Машинное обучение против. Глубокое обучение

Большинство людей не осознают, что машинное обучение, разновидность искусственного интеллекта (ИИ), зародилось в 1950-х годах. Артур Сэмюэл написал первую программу компьютерного обучения в 1959 году, в которой компьютер IBM становился лучше в игре в шашки, чем дольше он играл. Перенесемся в сегодняшний день, когда ИИ — это не просто передовая технология; это может привести к получению высокооплачиваемой и интересной работы. Инженеры по машинному обучению пользуются большим спросом, потому что, как и в случае с MLE, Томаш Дудек говорит, что ни ученые, работающие с данными, ни инженеры-программисты не обладают именно теми навыками, которые необходимы для машинного обучения. Компаниям нужны профессионалы, которые свободно владеют обеими этими областями, но могут делать то, чего не могут ни специалисты по обработке данных, ни инженеры-программисты. Этот человек — инженер по машинному обучению.

Термины «искусственный интеллект», «машинное обучение» и «глубокое обучение» часто используются как синонимы, но если вы подумываете о карьере в сфере ИИ, важно знать, чем они отличаются. Согласно Оксфордские живые словариИскусственный интеллект — это «теория и разработка компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод между языками». Хотя их можно назвать «умными», некоторые компьютерные системы ИИ не обучаются самостоятельно; вот тут-то и приходят на помощь машинное обучение и глубокое обучение.

Что такое машинное обучение?

Благодаря машинному обучению компьютерные системы запрограммированы на обучение на вводимых данных без постоянного перепрограммирования. Другими словами, они постоянно улучшают свои результаты при выполнении какой-либо задачи (например, во время игры) без дополнительной помощи со стороны человека. Машинное обучение используется в самых разных областях: искусство, наука, финансы, здравоохранение — вы называете это. И есть разные способы заставить машины учиться. Некоторые из них просты, например базовое дерево решений, а некоторые гораздо более сложны и включают в себя несколько слоев искусственных нейронных сетей. Последнее происходит при глубоком обучении. Мы вернемся к этому через минуту.

Подробнее: Учебное пособие по машинному обучению: пошаговое руководство для начинающих.

Машинное обучение стало возможным не только благодаря революционной программе Артура Сэмюэля в 1959 году (использовавшей относительно простое (по сегодняшним меркам) дерево поиска в качестве основного стимула, его компьютер IBM постоянно совершенствовался в шашках), но и благодаря Интернету. Благодаря Интернету было создано и сохранено огромное количество данных, и эти данные могут быть доступны компьютерным системам, чтобы помочь им «учиться».

Машинное обучение с помощью R и машинное обучение с помощью Python — два популярных метода, используемых сегодня. Хотя в этой статье мы не будем обсуждать конкретные языки программирования, полезно знать R или Python, если вы хотите глубже углубиться в машинное обучение с помощью R и машинное обучение с Python.

Что такое глубокое обучение?

Некоторые считают, что глубокое обучение — это следующий рубеж машинного обучения, передовой рубеж. Возможно, вы уже испытали на себе результаты программы углубленного глубокого обучения, даже не осознавая этого! Если вы когда-либо смотрели Netflix, вы, вероятно, видели его рекомендации о том, что смотреть. А некоторые сервисы потоковой музыки выбирают песни на основе того, что вы слушали раньше, или песен, которым вы поставили большой палец вверх или нажали кнопку «Мне нравится». Обе эти возможности основаны на глубоком обучении. Алгоритмы распознавания голоса и изображений Google также используют глубокое обучение.

Подобно тому, как машинное обучение считается разновидностью искусственного интеллекта, глубокое обучение часто считается разновидностью машинного обучения — некоторые называют его подмножеством. В то время как машинное обучение использует более простые концепции, такие как прогнозирующие модели, глубокое обучение использует искусственные нейронные сети, предназначенные для имитации того, как люди думают и учатся. Возможно, вы помните из школьного курса биологии, что основным клеточным компонентом и основным вычислительным элементом человеческого мозга является нейрон, и что каждая нейронная связь подобна маленькому компьютеру. Сеть нейронов мозга отвечает за обработку всех видов входной информации: зрительной, сенсорной и так далее.

В компьютерных системах глубокого обучения, как и в машинном обучении, в них по-прежнему подаются входные данные, но информация часто находится в форме огромных наборов данных, поскольку системам глубокого обучения требуется большой объем данных, чтобы понять ее и вернуть точные результаты. Затем искусственные нейронные сети задают на основе данных серию двоичных вопросов «верно/ложно», включая весьма сложные математические вычисления, и классифицируют эти данные на основе полученных ответов.

Таким образом, хотя и машинное, и глубокое обучение подпадают под общую классификацию искусственного интеллекта и оба «обучаются» на вводе данных, между машинным обучением и глубоким обучением есть некоторые ключевые различия.

Кстати, если вы хотите узнать более подробно о глубоком обучении, вы можете ознакомиться с этим руководством «Введение в глубокое обучение». Также стоит отдельно изучить глубокое обучение с помощью TensorFlow, поскольку TensorFlow — одна из самых популярных библиотек для реализации глубокого обучения.

5 ключевых различий между машинным обучением и глубоким обучением

1. Вмешательство человека

В то время как в системах машинного обучения человеку необходимо идентифицировать и вручную закодировать прикладные функции на основе типа данных (например, значения пикселя, формы, ориентации), система глубокого обучения пытается изучить эти функции без дополнительного вмешательства человека. Возьмем случай с программой распознавания лиц. Программа сначала учится обнаруживать и распознавать края и линии лиц, затем более значимые части лиц и, наконец, общие представления лиц. Объем данных, задействованных для этого, огромен, и по мере того, как время идет и программа обучается, вероятность правильных ответов (то есть точного определения лиц) увеличивается. И это обучение происходит за счет использования нейронных сетей, аналогично тому, как работает человеческий мозг, без необходимости перекодирования программы человеком.

2. Аппаратное обеспечение

Из-за объема обрабатываемых данных и сложности математических вычислений, используемых в используемых алгоритмах, системы глубокого обучения требуют гораздо более мощного оборудования, чем более простые системы машинного обучения. Одним из типов оборудования, используемого для глубокого обучения, являются графические процессоры (GPU). Программы машинного обучения могут работать на машинах более низкого уровня, не требующих такой большой вычислительной мощности.

3. Время

Как и следовало ожидать, из-за огромных наборов данных, которые требуются системе глубокого обучения, а также из-за большого количества параметров и сложных математических формул, обучение системы глубокого обучения может занять много времени. Машинное обучение может занять от нескольких секунд до нескольких часов, тогда как глубокое обучение может занять от нескольких часов до нескольких недель!

4. Подход

Алгоритмы, используемые в машинном обучении, обычно анализируют данные по частям, а затем эти части объединяются для получения результата или решения. Системы глубокого обучения рассматривают всю проблему или сценарий одним махом. Например, если вы хотите, чтобы программа идентифицировала определенные объекты на изображении (что это такое и где они расположены — например, номерные знаки автомобилей на парковке), вам придется пройти два этапа машинного обучения: сначала обнаружение объекта, а затем распознавание объекта. С другой стороны, в программе глубокого обучения вы вводите изображение, а при обучении программа возвращает как идентифицированные объекты, так и их расположение на изображении в одном результате.

5. Приложения

Учитывая все остальные различия, упомянутые выше, вы, вероятно, уже догадались, что системы машинного обучения и глубокого обучения используются для разных приложений. Где они используются: базовые приложения машинного обучения включают программы прогнозирования (например, для прогнозирования цен на фондовом рынке или того, где и когда обрушится следующий ураган), идентификаторы спама в электронной почте и программы, разрабатывающие научно обоснованные планы лечения для медицинских пациентов. В дополнение к упомянутым выше примерам Netflix, сервисов потоковой передачи музыки и распознавания лиц, одним из широко разрекламированных применений глубокого обучения являются беспилотные автомобили: программы используют множество слоев нейронных сетей для выполнения таких задач, как определение объектов, которых следует избегать, распознавание дорожного движения. фары и знать, когда нужно ускориться или замедлиться.

Подробнее: 10 лучших приложений машинного обучения

Будущие тенденции машинного обучения и глубокого обучения

Возможности машинного и глубокого обучения в будущем практически безграничны! Расширение использования роботов является само собой разумеющимся, и не только в производстве, но и в способах, которые могут улучшить нашу повседневную жизнь как в основных, так и второстепенных аспектах. Индустрия здравоохранения также, вероятно, изменится, поскольку глубокое обучение помогает врачам делать такие вещи, как прогнозирование или обнаружение рака на более ранней стадии, что может спасти жизни. На финансовом фронте машинное и глубокое обучение призваны помочь компаниям и даже частным лицам экономить деньги, более разумно инвестировать и более эффективно распределять ресурсы. И эти три области — только начало будущих тенденций машинного и глубокого обучения. Многие области, которые будут улучшены, пока что являются лишь искрой в воображении разработчиков.

Заключение

Так что, надеюсь, это машинное обучение против. Статья о глубоком обучении дала вам все основы машинного обучения и глубокого обучения, а также позволила взглянуть на будущие тенденции машинного обучения и глубокого обучения. Как вы, возможно, уже поняли, сейчас интересное (и прибыльное!) время для работы инженером по машинному обучению. Фактически, по данным PayScale, диапазон зарплат инженера по машинному обучению (MLE) составляет от 100 000 до 166 000 долларов. Так что сейчас самое лучшее время, чтобы начать учиться в этой области или углубить свою базу знаний. Если вы хотите стать частью этой передовой технологии, посетите курс Simplilearn Deep Learning. А если вы хотите получить повышение квалификации в резюме для дальнейшей карьеры в области искусственного интеллекта, зарегистрируйтесь в программе последипломного образования Калифорнийского технологического института в области искусственного интеллекта и машинного обучения.

Вы также можете пройти магистерскую программу для инженеров по искусственному интеллекту в партнерстве с IBM. Эта программа дает вам глубокие знания Python, глубокого обучения с помощью тензорного потока, обработки естественного языка, распознавания речи, компьютерного зрения и обучения с подкреплением.