
● Többrétegű perceptronok (MLP) - a legalapvetőbb típus. Ez a hálózat általában a többi kifinomultabb mélyhálózat kiépítésének kezdő szakasza, és felhasználható bármilyen felügyelt regressziós vagy osztályozási problémára.
● Autoencoderek (AE) - A hálózat felügyelet nélküli tanulási algoritmusokkal rendelkezik a szolgáltatás megtanulására, a méret csökkentésére és a külső adatok észlelésére
● Konvolúciós neurális hálózat (CNN) - különösen alkalmas térbeli adatokhoz, tárgyfelismeréshez és képanalízishez, többdimenziós neuronszerkezetek felhasználásával. A mélyreható tanulás népszerűségének egyik fő oka a CNN.
● Ismétlődő neurális hálózat (RNN) - az RNN- ket szekvenált adatelemzésre, például idősorokra, érzelmi elemzésre, NLP-re, nyelvfordításra, beszédfelismerésre, képaláírásokra használják. Az RNN modellek egyik leggyakoribb típusa a hosszú rövid távú memória (LSTM) hálózat.
● Képzési adatok - Mint korábban említettük, a felügyelt modelleknek címkékkel ellátott képzési adatokra van szükségük. De a mély tanulás képes adatok kezelésére címkékkel vagy anélkül. Néhány ideghálózati architektúrát - például autoencodereket és korlátozott Boltzmann gépeket - felügyelet nélkül lehet felügyelni
● Funkcióválasztás - Egyes felügyelt modellek képesek elemzni a funkciókat és a funkció kiválasztását a cél meghatározásához. De ezt általában az adatok előkészítésének szakaszában kell kezelni. A mély neurális hálózatokban azonban új funkciók jelennek meg, és a nem kívánt funkciókat a tanulás előrehaladtával elhagyják.
● Adat ábrázolása - A klasszikus felügyelt modellekben a bemeneti szolgáltatások magas szintű absztrakciója nem jön létre. Végső modell, amely megpróbálja megjósolni a kimenetet matematikai transzformációk alkalmazásával a bemeneti jellemzők egy részén.
De a mély idegi hálózatokban a bemeneti jellemzők absztrakciói belsőleg alakulnak ki. Például, a szöveg fordítása közben a neurális hálózat először konvertálja a bemeneti szöveget belső kódolásba, majd átalakítja ezt az absztrakált ábrázolást a célnyelvre.
● Keret - A felügyelt ML modelleket sok általános ML keret támogatja a különböző nyelveken - ezek közül néhány az Apache Mahout, a Scikit Learn, a Spark ML.
A többség a mélyreható tanulási keretek fejlesztőbarát absztrakciót nyújt a hálózat egyszerű létrehozásához, a számítás elosztásáért és támogatja a GPU-kat. A Café, a Caffe2, a Theano, a fáklya, a Keras, a CNTK, a TensorFlow népszerű keretek. most aktív közösségi támogatással.
Felügyelt tanulás vs mély tanulás összehasonlító táblázat
Az alábbiakban bemutatunk néhány kulcsfontosságú összehasonlítást a felügyelt tanulás és a mély tanulás között
A felügyelt tanulás és a mély tanulás összehasonlításának alapjai | Felügyelt tanulás | Mély tanulás |
Modell képzés | Főbb feladatok a képzésben -
| Főbb feladatok a képzésben -
|
A rendszer lehetőségei | Viszonylag egyszerű feladatok megoldására szolgál, ahol a bemeneti jellemzőkkel és a célokkal való kapcsolat az ember által kimutatható, és a szolgáltatás tervezése közvetlen. Például :
| A mély tanulás valóban intelligens feladatokat hajthat végre, például
|
Rugalmasság | A modellek rugalmasabbak, ami elősegíti az ML modell finomhangolását. Vannak jól definiált módszerek, például a rácskeresés a keresztértékeléssel a megfelelő hiperparaméterek megtalálásához | Kevésbé rugalmas, mivel számos hiperparaméter hozzáigazításra szorul, mint például a rétegek száma, az egyidejű neuronok száma, az egyes rétegekben alkalmazott aktivációs funkció típusa, a súlyos inicializálási logika és még sok más. |
Funkció ábrázolása | Származtatott vagy elvont tulajdonságok, amelyeket kifejezetten kell létrehozni. Például a polinom jellemzői a Lineáris regressziós modell bemeneteként | A rejtett rétegekben automatikusan generált absztrakt adatok ábrázolása. Ezért képzett CNN idegi hálózat képes egy macskát felismerni egy képen. |
Generációs modellek | Semmi eredeti nem generálható, mivel nem történik automatikus absztrakt adatok ábrázolása | A képzés után egy adott típusú mély idegi hálózat új képeket, dalokat vagy szövegeket generálhat. Ezeket GNN-nek (generatív ideghálózat) vagy GAN-nek (Generatív párhuzamos hálózatok) hívják.
Az ilyen típusú hálózat bizonyos megvalósítása még új divattervezetek készítéséhez is felhasználható |
Következtetés - felügyelt tanulás vs mély tanulás
A DNN (mély neurális hálózat) pontossága és képessége sokat nőtt az elmúlt években. Ez az oka annak, hogy a DNN-k jelenleg az aktív kutatás területe, és úgy gondoljuk, hogy lehetősége van egy általános intelligens rendszer kifejlesztésére. Ugyanakkor nehéz megmondani, hogy a DNN miért ad egy adott kimenetet, ami a hálózat finomítását igazán megnehezíti. Tehát ha egy problémát egyszerű ML modellekkel lehet megoldani, erősen ajánlott ezt használni. Ennek eredményeként egy egyszerű lineáris regresszió akkor is releváns lesz, ha egy általános intelligens rendszert fejlesztenek ki DNN-k segítségével.
Ajánlott cikk
Ez útmutatóként szolgál a felügyelt tanulás és a mély tanulás közötti legfontosabb különbségekhez. Itt megvitatjuk a Felügyelt tanulás és a mély tanulás főbb különbségeit az infographics és az összehasonlító táblázat segítségével. Lehet, hogy megnézi a következő cikkeket is -
- Felügyelt tanulás vagy megerősítő tanulás
- Felügyelt tanulás vs nem felügyelt tanulás
- Neurális hálózatok vs mély tanulás
- Gépi tanulás vs prediktív elemzés
- TensorFlow vs Caffe: Mik a különbségek?
- Mi az a felügyelt tanulás?
- Mi az a megerősítéses tanulás?
- A 6 legfontosabb összehasonlítás a CNN és az RNN között