Unterschiede zwischen betreutem Lernen und vertieftem Lernen
Beim überwachten Lernen enthalten die Trainingsdaten, die Sie dem Algorithmus zuführen, die gewünschten Lösungen, die als Labels bezeichnet werden. Eine typische überwachte Lernaufgabe ist die Klassifizierung. Der Spam-Filter ist ein gutes Beispiel dafür: Er wird mit vielen Beispiel-E-Mails zusammen mit ihrer Klasse (Spam oder Ham) trainiert und muss lernen, wie man neue E-Mails klassifiziert.
Deep Learning ist ein Versuch, die Aktivität in Schichten von Neuronen im Neokortex nachzuahmen, der etwa 80% des Gehirns ausmacht, in dem das Denken stattfindet. Es wird als tief bezeichnet, weil es mehr als eine versteckte Schicht von Neuronen hat, die dazu beitragen, mehrere Zustände einer nichtlinearen Merkmalsumwandlung zu haben
Head to Head Vergleich von Supervised Learning vs Deep Learning (Infographics)
Unten ist der Top 5 Vergleich zwischen Supervised Learning und Deep Learning 
Hauptunterschiede zwischen betreutem Lernen und vertieftem Lernen
Sowohl Supervised Learning als auch Deep Learning sind beliebte Optionen auf dem Markt. Lassen Sie uns einige der Hauptunterschiede zwischen betreutem Lernen und vertieftem Lernen diskutieren:
● Hauptmodelle -
Wichtige betreute Modelle sind -
○ k-Nearest Neighbours - Wird zur Klassifizierung und Regression verwendet
○ Lineare Regression - Für Vorhersage / Regression
○ Logistische Regression - Zur Klassifizierung
○ Support Vector Machines (SVMs) - Zur Klassifizierung und Regression
○ Entscheidungsbäume und zufällige Wälder - Sowohl Klassifizierungs- als auch Regressionsaufgaben
Die beliebtesten tiefen neuronalen Netze:
● Multilayer Perceptrons (MLP) - Der grundlegendste Typ. Dieses Netzwerk ist im Allgemeinen die Anfangsphase des Aufbaus eines anderen komplexeren Netzwerks und kann für überwachte Regressions- oder Klassifizierungsprobleme verwendet werden
● Autoencoder (AE) - Das Netzwerk verfügt über unbeaufsichtigte Lernalgorithmen zum Lernen von Features, zur Dimensionsreduzierung und zur Erkennung von Ausreißern
● Convolution Neural Network (CNN) - besonders geeignet für räumliche Daten, Objekterkennung und Bildanalyse unter Verwendung mehrdimensionaler Neuronenstrukturen. Einer der Hauptgründe für die Popularität des Deep Learning in letzter Zeit sind CNNs.
● Recurrent Neural Network (RNN) - RNNs werden für sequenzielle Datenanalysen wie Zeitreihen, Stimmungsanalysen, NLP, Sprachübersetzung, Spracherkennung und Bildunterschriften verwendet. Eine der häufigsten Arten von RNN-Modellen ist das Long Short-Term Memory (LSTM) -Netzwerk.
● Trainingsdaten - Wie bereits erwähnt, benötigen beaufsichtigte Modelle Trainingsdaten mit Etiketten. Deep Learning kann jedoch Daten mit oder ohne Labels verarbeiten. Einige neuronale Netzwerkarchitekturen können unbeaufsichtigt sein, z. B. Autoencoder und eingeschränkte Boltzmann-Maschinen
● Featureauswahl - Einige überwachte Modelle können Features und eine ausgewählte Teilmenge von Features analysieren, um das Ziel zu bestimmen. Die meiste Zeit muss dies jedoch in der Datenvorbereitungsphase erledigt werden. In Deep Neural Networks treten jedoch neue Funktionen auf, und unerwünschte Funktionen werden mit zunehmendem Lernfortschritt verworfen.
● Datendarstellung - In klassischen überwachten Modellen wird keine allgemeine Abstraktion von Eingabe-Features erstellt. Letztes Modell, das versucht, die Ausgabe durch Anwenden mathematischer Transformationen auf eine Teilmenge von Eingabe-Features vorherzusagen.
In tiefen neuronalen Netzen werden Abstraktionen von Eingabemerkmalen jedoch intern gebildet. Beispielsweise konvertiert das neuronale Netzwerk beim Übersetzen von Text zuerst den eingegebenen Text in eine interne Codierung und transformiert dann diese abstrahierte Darstellung in die Zielsprache.
● Framework- überwachte ML-Modelle werden von vielen generischen ML-Frameworks in verschiedenen Sprachen unterstützt. Einige davon sind Apache Mahout, Scikit Learn und Spark ML.
Majority Deep-Learning-Frameworks bieten eine entwicklerfreundliche Abstraktion, mit der Sie auf einfache Weise ein Netzwerk erstellen, die Verteilung der Daten übernehmen und GPUs unterstützen können. Caffe, Caffe2, Theano, Torch, Keras, CNTK und TensorFlow sind beliebte Frameworks jetzt mit aktiver Community-Unterstützung.
Vergleichstabelle Supervised Learning vs Deep Learning
Nachfolgend finden Sie einige wichtige Vergleiche zwischen Supervised Learning und Deep Learning
| Die Vergleichsbasis zwischen Supervised Learning und Deep Learning | Überwachtes Lernen | Tiefes Lernen |
| Model Training | Hauptaufgaben in der Ausbildung -
| Hauptaufgaben in der Ausbildung -
|
| Potenzial des Systems | Wird verwendet, um relativ einfache Aufgaben zu lösen, bei denen die Beziehung zu Eingabe-Features und Zielobjekten vom Menschen erkannt werden kann und das Feature-Engineering direkt erfolgt. Z.B :
| Deep Learning kann wirklich intelligente Aufgaben erledigen
|
| Flexibilität | Modelle sind flexibler, was die Feinabstimmung des ML-Modells erleichtert. Es gibt gut definierte Methoden wie die Rastersuche mit Kreuzvalidierung, um die richtigen Hyperparameter zu finden | Weniger flexibel, da es viele Hyperparameter gibt, die geändert werden müssen, z. B. die Anzahl der Ebenen, die Anzahl der Neuronen pro Ebene, die Art der Aktivierungsfunktion, die in jeder Ebene verwendet werden soll, die Gewichtsinitialisierungslogik und vieles mehr. |
| Feature-Darstellung | Abgeleitete oder abstrakte Features, die explizit erstellt werden sollen. Zum Beispiel Polynommerkmale als Eingabe für ein lineares Regressionsmodell | Abstrakte Datendarstellung, die automatisch in ausgeblendeten Ebenen generiert wird. Aus diesem Grund kann ein trainiertes neuronales CNN-Netzwerk eine Katze in einem Bild erkennen. |
| Generative Modelle | Es kann kein Original generiert werden, da keine automatische Darstellung der abstrakten Daten stattfindet | Einmal trainiert, kann ein bestimmter Typ eines tiefen neuronalen Netzwerks beispielsweise neue Bilder, Lieder oder Texte erzeugen. Diese werden als GNN (Generative Neural Network) oder GAN (Generative Adversarial Networks) bezeichnet.
Einige Implementierungen dieses Netzwerktyps werden verwendet, um sogar neue Modedesigns zu erstellen |
Fazit - Betreutes Lernen versus tiefes Lernen
Die Genauigkeit und Leistungsfähigkeit von DNNs (Deep Neural Network) hat in den letzten Jahren stark zugenommen. Aus diesem Grund sind DNNs jetzt ein Bereich aktiver Forschung, und wir glauben, dass sie das Potenzial haben, ein allgemeines intelligentes System zu entwickeln. Gleichzeitig ist es schwierig zu begründen, warum ein DNN eine bestimmte Ausgabe liefert, was die Feinabstimmung eines Netzwerks wirklich schwierig macht. Wenn ein Problem mit einfachen ML-Modellen gelöst werden kann, wird die Verwendung dieser Modelle dringend empfohlen. Aufgrund dieser Tatsache ist eine einfache lineare Regression auch dann relevant, wenn ein allgemeines intelligentes System unter Verwendung von DNNs entwickelt wird.
Empfohlener Artikel
Dies war ein Leitfaden für die wichtigsten Unterschiede zwischen Supervised Learning und Deep Learning. Hier werden auch die Hauptunterschiede zwischen Supervised Learning und Deep Learning mit Infografiken sowie die Vergleichstabelle besprochen. Sie können auch einen Blick auf die folgenden Artikel werfen -
- Betreutes Lernen versus bestärktes Lernen
- Betreutes Lernen versus unbeaufsichtigtes Lernen
- Neuronale Netze vs Deep Learning
- Maschinelles Lernen vs. Predictive Analytics
- TensorFlow vs Caffe: Was sind die Unterschiede
- Was ist betreutes Lernen?
- Was ist Reinforcement Learning?
- Top 6 Vergleiche zwischen CNN und RNN