บางคนสามารถอธิบายความแตกต่างระหว่างการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกให้ฉันได้หรือไม่ เป็นไปได้หรือไม่ที่จะเรียนรู้การเรียนรู้อย่างลึกซึ้งโดยไม่ต้องเรียนรู้ด้วยเครื่อง?
คำตอบ:
การเรียนรู้อย่างลึกซึ้งเป็นความหลากหลายของประเภทการเรียนรู้ของเครื่องเฉพาะ ดังนั้นจึงเป็นไปได้ที่จะเรียนรู้เกี่ยวกับการเรียนรู้ลึกโดยไม่ต้องเรียนรู้การเรียนรู้ของเครื่องทั้งหมด แต่ต้องเรียนรู้การเรียนรู้ของเครื่องบางส่วน (เพราะเป็นการเรียนรู้ของเครื่อง)
การเรียนรู้ของเครื่องหมายถึงเทคนิคใด ๆ ที่มุ่งเน้นไปที่การสอนเครื่องจักรว่าจะสามารถเรียนรู้พารามิเตอร์ทางสถิติจากข้อมูลการฝึกอบรมจำนวนมากได้อย่างไร การเรียนรู้ของเครื่องชนิดหนึ่งคือเครือข่ายประสาทเทียมซึ่งเรียนรู้เครือข่ายการแปลงแบบไม่เชิงเส้นที่สามารถประมาณฟังก์ชันที่ซับซ้อนมากของอาร์เรย์ที่กว้างของตัวแปรอินพุต ความก้าวหน้าล่าสุดในเครือข่ายประสาทเทียมต้องทำอย่างไรกับการฝึกอบรมโครงข่ายประสาทเทียมลึกซึ่งมีชั้นมากกว่าปกติและโครงสร้างพิเศษเพื่อจัดการกับความท้าทายของการเรียนรู้ชั้นเพิ่มเติม
การเรียนรู้เชิงลึกเป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่อง
การเรียนรู้ลึกหมายถึงการเรียนรู้ด้วยเครือข่ายประสาทลึกโดยพื้นฐานแล้วเป็นเครือข่ายที่มีหลายชั้น
โครงข่ายประสาทเทียมเป็นกลุ่มการเรียนรู้ของเครื่องหลายรูปแบบ:
ตามที่ยอมรับได้เนื่องจากการรวมกันของแผนภาพ Venn ด้านบนอาจเป็นไปได้ว่ามันไม่ได้บอกอย่างแม่นยำหรือแม่นยำ
คำว่าปัญญาประดิษฐ์การเรียนรู้ของเครื่องและการเรียนรู้ลึกถึงแม้จะไม่ใช่แบรนด์ก็ตาม เป็นคำศัพท์ที่ถูกตั้งชื่อโดยคนที่มีเงินทุนเฉพาะการสื่อสารและมุมมองของแผนกในขณะที่เผยแพร่คำศัพท์ที่ติดอยู่
นอกจากนี้ลำดับของสิ่งต่าง ๆ ไม่ถูกต้อง สิ่งที่เรียกว่าปัญญาประดิษฐ์ในปัจจุบันคือเป้าหมายอายุหลายศตวรรษในการใช้เครื่องจักรเพื่อทำกิจกรรมทางจิตโดยอัตโนมัติซึ่งในสมัยนั้นต้องการความสนใจของมนุษย์และอาจขยายขีดความสามารถทางจิตของมนุษย์ผ่านระบบอัตโนมัตินั้น วิสัยทัศน์นี้เกิดขึ้นนานก่อนที่จะสลับวงจรและทฤษฎีข้อมูลและดังนั้นก่อนวิทยาศาสตร์คอมพิวเตอร์
ดังนั้นวิทยาศาสตร์คอมพิวเตอร์จึงเป็นส่วนหนึ่งของวิสัยทัศน์ AI และต่อจากนั้น
การเรียนรู้อย่างลึกซึ้งเป็นคำที่ใช้ความคิดที่ล่อแหลมและเกินความจริงว่ามีความสัมพันธ์กันระหว่างจำนวนชั้นในเครือข่ายประดิษฐ์และความลึกของสิ่งที่เป็นนามธรรมที่ชั้นสามารถบรรลุ เนื่องจากจำนวนเซลล์การเปิดใช้งานในเลเยอร์เรียกว่าความกว้างของเลเยอร์การเลือกความลึกจึงถูกเลือกเพื่อแสดงมิติของปริมาณเลเยอร์ นี่เป็นเรื่องแปลกเพราะไดอะแกรมทั่วไปแสดงจำนวนเซลล์ต่อชั้นเป็นความสูงจำนวนชั้นเป็นความกว้างและแผนภาพไม่มีความลึกเพราะเป็น 2-D แต่นั่นไม่ใช่ปัญหาจริง ไม่มีพื้นฐานทางวิทยาศาสตร์สำหรับความลึกของเครือข่ายและความลึกของนามธรรมเพียงลางสังหรณ์และมีหลักฐานจำนวนมากในด้านการมองเห็นคอมพิวเตอร์ว่ามันไม่ง่าย
ไดอะแกรม Venn ถัดไปนี้ไม่ใช่ทั้งที่มีสิทธิ์และไม่ได้เป็นตัวแทนอย่างสมบูรณ์แบบ แต่ปัญหาบางอย่างที่มีในแผนภาพข้างต้นได้รับการซ่อมแซม แม้ว่ามันจะตอบคำถามได้อย่างชาญฉลาดมากขึ้นในหลาย ๆ ด้าน แต่ปัญหาในการเลือกคำศัพท์ในศัพท์แสงมักจะไม่ถูกแก้ไขโดยไม่มีการผลักดันที่สำคัญและการโพสต์นี้จะไม่เพียงพอ
เมื่อฉันเริ่มบท Leraning ในหนังสือที่ใช้ในลักษณะนี้
ฉัน) ภายใต้การดูแล:
การถอยหลัง
การจำแนกประเภท
II) การเรียนรู้ที่ไม่มีผู้ดูแล:
การจัดกลุ่ม
สมาคมการเรียนรู้
III) การเสริมการเรียนรู้:
ทั้งหมดของบทที่ฉับพลัน I> 2> b สร้างเขตข้อมูลย่อยของมันเอง ดีที่จะรู้ว่าทำไมให้ฉันบอกคุณหน่อยประวัติศาสตร์ Machine learningคำประกาศเกียรติคุณในปี 1959 โดยอาร์เธอร์ซามูเอลที่มีความหมายว่าmachines were able to learn from dataกว่าคำแนะนำที่ชัดเจน ในขั้นต้นมันถูกแบ่งออกเป็นสองกลุ่มโดยขึ้นอยู่กับว่าวิธีการที่ต้องการข้อมูลฉลากหรือไม่ (เช่นการถดถอยการจัดหมวดหมู่) จากนั้นพวกเขาก็ตระหนักว่าเราสามารถตรวจสอบด้วยการจัดกลุ่มด้วยซึ่งทำให้เกิด และการเรียนรู้การเสริมคำเกิดมาจากแรงบันดาลใจจากส่วนของทฤษฎีเกม ให้เก็บรายละเอียดเหล่านั้นไว้ในภายหลัง
มาถึงการเรียนรู้ลึกคำdeep learningนี้มาเร็ว ๆ นี้ล่าสุดเมื่อปี 2008 จากการประชุมเจฟฟ์ฮินตัน มีคนเริ่มใช้มันเพื่อระบุสถาปัตยกรรมเครือข่ายลึกมากประสาทที่ใช้ในกระดาษที่นำเสนอโดยเจฟฟ์ฮินตันและจากนั้นเป็นต้นชนิดของมันกลายเป็นวิธีใหม่ของการแบ่งประเภทของการเรียนรู้เครื่องนอกเหนือจากsupervised, unsupervisedหรือreinforcement(แผ่น:. อาจจะมีการอ้างอิงคี่ เรียก NN เป็น DL ก่อนหน้านี้ แต่ไม่ได้รับความนิยมและยอมรับก่อนหน้านี้)
ดีบางครั้งผมรู้สึกว่าชื่อdeep learningจะค่อนข้างเรียกชื่อผิดก็จะได้รับดีกว่าถ้ามันได้ชื่อว่าเป็นหรือความเครียดในเชิงลึกอาจจะneural learning deep neural learningหากคุณเป็นคนใหม่คุณอาจสงสัยว่าความลึกที่ฉันกำลังพูดถึงคืออะไรคำว่าลึกนั้นมาจากความจริงที่ว่าเครือข่ายประสาท (ขอบคุณความพร้อมของความสามารถในการประมวลผลที่สูงของ GPU) ตอนนี้สามารถฝึกฝนได้หลายชั้น ลึกคำนอกจากนี้ยังสามารถใช้อย่างอิสระจะรวมพื้นที่เครือข่ายอื่น ๆ ที่ไม่ใช่ประสาทของการเรียนรู้เครื่องซึ่งจะต้องมีจำนวนมากของการคำนวณเหมือนหรือdeep belief net recurrent netจะแม่นยำหน่วยงานของเครือข่ายในวันนี้จะไม่เพียงneuronหรือperceptronก็สามารถLSTM, GRUหรือcapsuleดังนั้นฉันเดาคำdeepขณะนี้ทำให้รู้สึกมากขึ้นกว่า แต่ก่อน
นี่คือคำจำกัดความพื้นฐานของmachine learning:
“ อัลกอริทึมที่แยกวิเคราะห์ข้อมูลเรียนรู้จากข้อมูลนั้นจากนั้นใช้สิ่งที่เรียนรู้เพื่อทำการตัดสินใจอย่างชาญฉลาด”
ตัวอย่างง่ายๆของอัลกอริทึมการเรียนรู้ของเครื่องคือบริการสตรีมเพลงตามสั่ง สำหรับบริการในการตัดสินใจว่าเพลงหรือศิลปินใหม่ที่จะแนะนำให้ผู้ฟังขั้นตอนวิธีการเรียนรู้ของเครื่องเชื่อมโยงความต้องการของผู้ฟังกับผู้ฟังคนอื่น ๆ ที่มีรสนิยมทางดนตรีที่คล้ายกัน
การเรียนรู้ด้วยเครื่องจักรช่วยกระตุ้นงานอัตโนมัติทุกประเภทและครอบคลุมในหลายอุตสาหกรรมตั้งแต่ บริษัท ด้านความปลอดภัยของข้อมูลไล่ล่ามัลแวร์ไปจนถึงมืออาชีพด้านการเงินที่มองหาการซื้อขายที่ดี พวกเขาถูกออกแบบมาเพื่อทำงานเหมือนผู้ช่วยส่วนตัวเสมือนและพวกเขาทำงานได้ค่อนข้างดี
ในแง่การปฏิบัติdeep learningเป็นเพียงส่วนหนึ่งของการเรียนรู้ของเครื่อง ในทางเทคนิคคือการเรียนรู้ของเครื่องและฟังก์ชั่นในลักษณะที่คล้ายกัน (เหตุใดบางครั้งข้อกำหนดจึงถูกสับเปลี่ยนอย่างหลวม ๆ ) แต่ความสามารถของมันแตกต่างกัน
แบบจำลองการเรียนรู้ด้วยเครื่องจักรขั้นพื้นฐานจะดีขึ้นเรื่อย ๆ ไม่ว่าจะทำหน้าที่อะไร แต่ก็ยังมีแนวทาง หากอัลกอริทึม ML ส่งคืนการทำนายที่ไม่ถูกต้องวิศวกรจะต้องดำเนินการและปรับเปลี่ยน แต่ด้วยรูปแบบการเรียนรู้ที่ลึกอัลกอริทึมสามารถกำหนดได้ด้วยตนเองหากการทำนายนั้นถูกต้องหรือไม่
การเรียนรู้ลึกเป็นส่วนหนึ่งของการเรียนรู้ของเครื่อง
การเรียนรู้ของเครื่องและการเรียนรู้ลึกไม่ใช่ทั้งสองอย่าง การเรียนรู้เชิงลึกเป็นรูปแบบหนึ่งของการเรียนรู้ของเครื่อง ระดับของเลเยอร์ในโครงข่ายประสาทมีมากขึ้นในการเรียนรู้เชิงลึกเป็นส่วนหนึ่งของการเรียนรู้ลึก
“ การเรียนรู้เชิงลึกคือการเรียนรู้ของเครื่องจักรชนิดพิเศษที่ได้รับพลังที่ยิ่งใหญ่และความยืดหยุ่นโดยการเรียนรู้ที่จะเป็นตัวแทนของโลกในฐานะลำดับชั้นของแนวคิดที่ซ้อนกันโดยแต่ละแนวคิดกำหนดไว้ในความสัมพันธ์กับแนวคิดที่ง่ายขึ้น ”