تفاوت یادگیری ماشین و یادگیری عمیق

یادگیری ماشین به معنای یادگیری کامپیوترها از داده ها با استفاده از الگوریتم ها برای برای انجام‌دادن یک کار خاص بدون برنامه‌ریزی مستقیم استفاده می‌شوند. یادگیری عمیق از ساختار پیچیده ای از الگوریتم های مدل سازی شده بر روی مغز انسان استفاده می کند.

این امکان پردازش داده های بدون ساختار مانند اسناد، تصاویر و متن را فراهم می کند.

یادگیری عمیق زیرمجموعه ­ای تخصصی از یادگیری ماشین است که به نوبه خود زیرمجموعه ای از هوش مصنوعی است.

یادگیری ماشین چیست؟

یادگیری ماشین اصطلاح کلی برای زمانی است که رایانه­ ها از داده­ ها یاد می­گیرند. این تلاقی علم کامپیوتر و آمار را توصیف می کند که در آن الگوریتم ها الگوریتم ها برای برای انجام‌دادن یک کار خاص بدون برنامه‌ریزی مستقیم استفاده می‌شوند. در عوض، آن­ها الگوهای موجود در داده ها را تشخیص می دهند و پس از رسیدن داده های جدید، پیش بینی      می­ کنند. به طور کلی، بسته به داده ­هایی که برای یادگیری استفاده می­شود، فرآیند یادگیری الگوریتم ها می­تواند تحت نظارت یا بدون نظارت باشد.

یادگیری عمیق چیست؟

الگوریتم های یادگیری عمیق را می­توان هم به عنوان یک تکامل پیچیده و هم از نظر ریاضی نوع پیچیده ­ی الگوریتم­ های یادگیری ماشین در نظر گرفت.

یادگیری عمیق الگوریتم هایی را توصیف می­کند که داده­ ها را با ساختار منطقی شبیه به نحوه نتیجه گیری یک انسان، تجزیه و تحلیل می­کند. توجه داشته باشید که این امر می­تواند هم از طریق یادگیری تحت نظارت و هم بدون نظارت اتفاق بیفتد. برای دستیابی به این هدف، برنامه های کاربردی یادگیری عمیق از ساختار لایه­ ای از الگوریتم ها به نام شبکه عصبی مصنوعی(ANN)  استفاده می­کنند. طراحی چنین ANN از شبکه عصبی بیولوژیکی مغز انسان الهام گرفته شده است و منجر به فرآیند یادگیری بسیار بهتر از مدل‌های یادگیری ماشین استاندارد می‌شود.

مثال ANN را در تصویر بالا در نظر بگیرید. سمت چپ ترین لایه لایه ورودی، سمت راست ترین لایه لایه خروجی نامیده می­شود. لایه های میانی لایه های پنهان نامیده می شوند زیرا مقادیر آنها در مجموعه آموزشی قابل مشاهده نیست. هر چه یک شبکه لایه های پنهان بیشتری بین لایه ورودی و خروجی داشته باشد، عمق بیشتری دارد. به طور کلی، هر شبکه عصبی مصنوعی با دو یا چند لایه پنهان به عنوان یک شبکه عصبی عمیق شناخته می شود.

امروزه از یادگیری عمیق در بسیاری از زمینه ها استفاده می شود. به عنوان مثال، در رانندگی خودکار، از یادگیری عمیق برای تشخیص اشیا، مانند علائم STOP یا عابران پیاده استفاده می شود. ارتش از یادگیری عمیق برای شناسایی اشیاء از ماهواره ها استفاده می کند، به عنوان مثال. برای کشف مناطق امن یا ناامن برای نیروهای خود. البته، صنعت لوازم الکترونیکی مصرفی نیز سرشار از یادگیری عمیق است. برای مثال، دستگاه‌های کمکی خانگی مانند آمازون الکسا، برای پاسخ به صدای شما و دانستن اولویت‌های شما، به الگوریتم‌های یادگیری عمیق متکی هستند.

به طور کلی، از طریق مهندسی خودکار ویژگی ها و قابلیت های خودآموزی آن، الگوریتم های یادگیری عمیق تنها به مداخله انسانی کمی نیاز دارند. در حالی که این پتانسیل عظیم یادگیری عمیق را نشان می‌دهد، دو دلیل اصلی وجود دارد که چرا اخیرا به قابلیت استفاده زیادی دست یافته است: در دسترس بودن داده و قدرت محاسباتی.

اولا، یادگیری عمیق به حجم فوق‌العاده وسیعی از داده نیاز دارد.

ثانیا، یادگیری عمیق به قدرت محاسباتی قابل توجهی نیاز دارد. با این حال، با ظهور زیرساخت‌های رایانش ابری و  GPUهای با کارایی بالا (واحدهای پردازش گرافیکی که برای محاسبات سریع‌تر استفاده می‌شوند)، زمان آموزش شبکه یادگیری عمیق را می‌توان از هفته‌ها به ساعت‌ها کاهش داد.

اما احتمالاً یکی از مهمترین پیشرفت ها در زمینه یادگیری عمیق، ظهور یادگیری انتقالی است، یعنی استفاده از مدل های از پیش آموزش دیده.

این نیازهای عظیم به داده ها دلیل نمی­شد که الگوریتم های ANN به عنوان راه حل بهینه برای همه مشکلات در گذشته در نظر گرفته شوند. با این حال، برای بسیاری از کاربردها، اکنون می توان این نیاز به داده را با استفاده از مدل های از پیش آموزش دیده برآورده کرد.

تفاوت های اصلی بین یادگیری ماشین و یادگیری عمیق

اولا، در حالی که الگوریتم‌های یادگیری ماشین ساختار نسبتا ساده‌ای دارند، مانند رگرسیون خطی یا درخت تصمیم، یادگیری عمیق مبتنی بر یک شبکه عصبی مصنوعی است. این ANN چند لایه، مانند مغز انسان، پیچیده و در هم تنیده است.

ثانیا، الگوریتم‌های یادگیری عمیق به مداخله انسانی بسیار کمتری نیاز دارند.

ثالثاً، یادگیری عمیق به داده‌های بسیار بیشتری نسبت به الگوریتم‌های یادگیری ماشینی سنتی برای عملکرد صحیح نیاز دارد. یادگیری ماشین با هزاران نقطه داده کار می کند، یادگیری عمیق اغلب تنها با میلیون ها نقطه کار می کند. با توجه به ساختار چند لایه پیچیده، یک سیستم یادگیری عمیق به مجموعه داده بزرگی برای حذف نوسانات و ایجاد تفسیرهای با کیفیت بالا نیاز دارد.

 برای جمع بندی می­توان گفت:

یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است.

یادگیری عمیق بر ساختار لایه ای از الگوریتم ها به نام شبکه عصبی مصنوعی متکی است.

یادگیری عمیق نیاز به داده های زیادی دارد اما برای عملکرد صحیح به مداخله ­های انسانی کم نیاز دارد.

منبع:  https://levity.ai/blog