Контролируемое обучение против глубокого обучения - 5 простых способов научиться

• Различия между контролируемым обучением и глубоким обучением

Различия между контролируемым обучением и глубоким обучением

В контролируемом обучении данные обучения, которые вы передаете в алгоритм, включают в себя желаемые решения, называемые метками. Типичная контролируемая учебная задача - классификация. Спам-фильтр является хорошим примером этого: он обучен множеству примеров электронных писем вместе с их классом (спам или ветчина), и он должен научиться классифицировать новые электронные письма.

Глубокое обучение - это попытка имитировать активность в слоях нейронов в неокортексе, который составляет около 80% мозга, где происходит мышление (в человеческом мозге около 100 миллиардов нейронов и 100 ~ 1000 триллионов синапсов). Он называется глубоким, потому что имеет более одного скрытого слоя нейронов, которые помогают иметь несколько состояний нелинейного преобразования признаков

Сравнение лицом к лицу сравнительного обучения и глубокого обучения (инфографика)

Ниже приведены 5 лучших сравнений между контролируемым обучением и глубоким обучением.

Ключевые отличия контролируемого обучения от глубокого обучения

Обе контролируемые обучения против глубокого обучения являются популярным выбором на рынке; Давайте обсудим некоторые из основных различий между контролируемым обучением и глубоким обучением:

● Основные модели -

Важные контролируемые модели -

○ k-ближайших соседей - используется для классификации и регрессии
○ Линейная регрессия - для прогнозирования / регрессии
○ Логистическая регрессия - для классификации
○ Машины опорных векторов (SVM) - используются для классификации и регрессии
○ Деревья решений и случайные леса - задачи классификации и регрессии

Самые популярные глубокие нейронные сети:

● Многослойные персептроны (MLP) - самый основной тип. Эта сеть обычно является начальной фазой построения другой более сложной глубокой сети и может использоваться для любых контролируемых проблем регрессии или классификации.

● Автоэнкодеры (AE) - в сети есть неконтролируемые алгоритмы обучения для изучения особенностей, уменьшения размеров и обнаружения выбросов

● Convolution Neural Network (CNN) - особенно подходит для пространственных данных, распознавания объектов и анализа изображений с использованием многомерных нейронных структур. Одна из главных причин популярности глубокого обучения в последнее время связана с CNN.

● Рекуррентная нейронная сеть (RNN) - RNN используются для последовательного анализа данных, таких как временные ряды, анализ настроений, NLP, языковой перевод, распознавание речи, субтитры изображений. Одним из наиболее распространенных типов модели RNN является сеть с кратковременной памятью (LSTM).

● Данные обучения. Как упоминалось ранее, для контролируемых моделей требуются данные обучения с метками. Но глубокое обучение может обрабатывать данные с метками или без них. Некоторые архитектуры нейронных сетей могут оставаться без присмотра, такие как авто-кодеры и ограниченные машины Больцмана

● Выбор функций - некоторые модели Supervised способны анализировать функции и выбирать поднабор функций для определения цели. Но большую часть времени это должно выполняться на этапе подготовки данных. Но в Deep Neural Networks появляются новые функции, а нежелательные функции отбрасываются в процессе обучения.

● Представление данных - в классических контролируемых моделях высокоуровневая абстракция входных объектов не создается. Окончательная модель пытается предсказать вывод путем применения математических преобразований к подмножеству входных объектов.
Но в глубоких нейронных сетях абстракции входных функций формируются внутренне. Например, при переводе текста нейронная сеть сначала преобразует входной текст во внутреннее кодирование, а затем преобразует это абстрактное представление в целевой язык.

● Framework - Модели ML с супервизией поддерживаются множеством универсальных сред ML на разных языках - некоторые из них - Apache Mahout, Scikit Learn, Spark ML.
Большинство сред глубокого обучения обеспечивают удобную для разработчика абстракцию для простого создания сети, заботятся о распределении вычислений и поддерживают графические процессоры. Кафе, Caffe2, Theano, Torch, Keras, CNTK, TensorFlow - популярные платформы. Тензор потока от Google широко используется. сейчас при активной поддержке сообщества.

Сравнительное обучение с углубленным изучением Сравнительная таблица

Ниже приведено ключевое сравнение между контролируемым обучением и глубоким обучением.

Основа сравнения контролируемого обучения с глубоким обучением	Контролируемое обучение	Глубокое обучение
Модельное Обучение	Основные задачи в обучении - Выполняйте итерацию в обучающих экземплярах, в основном в виде мини-пакетов, и весов обновлений, применяемых для функций Направление обновления веса (приращение или уменьшение) определяется некоторыми показателями, такими как градиент функции ошибки по отношению к весу. Наконец, цель формулируется как преобразование взвешенной суммы подмножеств объектов.	Основные задачи в обучении - Количество обновляемых весов очень велико, если количество скрытых слоев больше. Ошибка в целевом значении, рассчитанном первой и распространенной обратно на каждый слой Найти частную производную функции ошибки по весам и обновить вес, чтобы уменьшить ошибку.
Потенциал системы	Используется для решения относительно простых задач, когда связь с входными функциями и целью обнаруживается человеком, а разработка функций является прямой. Например: Биноминальная или мультиклассовая классификация, например, классификация клиентов на основе их взаимодействия с веб-сайтом. Прогнозировать стоимость недвижимости, используя схожие данные.	Глубокое обучение может сделать действительно интеллектуальные задачи, такие как Классификация изображений на уровне человека Распознавание речи на почти человеческом уровне Транскрипция почерка почти на уровне человека Улучшен машинный перевод Цифровые помощники, такие как Google Now и Amazon Alexa
гибкость	Модели более гибкие, что помогает легко настроить модель ML. Существуют четко определенные методы, такие как поиск по сетке с перекрестной проверкой для поиска правильных гиперпараметров.	Менее гибкий, поскольку есть много гиперпараметров для настройки, таких как количество слоев, количество нейронов на слой, тип функции активации для использования в каждом слое, логика инициализации веса и многое другое.
Представление функций	Производные или абстрактные функции должны быть созданы явно. Например, полиномиальные признаки в качестве входных данных для модели линейной регрессии	Абстрактное представление данных автоматически генерируется в скрытых слоях. Вот почему обученная нейронная сеть CNN может обнаружить кошку на изображении.
Генеративные модели	Невозможно сгенерировать что-либо оригинальное, так как автоматическое представление абстрактных данных не происходит	После обучения определенный тип глубокой нейронной сети может генерировать, скажем, новые изображения, песни или тексты. Они называются GNN (Генеративная нейронная сеть) или GAN (Генеративные состязательные сети) Некоторая реализация этого типа сети используется для создания даже новых модных дизайнов

Вывод - контролируемое обучение против глубокого обучения

Точность и возможности DNN (Deep Neural Network) значительно выросли за последние несколько лет. Вот почему в настоящее время DNN являются областью активных исследований и, как мы полагаем, обладают потенциалом для разработки Общей Интеллектуальной Системы. В то же время трудно понять, почему DNN дает определенный вывод, что делает настройку сети действительно сложной. Поэтому, если проблему можно решить с помощью простых моделей ML, настоятельно рекомендуется использовать это. В связи с этим простая линейная регрессия будет иметь значение, даже если общая интеллектуальная система разрабатывается с использованием DNN.

Рекомендуемая статья

Это было руководство к основным различиям между контролируемым обучением и глубоким обучением. Здесь мы также обсудим ключевые различия между обучением и углубленным изучением с помощью инфографики и сравнительной таблицы. Вы также можете взглянуть на следующие статьи -

1. Обучаемое обучение против Обучающего обучения
2. Контролируемое обучение против неконтролируемого обучения
3. Нейронные сети против глубокого обучения
4. Машинное обучение против прогнозной аналитики
5. Тензорфлоу против Кафе: в чем различия
6. Что такое контролируемое обучение?
7. Что такое обучение усилению?
8. Лучшие 6 Сравнений между CNN против RNN