Diferențele dintre învățarea supravegheată și învățarea profundă
În învățarea supravegheată, datele de instruire pe care le alimentați algoritmului includ soluțiile dorite, numite etichete. O sarcină tipică de învățare supravegheată este clasificarea. Filtrul de spam este un bun exemplu în acest sens: este instruit cu multe e-mail-uri de exemplu, împreună cu clasa lor (spam sau ham) și trebuie să învețe cum să clasifice noile e-mailuri.
Învățarea profundă este o încercare de a imita activitatea în straturi de neuroni din neocortex, care este aproximativ 80% din creier, unde are loc gândirea (La un creier uman, există aproximativ 100 de miliarde de neuroni și 100 ~ 1000 trilioane de sinapse). Se numește adânc, deoarece are mai multe straturi ascunse de neuroni, care ajută la mai multe stări de transformare neliniară a trăsăturilor
Comparația dintre cap în cap a învățării supravegheate și a învățării profunde (infografie)
Mai jos este Top 5 Comparație între învățarea supravegheată și învățarea profundă 
Diferențe cheie între învățarea supravegheată și învățarea profundă
Atât învățarea supravegheată, cât și învățarea profundă sunt alegeri populare pe piață; hai să discutăm unele dintre diferențele majore dintre învățarea supravegheată și învățarea profundă:
● Modele majore -
Modele importante supravegheate sunt -
○ K-Vecins cei mai apropiați - Utilizat pentru clasificare și regresie
○ Regresie liniară - Pentru predicție / regresie
○ Regresie logistică - pentru clasificare
○ Mașini Vector Suport (SVM) - Folosit pentru clasificare și regresie
○ Arbori de decizie și păduri aleatorii - Atât sarcini de clasificare cât și de regresie
Cele mai populare rețele neuronale profunde:
● Perceptre multistrat (MLP) - Cel mai de tip de bază. Această rețea este în general faza de pornire a construirii unei alte rețele profunde mai sofisticate și poate fi folosită pentru orice problemă de regresie sau de clasificare supravegheată
● Autoencodere (AE) - Rețeaua are algoritmi de învățare nesupravegheat pentru învățarea caracteristicilor, reducerea dimensiunilor și detectarea anterioară
● Revoluția Neurală de Convoluție (CNN) - adecvată în special pentru date spațiale, recunoașterea obiectelor și analiza imaginii folosind structuri neuronale multidimensionale. Unul dintre principalele motive ale popularității învățării profunde în ultima perioadă se datorează CNN-urilor.
● Rețea Neurală Recurentă (RNN) - RNN -urile sunt utilizate pentru analiza secvențiată a datelor, cum ar fi seriile de timp, analiza sentimentelor, NLP, traducerea limbajului, recunoașterea vorbirii, legenda imaginilor. Unul dintre cele mai frecvente tipuri de model RNN este rețeaua LSTM (Long Short Term Memory).
● Date de instruire - Așa cum am menționat anterior, modelele supravegheate au nevoie de date de instruire cu etichete. Însă învățarea profundă poate gestiona date cu sau fără etichete. Unele arhitecturi de rețea neuronală pot fi nesupravegheate, cum ar fi codificatoare auto și mașini Boltzmann restricționate
● Selecția caracteristicilor - Unele modele supravegheate sunt capabile să analizeze caracteristici și un subset de funcții selectat pentru a determina ținta. Dar de cele mai multe ori acest lucru trebuie tratat în faza de pregătire a datelor. Dar în rețelele neuronale profunde, apar noi funcții, iar funcțiile nedorite sunt eliminate ca urmare a progresului învățării.
● Reprezentarea datelor - în modelele clasice supravegheate, nu se creează abstractizarea la nivel înalt a caracteristicilor de intrare. Model final care încearcă să prezică ieșirea prin aplicarea transformărilor matematice pe un subset de caracteristici de intrare.
Dar în rețelele neuronale profunde, abstractizările caracteristicilor de intrare sunt formate intern. De exemplu, în timp ce traducem text, rețeaua neurală transformă mai întâi textul de intrare în codificare internă, apoi transformă reprezentarea abstractizată în limbajul țintă.
● Modelele ML cu supraveghere cadru sunt acceptate de o mulțime de cadre generice ML în diferite limbi - Apache Mahout, Scikit Learn, Spark ML sunt unele dintre acestea.
Cadrele de învățare profundă a majorității oferă o abstractizare prietenoasă pentru dezvoltatori pentru a crea o rețea cu ușurință, aveți grijă de distribuirea calculelor și are suport pentru GPUs.Caffe, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow sunt cadre populare.Tensorflow de la Google este utilizat pe scară largă acum cu sprijin activ în comunitate.
Tabelul de comparare a învățării supravegheate și a învățării profunde
Mai jos este prezentată o comparație esențială între învățarea supravegheată și învățarea profundă
| Bazele comparației între învățarea supravegheată și învățarea profundă | Învățare supravegheată | Invatare profunda |
| Formare model | Sarcini majore în formare -
| Sarcini majore în formare -
|
| Potențialul sistemului | Folosit pentru a rezolva sarcini relativ simple, în cazul în care relația cu caracteristicile de intrare și țintă este detectabilă de oameni și inginerie caracteristică este directă. De exemplu :
| Învățarea profundă poate face sarcini cu adevărat inteligente, cum ar fi
|
| Flexibilitate | Modelele sunt mai flexibile ceea ce ajută la reglarea cu ușurință a modelului ML. Există metode bine definite, cum ar fi căutarea în grilă cu validare încrucișată pentru a găsi hiperparametrii potriviți | Mai puțin flexibil, deoarece există mulți hiperparametri de modificat ca un număr de straturi, numărul de neuroni pe strat, tipul de funcție de activare pe care trebuie să îl folosească în fiecare strat, logica de inițializare a greutății și multe altele. |
| Reprezentarea caracteristicii | Caracteristici derivate sau abstracte care trebuie create explicit. De exemplu, caracteristici polinomiale ca intrare pentru un model de regresie liniară | Reprezentarea datelor abstracte generate automat în straturile ascunse. De aceea, o rețea neuronală CNN instruită poate detecta o pisică într-o imagine. |
| Modele generative | Nu este posibil să se genereze ceva original, deoarece nu se întâmplă reprezentarea automată a datelor abstracte | Odată instruit, un tip specific de rețea neuronală profundă poate genera noi imagini, cântece sau texte. Acestea se numesc GNN (Generative neuronal network) sau GAN (Generative Adversarial Networks)
Unele implementări ale acestui tip de rețea sunt utilizate pentru a crea chiar și noi modele de modă |
Concluzie - Învățare supravegheată vs. învățare profundă
Precizia și capacitatea DNN (Deep Neural Network) a crescut foarte mult în ultimii ani. Acesta este motivul pentru care acum DNN-urile sunt o zonă de cercetare activă și, credem noi, are potențialul de a dezvolta un Sistem General Inteligent. În același timp, este dificil să se motiveze de ce un DNN oferă o ieșire specială, ceea ce face ca reglarea fină a unei rețele să fie cu adevărat dificilă. Deci, dacă o problemă poate fi rezolvată folosind modele ML simple, este recomandat să o utilizați. Datorită acestui fapt, o regresie liniară simplă va avea relevanță chiar dacă un sistem inteligent general este dezvoltat folosind DNN-uri.
Articol recomandat
Acesta a fost un ghid pentru diferențele de vârf între învățarea supravegheată și învățarea profundă. Aici vom discuta, de asemenea, despre diferențele cheie ale învățării supravegheate și ale învățării profunde cu infografie și tabel de comparație. De asemenea, puteți arunca o privire asupra următoarelor articole -
- Învățare supravegheată vs învățare de consolidare
- Învățare supravegheată vs învățare nesupervizată
- Rețele neuronale vs învățare profundă
- Învățare automată față de analize predictive
- TensorFlow vs Caffe: Care sunt diferențele
- Ce este învățarea supravegheată?
- Ce este învățarea de armare?
- Top 6 comparații între CNN și RNN