Skillnader mellan Supervisised Learning vs Deep Learning

I övervakad inlärning inkluderar träningsdata som du matar till algoritmen de önskade lösningarna, kallade etiketter. En typisk övervakad inlärningsuppgift är klassificering. Spamfiltret är ett bra exempel på detta: det tränas med många exempel e-postmeddelanden tillsammans med deras klass (skräppost eller skinka), och det måste lära sig hur man klassificerar nya e-postmeddelanden.

Djup inlärning är ett försök att härma aktiviteten i lager av nervceller i neocortex, som är cirka 80% av hjärnan där tänkande sker (I en mänsklig hjärna finns det cirka 100 miljarder nervceller och 100 ~ 1000 biljoner synapser). Det kallas djupt eftersom det har mer än ett doldt lager av neuroner som hjälper till att ha flera tillstånd av olinjär funktionsomvandling

Jämförelse mellan head-to-head-lärande jämfört med Deep Learning (Infographics)

Nedan visas de 5 bästa jämförelserna mellan Supervised Learning vs Deep Learning

Viktiga skillnader mellan Supervised Learning vs Deep Learning

Både Supervisised Learning vs Deep Learning är populära val på marknaden; låt oss diskutera några av de största skillnaderna mellan övervakat lärande och djup lärande:

● Stora modeller -

Viktiga övervakade modeller är -

○ k-närmaste grannar - används för klassificering och regression
○ Linjär regression - för förutsägelse / regression
○ Logistisk regression - för klassificering
○ Support Vector Machines (SVMs) - Används för klassificering och regression
○ Beslutsträd och slumpmässiga skogar - Både klassificerings- och regressionsuppgifter

Mest populära Deep neurala nätverk:

● Multilayer Perceptrons (MLP) - Mest grundläggande typ. Detta nätverk är i allmänhet startfasen för att bygga andra mer sofistikerade djupa nätverk och kan användas för alla övervakade regressions- eller klassificeringsproblem

● Autoencoders (AE) - Nätverket har övervakade inlärningsalgoritmer för inlärning av funktioner, dimensionsminskning och upptäckt av utlistare

● Convolution Neural Network (CNN) - särskilt lämplig för rumsdata, objektigenkänning och bildanalys med multidimensionella neuronstrukturer. En av de främsta orsakerna till populariteten för den djupa inlärningen på sistone beror på CNN: s.

● Recurrent Neural Network (RNN) - RNNs används för sekvenserad dataanalys såsom tidsserier, sentimentanalys, NLP, språköversättning, taligenkänning, bildtexter. En av de vanligaste typerna av RNN-modellen är LSTM-nätverk (Long Short-Term Memory).

● Träningsdata - Som nämnts tidigare behöver övervakade modeller träningsdata med etiketter. Men Deep learning kan hantera data med eller utan etiketter. Vissa neurala nätverksarkitekturer kan övervakas, till exempel autokodare och begränsade Boltzmann-maskiner

● Funktionsval - Vissa övervakade modeller kan analysera funktioner och välja en delmängd av funktionen för att bestämma målet. Men för det mesta måste detta hanteras i dataförberedelsefasen. Men i Deep Neural Networks dyker upp nya funktioner och oönskade funktioner kastas som lärande framsteg.

● Datarepresentation - I klassiska övervakade modeller skapas inte abstraktion på hög nivå av inmatningsfunktioner. Slutlig modell som försöker förutsäga output genom att tillämpa matematiska omvandlingar på en delmängd av inmatningsfunktioner.
Men i djupa neurala nätverk bildas abstraktioner av inputfunktioner internt. Till exempel, när man översätter text, konverterar nervnätverket först inmatningstext till intern kodning och transformerar sedan den abstraherade representationen till målspråket.

● Framework - Övervakade ML-modeller stöds av många generiska ML-ramverk på olika språk - Apache Mahout, Scikit Learn, Spark ML är några av dessa.
Majoritet Deep learning-ramverk ger en utvecklarvänlig abstraktion för att enkelt skapa ett nätverk, ta hand om distribution av beräkning och har stöd för GPUs.Caffe, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow är populära ramverk. Tensorflöde från Google används allmänt nu med aktivt samhällsstöd.

Övervakad lärande jämfört med djup lärande jämförelsetabell

Nedan följer några viktiga jämförelser mellan Supervised Learning vs Deep Learning

Grunden för jämförelse mellan Supervised Learning vs Deep Learning Övervakad inlärning Djup lärning
Model TrainingStora uppgifter i utbildning -

  • Iterera genom träningstillfällen, mestadels som minipartier, och uppdatera vikter som används för funktioner.
  • En riktning för viktuppdatering (inkrement eller minskning) bestämd av vissa indikatorer som en gradient av felfunktionen med vikt.
  • Slutligen formuleras ett mål som en transformation på en vägd summa av delmängdsfunktioner.
Stora uppgifter i utbildning -

  • Antalet vikter som ska uppdateras är mycket stort om ett antal dolda lager i fler.
  • Fel i målvärdet beräknades först och spridits tillbaka till varje lager
  • Hitta det partiella derivatet av felfunktionens vikt och uppdatera vikterna för att minska felet.
Systemets potentialAnvänds för att lösa relativt enkla uppgifter där relationen med inmatningsfunktioner och mål är mänskligt detekterbar och funktionsteknik är direkt. T.ex :

  • En binomial eller multiklass klassificering som klassificera kunder baserat på hur de interagerar med en webbplats.
  • Förutsäga värdet på fastigheter med liknande data som samlas in.
Djupt lärande kan göra riktigt intelligenta uppgifter som

  • Bildklassificering nära människor
  • Nära mänsklig nivå taligenkänning
  • Handskrift för nästan mänsklig nivå
  • Förbättrad maskinöversättning
  • Digitala assistenter som Google Now och Amazon Alexa
FlexibilitetModellerna är mer flexibla vilket hjälper till att finjustera ML-modellen enkelt. Det finns väldefinierade metoder som rutnätssökning med korsvalidering för att hitta rätt hyperparametrarMindre flexibel eftersom det finns många hyperparametrar att finjustera som ett antal lager, antalet nervceller per lager, typen av aktiveringsfunktion som ska användas i varje lager, viktinitieringslogiken och mycket mer.
FunktionsrepresentationHärledda eller abstrakta funktioner som ska skapas uttryckligen. Till exempel polynomfunktioner som input för en linjär regressionsmodellAbstrakt datarepresentation genereras automatiskt i dolda lager. Därför kan ett utbildat nervnätverk i CNN upptäcka en katt i en bild.
Generativa modellerDet är inte möjligt att generera något original eftersom automatisk abstrakt datarepresentation inte händerNär du har tränat kan en specifik typ av djupa neurala nätverk generera säga nya bilder, sånger eller texter. De kallas GNN (Generativt neuralt nätverk) eller GAN (Generative Adversarial Networks)

En del implementering av denna typ av nätverk används för att skapa till och med nya modedesigner

Slutsats - Supervised Learning vs Deep Learning

Noggrannhet och kapacitet hos DNN (Deep Neural Network) har ökat mycket under de senaste åren. Därför är DNN nu ett område med aktiv forskning och vi tror att det har potential att utveckla ett allmänt intelligent system. Samtidigt är det svårt att resonera varför ett DNN ger en viss utgång som gör finjustering av ett nätverk verkligen svårt. Så om ett problem kan lösas med enkla ML-modeller rekommenderas vi starkt att använda det. På grund av detta faktum kommer en enkel linjär regression att ha relevans även om ett generellt intelligent system utvecklas med hjälp av DNN: er.

Rekommenderad artikel

Detta har varit en guide till de bästa skillnaderna mellan Supervised Learning vs Deep Learning. Här diskuterar vi också Supervised Learning vs Deep Learning viktiga skillnader med infografik och jämförelsetabell. Du kan också titta på följande artiklar -

  1. Övervakad inlärning vs förstärkningslärande
  2. Supervised Learning vs Unsupervised Learning
  3. Neurala nätverk vs djup inlärning
  4. Machine Learning vs Predictive Analytics
  5. TensorFlow vs Caffe: Vad är skillnaderna
  6. Vad är Supervisised Learning?
  7. Vad är förstärkningslärande?
  8. Topp 6 jämförelser mellan CNN vs RNN

Kategori:

Big Data