Unterschied zwischen Deep Learning und Machine Learning gegenüber AI

Was ist KI?

KI (Künstliche Intelligenz) ist ein Zweig der Informatik, in dem Maschinen programmiert werden und eine kognitive Fähigkeit erhalten, Handlungen wie Menschen und Tiere zu denken und nachzuahmen. Der Maßstab für KI ist die menschliche Intelligenz in Bezug auf Denken, Sprechen, Lernen, Sehen und Problemlösen, die in Zukunft noch weit entfernt ist.

KI hat drei verschiedene Ebenen:

1. Schmale KI : Eine künstliche Intelligenz wird als schmal bezeichnet, wenn die Maschine eine bestimmte Aufgabe besser ausführen kann als ein Mensch. Die aktuelle Forschung der KI ist jetzt hier
2. Allgemeine KI : Eine künstliche Intelligenz erreicht den allgemeinen Zustand, wenn sie jede intellektuelle Aufgabe mit der gleichen Genauigkeit ausführen kann wie ein Mensch
3. Aktive KI : Eine KI ist aktiv, wenn sie Menschen bei vielen Aufgaben schlagen kann

Frühe KI-Systeme verwendeten Mustervergleichs- und Expertensysteme.

In diesem Tutorial lernen Sie:

• Was ist KI?
• Was ist ML?
• Was ist Deep Learning?
• Maschineller Lernprozess
• Tiefer Lernprozess
• Automatisieren Sie die Feature-Extraktion mit DL
• Unterschied zwischen maschinellem Lernen und tiefem Lernen
• Wann sollte ML oder DL verwendet werden?

Was ist ML?

ML (Machine Learning) ist eine Art von KI, bei der ein Computer darauf trainiert wird, Aufgaben zu automatisieren, die für den Menschen erschöpfend oder unmöglich sind. Es ist das beste Werkzeug, um Muster in Daten zu analysieren, zu verstehen und zu identifizieren, die auf der Untersuchung von Computeralgorithmen basieren. Maschinelles Lernen kann Entscheidungen mit minimalem menschlichem Eingriff treffen.

Beim Vergleich von künstlicher Intelligenz mit maschinellem Lernen verwendet maschinelles Lernen Daten, um einen Algorithmus zu speisen, der die Beziehung zwischen Eingabe und Ausgabe verstehen kann. Wenn die Maschine das Lernen beendet hat, kann sie den Wert oder die Klasse eines neuen Datenpunkts vorhersagen.

Was ist Deep Learning?

Deep Learning ist eine Computersoftware, die das Netzwerk von Neuronen in einem Gehirn nachahmt. Es ist eine Teilmenge des maschinellen Lernens und wird Deep Learning genannt, da es tiefe neuronale Netze nutzt. Die Maschine verwendet verschiedene Schichten, um aus den Daten zu lernen. Die Tiefe des Modells wird durch die Anzahl der Ebenen im Modell dargestellt. Deep Learning ist der neue Stand der Technik in Bezug auf KI. Beim tiefen Lernen erfolgt die Lernphase über ein neuronales Netzwerk. Ein neuronales Netzwerk ist eine Architektur, bei der die Schichten übereinander gestapelt sind

Maschineller Lernprozess

Stellen Sie sich vor, Sie sollen ein Programm erstellen, das Objekte erkennt. Um das Modell zu trainieren, verwenden Sie einen Klassifikator . Ein Klassifizierer verwendet die Merkmale eines Objekts, um zu versuchen, die Klasse zu identifizieren, zu der es gehört.

In diesem Beispiel wird der Klassifizierer darauf trainiert, zu erkennen, ob das Bild ein:

• Fahrrad
• Boot
• Wagen
• Flugzeug

Die vier oben genannten Objekte sind die Klasse, die der Klassifizierer erkennen muss. Um einen Klassifikator zu erstellen, müssen Sie einige Daten als Eingabe haben und ihm eine Bezeichnung zuweisen. Der Algorithmus nimmt diese Daten, findet ein Muster und klassifiziert es dann in die entsprechende Klasse.

Diese Aufgabe wird als überwachtes Lernen bezeichnet. Beim überwachten Lernen enthalten die Trainingsdaten, die Sie dem Algorithmus zuführen, eine Bezeichnung.

Das Trainieren eines Algorithmus erfordert einige Standardschritte:

• Sammeln Sie die Daten
• Trainiere den Klassifikator
• Voraussagen machen

Der erste Schritt ist erforderlich. Die Auswahl der richtigen Daten führt zum Erfolg oder Misserfolg des Algorithmus. Die Daten, die Sie zum Trainieren des Modells auswählen, werden als Feature bezeichnet. Im Objektbeispiel sind die Features die Pixel der Bilder.

Jedes Bild ist eine Zeile in den Daten, während jedes Pixel eine Spalte ist. Wenn Ihr Bild eine Größe von 28 x 28 hat, enthält der Datensatz 784 Spalten (28 x 28). Im Bild unten wurde jedes Bild in einen Merkmalsvektor umgewandelt. Das Etikett teilt dem Computer mit, welches Objekt sich im Bild befindet.

Ziel ist es, anhand dieser Trainingsdaten den Objekttyp zu klassifizieren. Der erste Schritt besteht darin, die Feature-Spalten zu erstellen. Im zweiten Schritt wird dann ein Algorithmus zum Trainieren des Modells ausgewählt. Wenn das Training abgeschlossen ist, sagt das Modell voraus, welches Bild welchem ​​Objekt entspricht.

Danach ist es einfach, das Modell zu verwenden, um neue Bilder vorherzusagen. Für jedes neue Bild, das in das Modell eingespeist wird, sagt die Maschine die Klasse voraus, zu der es gehört. Beispielsweise durchläuft ein völlig neues Bild ohne Beschriftung das Modell. Für einen Menschen ist es trivial, das Bild als Auto zu visualisieren. Die Maschine nutzt ihre Vorkenntnisse, um auch vorherzusagen, dass es sich bei dem Bild um ein Auto handelt.

Tiefer Lernprozess

Beim tiefen Lernen erfolgt die Lernphase über ein neuronales Netzwerk. Ein neuronales Netzwerk ist eine Architektur, bei der die Schichten übereinander gestapelt sind.

Betrachten Sie das gleiche Bildbeispiel oben. Der Trainingssatz würde einem neuronalen Netzwerk zugeführt

Jede Eingabe geht in ein Neuron und wird mit einem Gewicht multipliziert. Das Ergebnis der Multiplikation fließt zur nächsten Schicht und wird zur Eingabe. Dieser Vorgang wird für jede Schicht des Netzwerks wiederholt. Die letzte Ebene wird als Ausgabeebene bezeichnet. Es liefert einen tatsächlichen Wert für die Regressionsaufgabe und eine Wahrscheinlichkeit für jede Klasse für die Klassifizierungsaufgabe. Das neuronale Netzwerk verwendet einen mathematischen Algorithmus, um die Gewichte aller Neuronen zu aktualisieren. Das neuronale Netzwerk ist vollständig trainiert, wenn der Wert der Gewichte eine realitätsnahe Ausgabe liefert. Beispielsweise kann ein gut trainiertes neuronales Netzwerk das Objekt auf einem Bild mit höherer Genauigkeit als das herkömmliche neuronale Netz erkennen.

Automatisieren Sie die Feature-Extraktion mit DL

Ein Datensatz kann ein Dutzend bis Hunderte von Funktionen enthalten. Das System lernt aus der Relevanz dieser Funktionen. Es sind jedoch nicht alle Funktionen für den Algorithmus von Bedeutung. Ein entscheidender Teil des maschinellen Lernens besteht darin, relevante Funktionen zu finden, damit das System etwas lernt.

Eine Möglichkeit, diesen Teil beim maschinellen Lernen auszuführen, ist die Verwendung der Merkmalsextraktion. Die Feature-Extraktion kombiniert vorhandene Features, um einen relevanteren Satz von Features zu erstellen. Dies kann mit PCA, T-SNE oder anderen Algorithmen zur Reduzierung der Dimensionalität erfolgen.

Zum Beispiel muss der Praktiker bei einer Bildverarbeitung das Merkmal wie die Augen, die Nase, die Lippen usw. manuell in das Bild extrahieren. Diese extrahierten Merkmale werden dem Klassifizierungsmodell zugeführt.

Deep Learning löst dieses Problem, insbesondere für ein Faltungsnetzwerk. Die erste Schicht eines neuronalen Netzwerks lernt kleine Details aus dem Bild. In den nächsten Ebenen werden die Vorkenntnisse kombiniert, um komplexere Informationen zu erhalten. In dem Faltungs-Neuronalen Netzwerk erfolgt die Merkmalsextraktion unter Verwendung des Filters. Das Netzwerk wendet einen Filter auf das Bild an, um festzustellen, ob eine Übereinstimmung vorliegt, dh die Form des Features ist mit einem Teil des Bildes identisch. Wenn eine Übereinstimmung vorliegt, verwendet das Netzwerk diesen Filter. Der Vorgang der Merkmalsextraktion erfolgt daher automatisch.

Unterschied zwischen maschinellem Lernen und tiefem Lernen

Nachfolgend finden Sie einen wesentlichen Unterschied zwischen Deep Learning und Machine Learning

	Maschinelles Lernen	Tiefes Lernen
Datenabhängigkeiten	Hervorragende Leistung bei einem kleinen / mittleren Datensatz	Hervorragende Leistung bei einem großen Datensatz
Hardware-Abhängigkeiten	Arbeiten Sie an einer Low-End-Maschine.	Erfordert eine leistungsstarke Maschine, vorzugsweise mit GPU: DL führt eine erhebliche Menge an Matrixmultiplikation durch
Feature Engineering	Sie müssen die Funktionen verstehen, die die Daten darstellen	Sie müssen nicht die beste Funktion verstehen, die die Daten darstellt
Ausführungszeit	Von wenigen Minuten bis Stunden	Bis zu Wochen. Das neuronale Netz muss eine signifikante Anzahl von Gewichten berechnen
Interpretierbarkeit	Einige Algorithmen sind leicht zu interpretieren (Logistik, Entscheidungsbaum), andere sind fast unmöglich (SVM, XGBoost).	Schwer bis unmöglich

Wann sollte ML oder DL verwendet werden?

In der folgenden Tabelle fassen wir den Unterschied zwischen maschinellem Lernen und tiefem Lernen anhand von Beispielen zusammen.

	Maschinelles Lernen	Tiefes Lernen
Trainingsdatensatz	Klein	Groß
Wählen Sie Funktionen	Ja	Nein
Anzahl der Algorithmen	Viele	Wenige
Trainings zeit	Kurz	Lange

Beim maschinellen Lernen benötigen Sie weniger Daten, um den Algorithmus zu trainieren, als beim tiefen Lernen. Deep Learning erfordert einen umfangreichen und vielfältigen Datensatz, um die zugrunde liegende Struktur zu identifizieren. Außerdem bietet maschinelles Lernen ein schneller trainiertes Modell. Das Training der fortschrittlichsten Deep-Learning-Architektur kann Tage bis eine Woche dauern. Der Vorteil von Deep Learning gegenüber maschinellem Lernen besteht darin, dass es sehr genau ist. Sie müssen nicht verstehen, welche Funktionen die Daten am besten darstellen. Das neuronale Netzwerk lernte, wie man kritische Merkmale auswählt. Beim maschinellen Lernen müssen Sie selbst auswählen, welche Funktionen in das Modell aufgenommen werden sollen.

Zusammenfassung

Künstliche Intelligenz vermittelt einer Maschine eine kognitive Fähigkeit. Im Vergleich von KI und maschinellem Lernen verwendeten frühe KI-Systeme Mustervergleichs- und Expertensysteme.

Die Idee hinter maschinellem Lernen ist, dass die Maschine ohne menschliches Eingreifen lernen kann. Die Maschine muss einen Weg finden, um zu lernen, wie eine Aufgabe anhand der Daten gelöst werden kann.

Deep Learning ist der Durchbruch auf dem Gebiet der künstlichen Intelligenz. Wenn genügend Daten zum Trainieren vorhanden sind, erzielt Deep Learning beeindruckende Ergebnisse, insbesondere bei der Bilderkennung und Textübersetzung. Der Hauptgrund ist, dass die Merkmalsextraktion automatisch in den verschiedenen Schichten des Netzwerks erfolgt.