Razlike između nadziranog učenja i dubokog učenja
U nadzornom učenju, podaci o obuci koje hranite algoritmom uključuju željena rješenja, koja se nazivaju oznake. Tipičan nadzirani zadatak učenja je klasifikacija. Filtar neželjene pošte dobar je primjer toga: trenira se s mnogim primjerima e-pošte zajedno s njihovom klasom (neželjenom snagom ili pršutom) i mora naučiti kako klasificirati nove e-poruke.
Duboko učenje je pokušaj oponašanja aktivnosti u slojevima neurona u neokorteksu, što je oko 80% mozga u kojem se razmišljanje događa (U ljudskom mozgu postoji oko 100 milijardi neurona i 100 ~ 1000 bilijuna sinapsi). Nazvan je dubokim zato što ima više skrivenih slojeva neurona koji pomažu u višestrukim stanjima nelinearne transformacije značajki
Usporedba superviziranog učenja s dubokim učenjem (Infographics)
Ispod je top 5 usporedba između nadziranog učenja i dubokog učenja 
Ključne razlike između nadziranog učenja i dubokog učenja
Oba nadzirana učenja vs Deep Learning popularni su izbori na tržištu; neka nam govori o nekim glavnim razlikama između nadziranog učenja i dubokog učenja:
● glavni modeli -
Važni nadzirani modeli su -
○ k-Najbliži susjedi - Koristi se za klasifikaciju i regresiju
○ Linearna regresija - za predviđanje / regresiju
○ Logistička regresija - za klasifikaciju
○ Vektorski strojevi za podršku (SVM-ovi) - koriste se za klasifikaciju i regresiju
Es Drveće i slučajne šume - Obaveze klasifikacije i regresije
Najpopularnije duboke neuronske mreže:
● Višeslojni perceptroni (MLP) - najosnovnija vrsta. Ova je mreža općenito početna faza izgradnje druge sofisticiranije dubinske mreže i može se koristiti za bilo koji nadzirani regresijski ili klasifikacijski problem
● Autoencoderi (AE) - mreža ima algoritme za nenadzirani učenje za učenje značajki, smanjenje dimenzija i vanjsko otkrivanje
● Konvolucijska neuronska mreža (CNN) - posebno pogodna za prostorne podatke, prepoznavanje objekata i analizu slike koristeći višedimenzionalne neuronske strukture. Jedan od glavnih razloga popularnosti dubokog učenja u posljednje vrijeme je zahvaljujući CNN-ovima.
● Ponavljajuća neuronska mreža (RNN) - RNN-ovi se koriste za sekvencijalnu analizu podataka kao što su vremenske serije, analiza osjećaja, NLP, jezični prijevod, prepoznavanje govora, naslov teksta. Jedna od najčešćih vrsta RNN modela je mreža kratkoročne memorije (LSTM).
● Podaci o obuci - Kao što je spomenuto ranije, nadzirani modeli trebaju podatke o obuci s naljepnicama. Ali dubinsko učenje može obraditi podatke s naljepnicama ili bez njih. Neke neuronske mrežne arhitekture mogu biti bez nadzora, poput autoenkoderskih strojeva i Boltzmannovih strojeva s ograničenim ograničenjima
● Izbor značajki - Neki su nadgledani modeli sposobni analizirati značajke i odabrani podskup značajki da odrede cilj. Ali većinu vremena ovo se mora riješiti u fazi pripreme podataka. Ali u Deep Neural Networks pojavljuju se nove značajke, a neželjene značajke odbacuju se u tijeku učenja.
● Prikazivanje podataka - u klasičnim nadziranim modelima ne apliciraju se visoke razine apstrakcije ulaznih značajki. Završni model koji pokušava predvidjeti izlaz primjenom matematičkih transformacija na podskup ulaznih značajki.
Ali u dubokim neuronskim mrežama apstrakcije ulaznih značajki formiraju se interno. Na primjer, dok prevodi tekst, neuronska mreža prvo pretvara uneseni tekst u interno kodiranje, a zatim apstrahirani prikaz pretvara u ciljni jezik.
● Okvirni ML-modeli koji su pod nadzorom podržani su velikim brojem općih okvira ML na različitim jezicima - Apache Mahout, Scikit Learn, Spark ML su neki od ovih.
Okviri za učenje većinskog dubokog učenja pružaju apstrakciji prilagođenu razvojnim programerima da lako stvore mrežu, brinu se za distribuciju računanja i imaju podršku za GPUs.Caffe, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow su popularni okviri.Tensorflow od Googlea široko se koristi sada uz aktivnu podršku zajednice.
Tabela usporedbe učenja nadzirano u odnosu na duboko učenje
Ispod je nekoliko ključnih usporedbi između Nadziranog učenja i Dubokog učenja
| Osnove usporedbe između nadziranog učenja i dubokog učenja | Nadzirano učenje | Duboko učenje |
| Trening modela | Glavni zadaci u treningu -
| Glavni zadaci u treningu -
|
| Potencijal sustava | Koristi se za rješavanje relativno jednostavnih zadataka u kojima je odnos s ulaznim značajkama i ciljem moguće otkriti ljudima, a inženjering značajki je izravan. Npr.
| Duboko učenje može obaviti stvarno inteligentne zadatke poput
|
| savitljivost | Modeli su fleksibilniji što omogućava jednostavno prilagođavanje ML modela. Postoje dobro definirane metode poput pretraživanja mreže s unakrsnom validacijom za pronalaženje pravih hiperparametara | Manje fleksibilno jer postoji mnogo hiperparametara za podešavanje poput broja slojeva, broja neurona po sloju, vrste funkcije aktivacije koja se koristi u svakom sloju, logike inicijalizacije težine i još mnogo toga. |
| Zastupanje značajki | Izvedene ili apstraktne značajke koje se trebaju izričito stvoriti. Na primjer polinomske značajke kao ulaz za linearni regresijski model | Apstraktni prikaz podataka automatski se generira u skrivenim slojevima. Zato obučena CNN neuronska mreža može otkriti mačku na slici. |
| Generativni modeli | Nije moguće generirati ništa originalno jer se automatsko predstavljanje apstraktnih podataka ne događa | Jednom osposobljeni, određena vrsta duboke neuronske mreže može stvoriti nove slike, pjesme ili tekstove. Oni se nazivaju GNN (generativna neuronska mreža) ili GAN (generativna adverzacijska mreža)
Neka se implementacija ove vrste mreže koristi za stvaranje novih modnih dizajna |
Zaključak - Nadzirano učenje vs dubinsko učenje
Preciznost i sposobnost DNN (duboke neuronske mreže) puno se povećala u posljednjih nekoliko godina. Zato su sada DNN-ovi područje aktivnog istraživanja i, vjerujemo, ima potencijal za razvoj Općeg inteligentnog sustava. U isto vrijeme, teško je objasniti zašto DNN daje određeni izlaz što otežava precizno prilagođavanje mreže. Ako se problem može riješiti jednostavnim ML modelima, preporučuje se korištenje istog. Zbog ove činjenice, jednostavna linearna regresija bit će relevantna čak i ako se razvije opći inteligentni sustav koji koristi DNN-ove.
Preporučeni članak
Ovo je vodič za najveće razlike između Nadziranog učenja i Dubokog učenja. Ovdje također raspravljamo o ključnim razlikama s superviziranim učenjem i dubokim učenjem s infografikom i tablicom usporedbe. Također možete pogledati sljedeće članke -
- Nadzirano učenje vs ojačavanje učenja
- Nadzirano učenje vs Nadzorno učenje
- Neuronske mreže vs duboko učenje
- Strojno učenje i predviđanje analize
- TensorFlow vs Caffe: Koje su razlike
- Što je nadzirano učenje?
- Što je pojačano učenje?
- Najboljih 6 usporedbi CNN-a i RNN-a