Qual é a diferença entre aprendizado de máquina e aprendizado profundo?

Alguém pode me explicar a diferença entre aprendizado de máquina e aprendizado profundo? É possível aprender um aprendizado profundo sem conhecer o aprendizado de máquina?

O aprendizado profundo é uma variedade específica de um tipo específico de aprendizado de máquina. Portanto, é possível aprender sobre o aprendizado profundo sem aprender todo o aprendizado de máquina, mas é necessário aprender um pouco de aprendizado de máquina (porque é um aprendizado de máquina).

O aprendizado de máquina refere-se a qualquer técnica que se concentre em ensinar à máquina como ela pode aprender parâmetros estatísticos a partir de uma grande quantidade de dados de treinamento. Um tipo específico de aprendizado de máquina são as redes neurais artificiais, que aprendem uma rede de transformações não lineares que podem aproximar funções muito complicadas de amplas matrizes de variáveis ​​de entrada. Os recentes avanços nas redes neurais artificiais têm a ver com o treinamento de redes neurais profundas , que têm mais camadas do que o normal e também uma estrutura especial para lidar com os desafios de aprender mais camadas.

O aprendizado profundo é uma forma de aprendizado de máquina.

O aprendizado profundo refere-se ao aprendizado com redes neurais profundas, essencialmente redes com muitas camadas.

As redes neurais são um grupo de muitas formas de aprendizado de máquina:

• Redes neurais
• Árvores de decisão e florestas aleatórias
• Máquinas de vetores de suporte
• Abordagens Bayesianas
• k vizinhos mais próximos

Por mais aceitáveis ​​que sejam as inclusões representadas pelo diagrama de Venn acima, não são notáveis ​​nem precisas.

Os termos Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo, embora não sejam marcas, também não são precisamente científicos. São termos genéricos, nomeados por pessoas com perspectivas particulares de financiamento, comunicação e departamento no momento em que publicaram os termos que ficaram emperrados.

Além disso, a ordem das coisas está incorreta. O que hoje se chama inteligência artificial era um objetivo secular de usar máquinas para automatizar atividades mentais que, naqueles dias, exigiam atenção humana e talvez ampliassem as habilidades mentais humanas através dessa automação. Essa visão surgiu muito antes da troca de circuitos e teoria da informação e, portanto, antes da ciência da computação.

Consequentemente, a ciência da computação é na verdade um subconjunto dessa visão de IA e subsequente a ela.

Aprendizado profundo é um termo baseado na idéia precária e simplificada demais de que existe uma correlação entre o número de camadas em uma rede artificial e a profundidade da abstração que a camada pode alcançar. Como a contagem de células de ativação em uma camada havia sido chamada de largura da camada, a seleção de profundidade foi escolhida para expressar a dimensão da quantidade da camada. Isso é estranho, porque o diagrama típico mostra o número de células por camada como altura, o número de camadas como largura e o diagrama não tem profundidade porque é 2D. Mas esse não é o problema real. Não há base científica para a profundidade de uma rede e a profundidade da abstração, apenas um palpite, e há evidências consideráveis ​​no campo da visão computacional de que isso não é tão simples.

O próximo diagrama de Venn também não é autoritário nem perfeitamente representativo, mas alguns dos problemas com o descrito acima foram reparados. Embora responda à pergunta de maneira mais inteligente em vários aspectos, os problemas na escolha de palavras no jargão geralmente nunca são corrigidos sem um esforço significativo, e esse post não será suficiente.

Quando iniciei os capítulos do Machine Leraning no livro, ficava assim

• I) Supervisionado:

  1. Regressão

     • Modelos lineares

  2. Classificação

     • Regressão Logestic
     • Rede neural
     • Árvores de Decisão e Floresta Aleatória
     • Reforço e ensacamento
     • SVD e SVM

• II) Aprendizagem não supervisionada:

  1. Agrupamento

     • K-Means
     • Hierárquico
     • Modelo de Mistura Gaussiana
     • DB Scan

  2. Aprendizagem de associação.

• III) Aprendizagem por Reforço:

De repente, o capítulo I> 2> b criou um subcampo próprio. Bem, para saber o porquê, deixe-me contar um pouco da história.Machine learningA palavra foi cunhada em 1959 por Arthur Samuel para significar isso machines were able to learn from dataalém de instruções explícitas. Inicialmente, ele foi dividido em dois grupos, com base em se a abordagem exigia dados do rótulo ou não (ou seja, regressão, classificação), e eles perceberam que também podemos cassificar por agrupamento, o que deu origem a não supervisionados. E o aprendizado por reforço de palavras nasceu inspirado em áreas da teoria dos jogos. Vamos manter esses detalhes de lado para mais tarde.

Chegando ao conhecimento profundo, a palavra deep learningsurgiu muito recentemente, em 2008, em uma conferência de Geoff Hinton. Lá, as pessoas começaram a usá-lo para indicar uma arquitetura de rede neural muito profunda usada em um artigo apresentado por Geoff Hinton e, a partir de então, tornou-se uma nova maneira de classificar o aprendizado de máquina supervised, além disso ,unsupervised ou reinforcement(Disco: Pode haver uma referência estranha de chamar NN como DL antes disso, mas não tão popular e aceitável antes disso)

Bem, às vezes sinto que o nome deep learningé um tanto impróprio, seria melhor se ele fosse nomeado como neural learningou para enfatizar a profundidade, talvez deep neural learning. Se você é novo, talvez esteja se perguntando de que profundidade estou falando, toda a palavra deep veio do fato de que a rede neural (graças à disponibilidade de altas habilidades de processamento de GPUs) agora foi capaz de treinar com êxito em várias camadas. A palavra deep também pode ser usada de maneira vaga para incluir outras áreas de redes não-neurais do aprendizado de máquina, o que requer muita computação, como deep belief netou recurrent net. Para ser preciso, as unidades das redes hoje não são mais meras neuronou a perceptron, podem ser LSTM, GRUou a capsule, então acho que as palavras deepagora fazem mais sentido do que antes.

Aqui está uma definição básica de machine learning:

"Algoritmos que analisam dados, aprendem com esses dados e aplicam o que aprenderam para tomar decisões informadas"

Um exemplo fácil de um algoritmo de aprendizado de máquina é um serviço de streaming de música sob demanda. Para que o serviço tome uma decisão sobre quais novas músicas ou artistas recomendam a um ouvinte, os algoritmos de aprendizado de máquina associam as preferências do ouvinte a outros ouvintes com gosto musical semelhante.

O aprendizado de máquina alimenta todos os tipos de tarefas automatizadas e abrange diversos setores, desde empresas de segurança de dados que buscam malware a profissionais de finanças que buscam negócios favoráveis. Eles foram projetados para funcionar como assistentes pessoais virtuais e funcionam muito bem.

Em termos práticos, deep learningé apenas um subconjunto de aprendizado de máquina. Tecnicamente, é aprendizado de máquina e funciona de maneira semelhante (por isso, às vezes, os termos são vagamente trocados), mas suas capacidades são diferentes.

Os modelos básicos de aprendizado de máquina se tornam progressivamente melhores em qualquer função, mas eles ainda têm alguma orientação. Se um algoritmo de ML retornar uma previsão imprecisa, um engenheiro precisará intervir e fazer ajustes. Mas com um modelo de aprendizado profundo, os algoritmos podem determinar por si próprios se uma previsão é precisa ou não.

O Deep Learning é um subconjunto do Machine Learning.

Aprendizado de máquina e aprendizado profundo não são duas coisas diferentes. O aprendizado profundo é uma das formas de aprendizado de máquina. O nível de camadas na rede Neural é cada vez mais aprofundado e faz parte do Deep learning.

“O aprendizado profundo é um tipo particular de aprendizado de máquina que alcança grande poder e flexibilidade, aprendendo a representar o mundo como uma hierarquia aninhada de conceitos, com cada conceito definido em relação a conceitos mais simples e representações mais abstratas computadas em termos de menos abstratos. "