Razlike med nadzorovanim učenjem in poglobljenim učenjem

Pri nadzorovanem učenju podatki o usposabljanju, ki jih napajate z algoritmom, vključujejo želene rešitve, imenovane nalepke. Tipična nadzorovana učna naloga je klasifikacija. Neželeni filter je dober primer tega: usposobljen je z veliko primerki e-poštnih sporočil skupaj z njihovim razredom (neželena pošta ali šunka), naučiti pa se mora, kako razvrstiti nova e-poštna sporočila.

Globoko učenje je poskus posnemanja aktivnosti v plasteh nevronov v neokorteksu, to je približno 80% možganov, kjer pride do razmišljanja (V človeških možganih je približno 100 milijard nevronov in 100 ~ 1000 bilijonov sinaps). Imenujemo ga globoko, ker ima več kot ene skrite plasti nevronov, ki pomagajo do več stanj nelinearne preobrazbe lastnosti

Primerjava med nadzorovanim in poglobljenim učenjem (Infographics)

Spodaj je top 5 primerjava med nadzorovanim učenjem in poglobljenim učenjem

Ključne razlike med nadzorovanim učenjem in poglobljenim učenjem

Tako nadzorovano učenje kot globinsko učenje sta priljubljeni izbiri na trgu; pogovorimo se o nekaterih glavnih razlikah med nadzorovanim učenjem in poglobljenim učenjem:

● glavni modeli -

Pomembni nadzorovani modeli so -

○ k-Najbližji sosedje - Uporablja se za klasifikacijo in regresijo
○ Linearna regresija - za napovedovanje / regresijo
○ Logistična regresija - za razvrščanje
○ Podporni vektorski stroji (SVM) - Uporablja se za razvrščanje in regresijo
Es Drevesa odločanja in naključni gozdovi - Naloge klasifikacije in regresije

Najbolj priljubljene globoke nevronske mreže:

● Večplastni receptorji (MLP) - večina osnovnih vrst. Ta mreža je na splošno začetna faza gradnje drugega bolj izpopolnjenega globokega omrežja in se lahko uporablja za kakršne koli nadzorovane regresije ali težave s klasifikacijo

● Autoencoderji (AE) - Omrežje ima nenadzorovane algoritme učenja za učenje funkcij, zmanjšanje dimenzij in odkrivanje zunanjih oblik

● Konvolucijsko nevronsko omrežje (CNN) - še posebej primerno za prostorske podatke, prepoznavanje predmetov in analizo slike z uporabo večdimenzionalnih struktur nevronov. Eden glavnih razlogov za priljubljenost globokega učenja v zadnjem času je posledica CNN-jev.

● Ponavljajoča se nevronska mreža (RNN) - RNN se uporabljajo za sekvenčno analizo podatkov, kot so časovne vrste, analiza občutkov, NLP, jezikovni prevod, prepoznavanje govora, podpisovanje slike. Ena najpogostejših vrst modela RNN je omrežje Long Kratkoročni pomnilnik (LSTM).

● Podatki o usposabljanju - Kot smo že omenili, so nadzorovani modeli potrebni podatki o usposabljanju z nalepkami. Toda globinsko učenje lahko obdeluje podatke z nalepkami ali brez njih. Nekatere nevronske mrežne arhitekture so lahko brez nadzora, na primer avtoenkoderji in omejeni Boltzmannovi stroji

● Izbira lastnosti - Nekateri nadzorovani modeli lahko analizirajo lastnosti in izbrano podmnožico lastnosti, da določijo cilj. Toda to moramo večinoma obravnavati v fazi priprave podatkov. Toda v Deep Neural Networks se pojavijo nove funkcije, neželene funkcije pa se zavržejo kot napredek učenja.

● Zastopanje podatkov - pri klasičnih nadzorovanih modelih odstranjevanje vhodnih funkcij na visoki ravni ne nastane. Končni model, ki poskuša napovedati rezultate z uporabo matematičnih pretvorb na podmnožju vhodnih funkcij.
Toda v globokih nevronskih omrežjih se abstrakcije vhodnih značilnosti oblikujejo znotraj. Med prevajanjem besedila na primer nevronska mreža najprej pretvori vhodno besedilo v notranje kodiranje in nato ta abstrahirani prikaz pretvori v ciljni jezik.

● Okvirni - nadzorovani modeli ML podpirajo številne splošne okvire ML v različnih jezikih - Apache Mahout, Scikit Learn, Spark ML so nekateri od teh.
Večinski okviri učenja globokega učenja nudijo razvijalcem prijazno abstrakcijo, da preprosto ustvarijo omrežje, skrbijo za distribucijo računalništva in imajo podporo za GPUs.Caffe, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow so priljubljeni okviri.Tensorflow od Googla se pogosto uporablja zdaj z aktivno podporo skupnosti.

Tabela primerjave nadzorovanega učenja v primerjavi z globinskim učenjem

Spodaj je nekaj ključnih primerjav med nadzorovanim učenjem in poglobljenim učenjem

Osnove primerjave med nadzorovanim učenjem in poglobljenim učenjem Nadzorovano učenje Globoko učenje
Usposabljanje za modeleGlavne naloge pri usposabljanju -

  • Poskusite skozi primere treninga, večinoma kot mini serij, in posodabljajte uteži, uporabljene za funkcije.
  • Smer posodobitve teže (prirastek ali zmanjšanje), določena z nekaterimi kazalci, kot je gradient napake, wrt teža.
  • Končno je cilj oblikovan kot preoblikovanje tehtane vsote podskupov.
Glavne naloge pri usposabljanju -

  • Število uteži, ki jih je treba posodobiti, je zelo veliko, če je več skritih plasti v več.
  • Napaka v ciljni vrednosti, izračunana najprej in prenesena nazaj na vsak sloj
  • Poiščite delni derivat funkcije napake wrt uteži in posodobite uteži, da zmanjšate napake.
Potencial sistemaUporablja se za reševanje sorazmerno preprostih nalog, pri katerih je povezava z vhodnimi funkcijami in cilji človeka zaznavna, inženiring funkcij pa neposreden. Npr .:

  • Binomna ali večrazredna razvrstitev, kot je razvrstitev strank na podlagi interakcije s spletnim mestom.
  • S podobnimi zbranimi podatki predvidite vrednost nepremičnin.
Globoko učenje lahko opravlja resnično inteligentne naloge, kot so

  • Klasifikacija slik na ravni človeka
  • Prepoznavanje govora na ravni človeka
  • Prepisovanje rokopisa na ravni človeške ravni
  • Izboljšano strojno prevajanje
  • Digitalni pomočniki, kot sta Google Now in Amazon Alexa
PrilagodljivostModeli so bolj prilagodljivi, kar omogoča enostavno prilagoditev modela ML. Obstajajo natančno opredeljene metode, kot je iskanje po mreži s navzkrižno validacijo za iskanje pravih hiperparametrovManj prilagodljiv, saj obstaja veliko hiperparametrov, ki jih je mogoče prilagoditi kot številne plasti, število nevronov na plast, vrsto funkcije aktiviranja, ki jo želite uporabiti v vsaki plasti, logiko inicializacije teže in še veliko več.
Zastopanje značilnostiIzvedene ali abstraktne funkcije, ki jih je treba izrecno ustvariti. Na primer polinomske funkcije kot vhod za model linearne regresijeAbstraktna predstavitev podatkov se samodejno ustvari v skritih plasteh. Zato usposobljena nevronska mreža CNN lahko zazna mačko na sliki.
Generativni modeliNi mogoče ustvariti ničesar izvirnega, saj se samodejno abstraktno predstavljanje podatkov ne dogajaKo je usposobljen, lahko določena vrsta globoke nevronske mreže ustvari nove slike, pesmi ali besedila. Te se imenujejo GNN (Generative neural network) ali GAN (Generative Adversarial Networks)

Nekatera izvedba te vrste omrežja se uporablja za ustvarjanje novih modnih dizajnov

Zaključek - Nadzorovano učenje proti poglobljenemu učenju

Natančnost in sposobnost DNN (Deep Neural Network) s se je v zadnjih nekaj letih močno povečala. Zato so danes DNN območja aktivnih raziskav in verjamemo, da lahko razvijejo splošni inteligentni sistem. Hkrati je težko razložiti, zakaj DNN daje določen izhod, zaradi česar je natančno nastavitev omrežja res težavna. Če je težavo mogoče rešiti s preprostimi ML modeli, je močno priporočljivo, da jo uporabite. Zaradi tega dejstva bo preprosta linearna regresija pomembna, tudi če bo razvit splošen inteligentni sistem z uporabo DNN-jev.

Priporočeni članek

To je vodilo za največje razlike med nadzorovanim učenjem in poglobljenim učenjem. Tukaj razpravljamo tudi o ključnih razlikah med nadzorovanim učenjem in globinskim učenjem z infografiko in primerjalno tabelo. Ogledate si lahko tudi naslednje članke -

  1. Nadzorovano učenje proti okrepljenemu učenju
  2. Nadzorovano učenje v primerjavi z nenadzorovanim učenjem
  3. Nevronske mreže vs poglobljeno učenje
  4. Strojno učenje v primerjavi z napovedno analitiko
  5. TensorFlow vs Caffe: Kakšne so razlike
  6. Kaj je nadzorovano učenje?
  7. Kaj je okrepitev učenja?
  8. Najboljših 6 primerjav med CNN in RNN

Kategorija:

Veliki podatki