Overvåget læring vs dyb læring 5 enkle måder at lære på

• Forskelle mellem Supervised Learning vs Deep Learning

Forskelle mellem Supervised Learning vs Deep Learning

I overvåget læring inkluderer de træningsdata, du leverer til algoritmen, de ønskede løsninger, kaldet labels. En typisk overvåget læringsopgave er klassificering. Spamfilteret er et godt eksempel på dette: Det trænes med mange eksempler på e-mails sammen med deres klasse (spam eller skinke), og det skal lære at klassificere nye e-mails.

Dyb indlæring er et forsøg på at efterligne aktiviteten i lag af neuroner i neocortex, som er ca. 80% af hjernen, hvor der tænkes (I en menneskelig hjerne er der omkring 100 milliarder neuroner og 100 ~ 1000 billioner synapser). Det kaldes dybt, fordi det har mere end et skjult lag af neuroner, der hjælper med at have flere tilstande med ikke-lineær træktransformation

Sammenligning af hovedet mod hovedet af Supervised Learning vs Deep Learning (Infographics)

Nedenfor er Top 5-sammenligningen mellem Supervised Learning vs Deep Learning

Nøgleforskelle mellem Supervised Learning vs Deep Learning

Både Supervisised Learning vs Deep Learning er populære valg på markedet; lad os diskutere nogle af de største forskelle mellem Supervised Learning vs Deep Learning:

● Store modeller -

Vigtige overvågede modeller er -

○ k-nærmeste naboer - bruges til klassificering og regression
○ Lineær regression - Til forudsigelse / regression
○ Logistisk regression - til klassificering
○ Support Vector Machines (SVMs) - Bruges til klassificering og regression
○ Beslutningstræer og tilfældige skove - Både klassificerings- og regressionsopgaver

Mest populære dybe neurale netværk:

● Multilayer perceptrons (MLP) - Mest basaltype . Dette netværk er generelt startfasen for at opbygge andet mere sofistikeret dybt netværk og kan bruges til enhver overvåget regression eller klassificeringsproblemer

● Autoencoders (AE) - Netværk har uovervåget indlæringsalgoritmer til funktion af læring, dimension reduktion og outlier-detektion

● Convolution Neural Network (CNN) - især egnet til rumlige data, objektgenkendelse og billedanalyse ved hjælp af multidimensionelle neuronstrukturer. En af hovedårsagerne til populariteten af ​​den dybe læring for nylig skyldes CNN'er.

● Recurrent Neural Network (RNN) - RNN'er bruges til sekvensbestemt dataanalyse såsom tidsserier, sentimentanalyse, NLP, sprogoversættelse, talegenkendelse, billedtekstoptagelse. En af de mest almindelige typer RNN-modeller er LSTM-netværket (Long Short-Term Memory).

● Træningsdata - Som nævnt tidligere har overvågede modeller brug for træningsdata med etiketter. Men Deep learning kan håndtere data med eller uden etiketter. Nogle neurale netværksarkitekturer kan overvåges, f.eks. Autoencodere og begrænsede Boltzmann-maskiner

● Valg af funktion - Nogle overvågede modeller er i stand til at analysere funktioner og et udvalgt delmængde af funktion til at bestemme målet. Men det meste af tiden skal dette håndteres i dataforberedelsesfasen. Men i dybe neurale netværk opstår der nye funktioner, og uønskede funktioner kasseres som læringsfremskridt.

● Datarepresentation - I klassiske overvågede modeller oprettes ikke abstraktion på højt niveau af inputfunktioner. Endelig model, der prøver på at forudsige output ved at anvende matematiske transformer på en undergruppe af inputfunktioner.
Men i dybe neurale netværk dannes abstraktioner af inputfunktioner internt. For eksempel konverterer det neurale netværk først tekst til oversættelse af tekst til intern kodning, mens den oversætter tekst, og transformerer derefter den abstrakte repræsentation til målsprog.

● Framework - Overvåget ML-modeller understøttes af en masse generiske ML-rammer på tværs af forskellige sprog - Apache Mahout, Scikit Learn, Spark ML er nogle af disse.
Majoritets dyb læringsrammer giver en udviklervenlig abstraktion for nemt at skabe et netværk, tage sig af distribuering af beregning og har support til GPUs.Caffe, Caffe2, Theano, fakkel, Keras, CNTK, TensorFlow er populære rammer.Tensorflow fra Google er meget udbredt nu med aktiv samfundsstøtte.

Supervised Learning vs Deep Learning Sammenligningstabel

Nedenfor er nogle nøglesammenligninger mellem Supervised Learning vs Deep Learning

Grundlaget for sammenligning mellem Supervised Learning vs Deep Learning	Overvåget læring	Deep Learning
Modeluddannelse	Store opgaver i træning - Iterere gennem træningstilfælde, mest som mini batches, og opdater vægt, der er anvendt til funktioner. En retning for vægtopdatering (forøgelse eller nedgang) bestemt af nogle indikatorer som en gradient af fejlfunktion i forhold til vægt. Endelig formuleres et mål som en transformation på en vægtet sum af delmængdeegenskaber.	Store opgaver i træning - Antal vægte, der skal opdateres, er meget stort, hvis der er flere skjulte lag i mere. Fejl i målværdien beregnet først og udbredt tilbage til hvert lag Find det delvise derivat af fejlfunktionsvægt og opdateringsvægte for at reducere fejl.
Systemets potentiale	Bruges til at løse relativt enkle opgaver, hvor forholdet til inputfunktioner og mål er menneskelig detekterbar og funktionsudvikling er direkte. F.eks : En binomial eller multiklasse klassificering som klassificere kunder baseret på, hvordan de interagerer med et websted. Forudsig værdien af ​​fast ejendom ved hjælp af lignende data indsamlet.	Dyb læring kan udføre virkelig intelligente opgaver som Billedklassificering på næsten menneske niveau Talegenkendelse til næsten menneske niveau Håndskrift-transkription på næsten menneske niveau Forbedret maskinoversættelse Digitale assistenter som Google Now og Amazon Alexa
Fleksibilitet	Modeller er mere fleksible, hvilket hjælper med at finjustere ML-modellen let. Der er veldefinerede metoder som gitter-søgning med krydsvalidering for at finde de rigtige hyperparametre	Mindre fleksibel, da der er mange hyperparametre til at finpusse som et antal lag, antallet af neuroner pr. Lag, typen af ​​aktiveringsfunktion, der skal bruges i hvert lag, vægtinitialiseringslogikken og meget mere.
Funktion Repræsentation	Afledte eller abstrakte funktioner, der skal oprettes eksplicit. F.eks. Polynomiske funktioner som input til en lineær regressionsmodel	Abstrakt datarepresentation genereret automatisk i skjulte lag. Derfor kan et trænet CNN-neuralt netværk registrere en kat i et billede.
Generative modeller	Det er ikke muligt at generere noget originalt, da automatisk abstrakt datarepresentation ikke sker	Når den er trænet, kan en bestemt type dybt neuralt netværk generere siger nye billeder, sange eller tekster. Disse kaldes GNN (Generativt neuralt netværk) eller GAN (Generative Adversarial Networks) Nogle implementeringer af denne type netværk bruges til at skabe endnu nye modedesign

Konklusion - Supervised Learning vs Deep Learning

Nøjagtighed og kapacitet hos DNN (Deep Neural Network) er steget meget i de sidste par år. Derfor er DNN'er nu et område med aktiv forskning, og vi tror, ​​det har potentialet til at udvikle et generelt intelligent system. På samme tid er det vanskeligt at begrunde, hvorfor et DNN giver en bestemt output, som gør finjustering af et netværk virkelig vanskeligt. Så hvis et problem kan løses ved hjælp af enkle ML-modeller, anbefales det stærkt at bruge det. På grund af denne kendsgerning vil en enkel lineær regression have relevans, selv hvis der udvikles et generelt intelligent system ved hjælp af DNN'er.

Anbefalet artikel

Dette har været en guide til de største forskelle mellem Supervised Learning vs Deep Learning. Her diskuterer vi også Supervised Learning vs Deep Learning centrale forskelle med infografik og sammenligningstabel. Du kan også se på de følgende artikler -

1. Overvåget læring vs forstærkningslæring
2. Supervised Learning vs Unsupervised Learning
3. Neurale netværk vs dyb læring
4. Machine Learning vs Predictive Analytics
5. TensorFlow vs Caffe: Hvad er forskellene
6. Hvad er superviseret læring?
7. Hvad er forstærkningslæring?
8. Top 6 sammenligninger mellem CNN vs RNN