Erinevused juhendatud õppe ja süvaõppe vahel
Juhendatud õppe korral sisaldavad algoritmi sisestatavad treeningandmed soovitud lahendusi, mida nimetatakse siltideks. Tüüpiline juhendatud õppeülesanne on klassifitseerimine. Rämpspostifilter on selle heaks näiteks: seda koolitatakse paljude klassiga e-kirjadega (rämpsposti või sinki) ja see peab õppima, kuidas uusi e-kirju klassifitseerida.
Sügav õppimine on katse jäljendada neokorteksis olevate neuronite kihtide aktiivsust, mis moodustab umbes 80% ajust, kus toimub mõtlemine (inimese ajus on umbes 100 miljardit neuroni ja 100 ~ 1000 triljonit sünapsit). Seda nimetatakse sügavaks, kuna sellel on rohkem kui üks varjatud neuronikiht, mis aitab mittelineaarse tunnuse transformatsiooni eri olekutel olla
Juhendatud õppe ja süvaõppe (infograafika) võrdlus ühest otsast teise
Allpool on 5 parimat juhendatud õppe ja süvaõppe võrdlust 
Peamised erinevused juhendatud õppe ja süvaõppe vahel
Nii juhendatud õppimine kui ka sügav õppimine on turul populaarsed valikud; arutagem mõnda peamist erinevust juhendatud õppe ja sügavõppe vahel:
● peamised mudelid -
Olulised juhendatud mudelid on -
○ k-Lähimad naabrid - kasutatakse klassifitseerimiseks ja regressiooniks
○ Lineaarne regressioon - ennustamiseks / regressiooniks
○ Logistiline regressioon - klassifitseerimiseks
○ Toe vektormasinad (SVM) - kasutatakse klassifitseerimiseks ja regressiooniks
○ Otsusepuud ja juhuslikud metsad - nii klassifitseerimise kui ka regressiooni ülesanded
Kõige populaarsemad sügavad närvivõrgud:
● Mitmekihilised tajud (MLP) - kõige põhilisem tüüp. See võrk on üldiselt muude keerukamate süvavõrkude loomise algusfaas ja seda saab kasutada kõigi jälgitavate regressiooni- või klassifitseerimisprobleemide jaoks
● Automaatsed kooderid (AE) - võrgul on funktsioonide õppimise, mõõtmete vähendamise ja välimiste tuvastamise juhendamata õppealgoritmid
● Konvolutsioonneuraalvõrk (CNN) - sobib eriti ruumiandmete, objektide äratundmiseks ja kujutiste analüüsimiseks, kasutades mitmemõõtmelisi neuronite struktuure. Üks peamisi süvaõppe populaarsuse põhjuseid viimasel ajal on CNN-id.
● Korduv närvivõrk (RNN) - RNN-sid kasutatakse järjestatud andmeanalüüsiks, näiteks aegridade, sentimentide analüüs, NLP, keele tõlkimine, kõnetuvastus, pildi pealdised. Üks levinumaid RNN-tüüpi mudeleid on pikaajaline lühimälu (LSTM) võrk.
● Treeningu andmed - nagu varem mainitud, vajavad juhendatud mudelid treeningandmeid siltidega. Kuid sügav õppimine saab andmeid siltidega või ilma. Mõned närvivõrguarhitektuurid võivad olla järelevalveta, näiteks autokodeerijad ja piiratud Boltzmanni masinad
● Funktsiooni valik - mõned jälgitavad mudelid on võimelised eesmärke analüüsima funktsioone ja funktsiooni valitud alamhulka. Kuid enamasti tuleb seda käsitleda andmete ettevalmistamise etapis. Kuid sügavates närvivõrkudes ilmnevad uued funktsioonid ja soovimatud funktsioonid loobutakse õppimise edenedes.
● Andmete esindatus - klassikalistes jälgitavates mudelites sisendfunktsioonide kõrgetasemelist abstraktsiooni ei looda. Lõplik mudel, mis üritab väljundit ennustada, rakendades sisendfunktsioonide alamhulgale matemaatilisi teisendusi.
Kuid sügavates närvivõrkudes moodustatakse sisestusfunktsioonide abstraktsioonid sisemiselt. Näiteks teisendab närvivõrk teksti tõlkimisel sisendteksti sisemiseks kodeeringuks ja teisendab selle abstraheeritud esituse sihtkeeleks.
● Raamistik - Juhendatud ML-mudeleid toetavad paljud eri keeltes kasutatavad üldised ML-raamistikud - mõned neist on Apache Mahout, Scikit Learn, Spark ML.
Enamik süvaõpperaamistikke pakuvad arendajasõbralikku abstraktsiooni võrgu hõlpsaks loomiseks, arvutite levitamise eest hoolitsemiseks ning toetavad GPU-sid. Kohvikud, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow on populaarsed raamistikud.Tensorflow Google'ist on laialt levinud nüüd aktiivse kogukonna toega.
Juhendatud õppe vs süvaõppe võrdluse tabel
Allpool on toodud mõned peamised võrdlused juhendatud õppe ja süvaõppe vahel
| Juhendatud õppe ja süvaõppe võrdlemise alused | Juhendatud õppimine | Sügav õppimine |
| Mudelikoolitus | Tähtsamad ülesanded koolitusel -
| Tähtsamad ülesanded koolitusel -
|
| Süsteemi potentsiaal | Kasutatakse suhteliselt lihtsate ülesannete lahendamiseks, kus seos sisendfunktsioonide ja sihtmärgiga on inimeselt tuvastatav ja funktsioonide kujundamine otsene. Nt:
| Sügav õppimine võib teha tõesti arukaid ülesandeid, näiteks
|
| Paindlikkus | Mudelid on paindlikumad, mis aitab ML-i mudelit hõlpsalt häälestada. Õigete hüperparameetrite leidmiseks on olemas täpselt määratletud meetodid, näiteks ristotsinguga ruudustikuotsing | Vähem paindlik, kuna on palju hüperparameetreid, mida saab kohandada nagu kihtide arv, neuronite arv kihi kohta, igas kihis kasutatava aktiveerimisfunktsiooni tüüp, kaalu lähtestamise loogika ja palju muud. |
| Funktsiooni esitus | Tuletatud või abstraktsed omadused, mis luuakse selgesõnaliselt. Näiteks polünoomi omadused sisendina lineaarse regressioonimudeli jaoks | Varjatud kihtides genereeritakse automaatselt abstraktne andmete esitus. Sellepärast suudab koolitatud CNN-i närvivõrk tuvastada pildil oleva kassi. |
| Generatiivsed mudelid | Midagi originaalset pole võimalik genereerida, kuna automaatset abstraktset andmete esitamist ei toimu | Pärast koolitust saab teatud tüüpi sügav närvivõrk luua uusi pilte, laule või tekste. Neid nimetatakse GNN (generatiivne närvivõrk) või GAN (generatiivne võistlusvõrgustik)
Seda tüüpi võrgu mõningast rakendamist kasutatakse isegi uute moedisainide loomiseks |
Järeldus - juhendatud õpe vs süvaõpe
DNN (sügava närvivõrgu) täpsus ja võimekus on viimastel aastatel palju suurenenud. Seetõttu on DNN-id praegu aktiivse uurimistöö valdkond ja meie arvates on sellel potentsiaal välja töötada üldine arukasüsteem. Samal ajal on keeruline selgitada, miks DNN annab konkreetse väljundi, mis muudab võrgu peenhäälestamise tõesti keeruliseks. Nii et kui probleemi saab lahendada lihtsate ML-mudelite abil, on tungivalt soovitatav seda kasutada. Selle asjaolu tõttu on lihtne lineaarne regressioon asjakohane isegi siis, kui üldine arukas süsteem töötatakse välja DNN-ide abil.
Soovitatav artikkel
See on juhend peamiste erinevuste vahel juhendatud õppe ja süvaõppe vahel. Siin käsitleme ka juhendatava õppimise vs süvaõppe peamisi erinevusi infograafikaga ja võrdlustabelit. Võite vaadata ka järgmisi artikleid -
- Juhendatud õpe vs tugevdusõpe
- Juhendatud õpe vs juhendamata õpe
- Neuraalsed võrgud vs süvaõpe
- Masinõpe vs ennustav analüüs
- TensorFlow vs kohvik: millised on erinevused
- Mis on juhendatud õpe?
- Mis on tugevdusõpe?
- Kuus parimat võrdlust CNN-i ja RNN-i vahel