5 основных различий между Machine Learning and Deep Learning

Большинство людей не осознают, что машинное обучение, которое является разновидностью искусственного интеллекта (ИИ), зародилось в 1950-х годах. Артур Сэмюэл написал первую программу компьютерного обучения в 1959 году, в соответствии с которой компьютер IBM тем лучше справлялся с игрой в шашки, чем дольше он играл. Перенесемся в сегодняшний день, когда ИИ – это не просто передовая технология; он может привести к появлению высокооплачиваемой и интересной работы. Инженеры по машинному обучению пользуются большим спросом, потому что, как говорит upsaily MLE Томаш Дудек, ни специалисты по обработке данных, ни инженеры-программисты не обладают в точности навыками, необходимыми в области машинного обучения. Компаниям нужны профессионалы, которые свободно владеют обеими этими областями, но при этом могут делать то, чего не могут ни специалисты по обработке данных, ни инженеры-программисты. Этот человек – инженер по машинному обучению.

Термины “искусственный интеллект”, “машинное обучение” и “глубокое обучение” часто используются как взаимозаменяемые, но если вы планируете карьеру в сфере искусственного интеллекта, важно знать, чем они отличаются. Согласно Оксфордским живым словарям, искусственный интеллект – это “теория и разработка компьютерных систем, способных выполнять задачи, которые обычно требуют человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод с одного языка на другой”. Хотя их можно было бы назвать “умными”, некоторые компьютерные системы с искусственным интеллектом не обучаются сами по себе; вот тут-то и появляются машинное обучение и глубинное обучение.

Что такое машинное обучение?

С машинным обучением компьютерные системы запрограммированы на обучение на основе вводимых данных без постоянного перепрограммирования. Другими словами, они постоянно улучшают свою производительность при выполнении задачи — например, играя в игру – без дополнительной помощи человека. Машинное обучение используется в широком спектре областей: искусстве, науке, финансах, здравоохранении — называйте сами. И существуют разные способы заставить машины учиться. Некоторые из них простые, такие как базовое дерево решений, а некоторые гораздо более сложные, включающие несколько уровней искусственных нейронных сетей. Последнее происходит при глубоком обучении. Мы вернемся к этому подробнее через минуту.

Машинное обучение стало возможным не только благодаря прорывной программе Артура Сэмюэля в 1959 году — используя относительно простое (по сегодняшним меркам) дерево поиска в качестве основного драйвера, его компьютер IBM постоянно совершенствовался в шашках, — но и благодаря Интернету. Благодаря Интернету было создано и сохранено огромное количество данных, и эти данные могут быть предоставлены компьютерным системам, чтобы помочь им “учиться”.

Машинное обучение с помощью R и машинное обучение с помощью Python – два популярных метода, используемых сегодня. Хотя в этой статье мы не будем обсуждать конкретные языки программирования, полезно знать R или Python, если вы хотите более глубоко разобраться в машинном обучении с помощью R и машинном обучении с помощью Python.

Что такое глубокое обучение?

Некоторые считают, что глубокое обучение – это следующий рубеж машинного обучения, передний край передовых технологий. Возможно, вы уже испытали результаты углубленной программы глубокого обучения, даже не осознавая этого! Если вы когда-либо смотрели Netflix, вы, вероятно, видели его рекомендации относительно того, что смотреть. А некоторые сервисы потоковой передачи музыки выбирают песни на основе того, что вы слушали в прошлом, или песен, которым вы одобрили большой палец вверх или нажали кнопку “мне нравится”. Обе эти возможности основаны на глубоком обучении. Алгоритмы распознавания голоса и изображений Google также используют глубокое обучение.

Точно так же, как машинное обучение считается разновидностью искусственного интеллекта, глубокое обучение часто считается разновидностью машинного обучения — некоторые называют его подмножеством. В то время как машинное обучение использует более простые концепции, такие как прогностические модели, глубокое обучение использует искусственные нейронные сети, предназначенные для имитации того, как люди думают и учатся. Возможно, вы помните из школьной биологии, что первичным клеточным компонентом и основным вычислительным элементом человеческого мозга является нейрон и что каждое нейронное соединение подобно маленькому компьютеру. Сеть нейронов в мозге отвечает за обработку всех видов входных данных: визуальных, сенсорных и так далее.

В компьютерных системах с глубоким обучением, как и в машинном обучении, входные данные по-прежнему поступают в них, но информация часто представлена в виде огромных наборов данных, потому что системам глубокого обучения требуется большой объем данных, чтобы понять их и выдать точные результаты. Затем искусственные нейронные сети задают серию бинарных вопросов “правда / ложь” на основе полученных данных, включая очень сложные математические вычисления, и классифицируют эти данные на основе полученных ответов.

Итак, хотя и машинное, и глубокое обучение подпадают под общую классификацию искусственного интеллекта и оба “обучаются” на основе ввода данных, между машинным обучением и глубоким обучением есть некоторые ключевые различия.

5 Ключевых различий между машинным обучением и глубоким обучением

1. Вмешательство человека

В то время как в системах машинного обучения человеку необходимо идентифицировать и вручную кодировать прикладные функции на основе типа данных (например, значение пикселя, форма, ориентация), система глубокого обучения пытается изучить эти функции без дополнительного вмешательства человека. Возьмем пример программы распознавания лиц. Программа сначала учится обнаруживать и распознавать границы и линии лиц, затем более значимые части лиц и, наконец, общее представление лиц. Объем данных, задействованных при выполнении этого, огромен, и по мере того, как идет время и программа тренируется сама, вероятность правильных ответов (то есть точной идентификации лиц) увеличивается. И это обучение происходит с помощью нейронных сетей, аналогично тому, как работает человеческий мозг, без необходимости перекодирования программы человеком.

2. Аппаратное обеспечение

Из-за объема обрабатываемых данных и сложности математических вычислений, связанных с используемыми алгоритмами, системы глубокого обучения требуют гораздо более мощного оборудования, чем более простые системы машинного обучения. Одним из типов оборудования, используемого для глубокого обучения, являются графические процессоры (GPU). Программы машинного обучения могут выполняться на машинах более низкого уровня без такой большой вычислительной мощности.

3. Время

Как и следовало ожидать, из-за огромных наборов данных, необходимых системе глубокого обучения, и из-за того, что задействовано так много параметров и сложных математических формул, обучение системе глубокого обучения может занять много времени. Машинное обучение может занимать от нескольких секунд до нескольких часов, в то время как глубокое обучение может занимать от нескольких часов до нескольких недель!

4. Подход

Алгоритмы, используемые в машинном обучении, как правило, анализируют данные по частям, затем эти части объединяются для получения результата или решения. Системы глубокого обучения рассматривают всю проблему или сценарий одним махом. Например, если вы хотите, чтобы программа идентифицировала определенные объекты на изображении (что это и где они расположены — например, номерные знаки на автомобилях на парковке), вам пришлось бы пройти два этапа машинного обучения: сначала обнаружение объекта, а затем распознавание объекта. С другой стороны, с помощью программы глубокого обучения вы бы вводили изображение, а при обучении программа возвращала бы как идентифицированные объекты, так и их местоположение на изображении в одном результате.

5. Приложения

Учитывая все другие различия, упомянутые выше, вы, вероятно, уже поняли, что машинное обучение и системы глубокого обучения используются для разных приложений. Где они используются: Базовые приложения машинного обучения включают программы прогнозирования (например, для прогнозирования цен на фондовом рынке или того, где и когда обрушится следующий ураган), идентификаторы спама по электронной почте и программы, разрабатывающие научно обоснованные планы лечения для медицинских пациентов. В дополнение к упомянутым выше примерам Netflix, сервисов потоковой передачи музыки и распознавания лиц, одним из широко разрекламированных приложений глубокого обучения являются самоуправляемые автомобили — программы используют многоуровневые нейронные сети для выполнения таких действий, как определение объектов, которых следует избегать, распознавание светофоров и понимание, когда ускоряться или замедляться.

Тенденции будущего машинного обучения и глубокого обучения

Возможности машинного обучения и deep learning в будущем практически безграничны! Более широкое использование роботов – это данность, и не только в производстве, но и в способах, которые могут улучшить нашу повседневную жизнь как в основном, так и во второстепенных аспектах. Индустрия здравоохранения также, вероятно, изменится, поскольку глубокое обучение помогает врачам делать такие вещи, как прогнозирование или раннее выявление рака, что может спасти жизни. В финансовой сфере машинное обучение и deep learning готовы помочь компаниям и даже частным лицам экономить деньги, более разумно инвестировать и более эффективно распределять ресурсы. И эти три области – только начало будущих тенденций в области машинного обучения и глубокого обучения. Многие области, которые будут улучшены, пока являются лишь искрой в воображении разработчиков.