Verschillen tussen begeleid leren versus diep leren
In begeleid leren bevatten de trainingsgegevens die u aan het algoritme toevoegt de gewenste oplossingen, labels genoemd. Een typische begeleide leertaak is classificatie. Het spamfilter is hier een goed voorbeeld van: het is getraind met veel voorbeeld-e-mails samen met hun klasse (spam of ham) en moet leren nieuwe e-mails te classificeren.
Diep leren is een poging om de activiteit in lagen van neuronen in de neocortex na te bootsen, wat ongeveer 80% van de hersenen is waar het denken plaatsvindt (in een menselijk brein zijn er ongeveer 100 miljard neuronen en 100 ~ 1000 biljoen synapsen). Het wordt diep genoemd omdat het meer dan één verborgen lagen neuronen heeft die helpen om meerdere toestanden van niet-lineaire functietransformatie te hebben
Head-to-head vergelijking van Supervised Learning versus Deep Learning (Infographics)
Hieronder vindt u de Top 5-vergelijking tussen begeleid leren en diep leren
Belangrijkste verschillen tussen Supervised Learning versus Deep Learning
Beide Supervised Learning versus Deep Learning zijn populaire keuzes in de markt; laten we enkele van de belangrijkste verschillen bespreken tussen begeleid leren en diep leren:
● Grote modellen -
Belangrijke modellen met toezicht zijn -
○ k-dichtstbijzijnde buren - gebruikt voor classificatie en regressie
○ Lineaire regressie - Voor voorspelling / regressie
○ Logistische regressie - voor classificatie
○ Ondersteuning vectormachines (SVM's) - Gebruikt voor classificatie en regressie
○ Beslisbomen en willekeurige bossen - Zowel classificatie- als regressietaken
Meest populaire Deep neurale netwerken:
● Meerlagige Perceptrons (MLP) - Meest basistype. Dit netwerk is over het algemeen de startfase van het bouwen van een ander, geavanceerder diep netwerk en kan worden gebruikt voor onder toezicht staande regressie- of classificatieproblemen
● Autoencoders (AE) - Netwerk heeft niet-begeleide leeralgoritmen voor het leren van functies, dimensiereductie en uitbijterdetectie
● Convolution Neural Network (CNN) - bijzonder geschikt voor ruimtelijke gegevens, objectherkenning en beeldanalyse met behulp van multidimensionale neuronenstructuren. Een van de belangrijkste redenen voor de populariteit van diep leren de laatste tijd is te wijten aan CNN's.
● Recurrent Neural Network (RNN) - RNN's worden gebruikt voor sequentiële gegevensanalyse zoals tijdreeksen, sentimentanalyse, NLP, taalvertaling, spraakherkenning, beeldbijschrift. Een van de meest voorkomende typen RNN-modellen is het Long Short-Term Memory (LSTM) -netwerk.
● Trainingsgegevens - Zoals eerder vermeld, hebben modellen met toezicht trainingsgegevens met labels nodig. Maar Deep learning kan gegevens met of zonder labels verwerken. Sommige neurale netwerkarchitecturen kunnen niet onder toezicht staan, zoals autoencoders en beperkte Boltzmann-machines
● Functieselectie - Sommige modellen met toezicht kunnen functies en een selecte subset van functies analyseren om het doel te bepalen. Maar meestal moet dit in de gegevensvoorbereidingsfase worden afgehandeld. Maar in Deep Neural Networks komen nieuwe functies naar voren en ongewenste functies worden verwijderd als leervoortgang.
● Gegevensrepresentatie - In klassieke modellen met toezicht wordt geen abstractie van invoerfuncties op hoog niveau gemaakt. Eindmodel dat de uitvoer probeert te voorspellen door wiskundige transformaties toe te passen op een subset van invoerfuncties.
Maar in diepe neurale netwerken worden abstracties van invoerfuncties intern gevormd. Tijdens het vertalen van tekst converteert het neurale netwerk bijvoorbeeld eerst invoertekst naar interne codering en transformeert die geabstraheerde weergave naar doeltaal.
● Framework - onder toezicht staande ML-modellen worden ondersteund door veel generieke ML-frameworks in verschillende talen - Apache Mahout, Scikit Learn, Spark ML zijn enkele van deze.
Meerderheid Diepgaande leerkaders bieden een ontwikkelaarvriendelijke abstractie om eenvoudig een netwerk te creëren, zorgen voor de distributie van berekeningen en hebben ondersteuning voor GPU's. Cafe, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow zijn populaire frameworks. Tensorflow van Google wordt veel gebruikt nu met actieve community-ondersteuning.
Vergelijkend leren versus diep leren Vergelijkingstabel
Hieronder vindt u een belangrijke vergelijking tussen Supervised Learning en Deep Learning
De basis van vergelijking tussen begeleid leren versus diep leren | Leren onder toezicht | Diep leren |
Model training | Belangrijke taken in training -
| Belangrijke taken in training -
|
Potentieel van systeem | Wordt gebruikt om relatief eenvoudige taken op te lossen waarbij de relatie met invoerfuncties en het doel menselijk detecteerbaar is en functie-engineering direct is. Bijv .:
| Diep leren kan heel intelligente taken uitvoeren zoals
|
Flexibiliteit | Modellen zijn flexibeler waardoor het ML-model eenvoudig kan worden aangepast. Er zijn goed gedefinieerde methoden zoals zoeken op raster met kruisvalidatie om de juiste hyperparameters te vinden | Minder flexibel omdat er veel hyperparameters zijn om te tweaken, zoals een aantal lagen, het aantal neuronen per laag, het type activeringsfunctie dat in elke laag moet worden gebruikt, de logica voor gewichtsinitialisatie en nog veel meer. |
Vertegenwoordiging van functies | Afgeleide of abstracte kenmerken die expliciet moeten worden gemaakt. Bijvoorbeeld polynoomfuncties als invoer voor een lineair regressiemodel | Abstracte gegevensrepresentatie automatisch gegenereerd in verborgen lagen. Daarom kan een getraind CNN-neuraal netwerk een kat in een afbeelding detecteren. |
Generatieve modellen | Het is niet mogelijk om iets origineels te genereren omdat er geen automatische abstracte gegevensrepresentatie plaatsvindt | Eenmaal getraind, kan een specifiek type diep neuraal netwerk bijvoorbeeld nieuwe afbeeldingen, liedjes of teksten genereren. Die worden GNN (Generative neural network) of GAN (Generative Adversarial Networks) genoemd
Enige implementatie van dit type netwerk wordt gebruikt om zelfs nieuwe mode-ontwerpen te maken |
Conclusie - Begeleid leren versus diep leren
De nauwkeurigheid en het vermogen van DNN (Deep Neural Network) zijn de laatste jaren enorm toegenomen. Dat is de reden waarom DNN's nu een gebied van actief onderzoek zijn en, volgens ons, de potentie heeft om een algemeen intelligent systeem te ontwikkelen. Tegelijkertijd is het moeilijk te redeneren waarom een DNN een bepaalde output geeft die het afstemmen van een netwerk echt moeilijk maakt. Dus als een probleem met eenvoudige ML-modellen kan worden opgelost, wordt het sterk aanbevolen om dat te gebruiken. Vanwege dit feit zal een eenvoudige lineaire regressie relevant zijn, zelfs als een algemeen intelligent systeem wordt ontwikkeld met behulp van DNN's.
Aanbevolen artikel
Dit is een leidraad geweest voor de belangrijkste verschillen tussen Supervised Learning versus Deep Learning. Hier bespreken we ook de belangrijkste verschillen tussen Supervised Learning en Deep Learning met infographics en vergelijkingstabel. U kunt ook de volgende artikelen bekijken -
- Begeleid leren versus versterkend leren
- Begeleid leren versus onbegeleid leren
- Neurale netwerken versus diep leren
- Machine learning versus voorspellende analyses
- TensorFlow vs Caffe: Wat zijn de verschillen
- Wat is begeleid leren?
- Wat is versterkingsleren?
- Top 6 Vergelijkingen tussen CNN en RNN